AAAINov, 2017

多智能体简单时间问题：弧一致性方法

PDF
TL;DR本文提出的基于弧一致性的方法，不仅足以解决 Simple Temporal Problem 以及 Multiagent Simple Temporal Problem，而且不侵犯代理人的隐私，具有比现有方法更高的效率。
simple temporal problemmultiagent simple temporal problemarc-consistencyprivacyefficiency
发现论文，激发创造
  • 一种高效的简单增量式时间网络数据结构用于时间规划

    本文研究了在时间规划中简单时序网络（STN）解算器的使用方法，并提出了一种高效的内存数据结构 ——delta STN 来支持此应用案例；实验证明 delta STN 优于其他现有的方法。

    Dec, 2022

  • 多智能体变压器加速 RL 以满足 STL 规范

    我们提出了一种基于时间依赖多智能体变压器的中心化方法，能够有效地解决在多智能体问题中存在的时间依赖性，并且在两个问题上显著优于文献基准算法。

    Mar, 2024

  • 利用基于冲突的搜索、优先级和时间约束进行最优任务分配和路径规划

    该研究通过利用强化学习中用户定义的奖励函数来实现冲突搜索算法（CBS）和任务分配与路径规划，解决了具有优先和时间约束的任务分配与路径规划问题（TAPF-PTC）。通过实验证明，相对于 MARL 和适应性目标分配与路径规划（TAPF）方法，我们的算法 CBS-TA-PTC 有效地解决了具有优先和时间约束的高难度拆弹任务。

    Feb, 2024

  • 简单的排斥时间问题的模型和算法

    该研究介绍了一种称为简单分离时态问题的时空约束问题，并提出了三个数学模型来解决。同时，设计了两个新算法来高效地解决该问题，并与现有算法进行了实验比较。该研究为类似时空约束问题的解决提供了指导。

    Feb, 2023

  • STAP: 无序列任务策略

    提出了一种可扩展的框架 STAP，可在规划时间内协调技能几何依赖，以解决训练期间任何技能都未见过的长视野任务，通过最大化既包括在计划中的所有技能的联合成功，该优化问题近似于基础真相计划的可行性，并减少了目光短浅的行为

    Oct, 2022

  • 具有软时间窗口的多车辆路径规划问题：一种多智能体强化学习方法

    这篇论文提出了一种基于强化学习的名为 “Multi-Agent Attention Model” 的算法，能够利用较长的离线训练时间快速解决城市物流配送中必不可少的 “多车辆路径问题（MVRPSTW）”，该算法以车辆旅游生成过程为基础，提出了一种具有注意力层的编码器 - 解码器框架来迭代地生成多辆车的路径，通过对不同规模的合成网络进行评估，证明该算法的效果优于谷歌 OR-Tools 和传统方法，并验证了模型的稳健性。

    Feb, 2020

  • 通过启发式多智能体规划优化智能体协作

    本文提出一种新的算法解决 QDec-POMDP 问题中涉及不同类型感知智能体的问题，当其中一个智能体无法采取感知行为，但另一个智能体可以采取时，要求智能体采用相同的计划。结果表明，该算法在这些情况下比 QDec-FP 和 QDec-FPS 算法表现好得多。

    Jan, 2023

  • STAS: 多智能体强化学习的时空回报分解

    提出了一种名为 Spatial-Temporal Attention with Shapley（STAS）的新方法，该方法可以在时间和空间维度上学习信用分配，在多智能体强化学习中实现有效的空间 - 时间信用分配，优于所有现有的基线。

    Apr, 2023

  • 连续时间下的多智能体路径规划

    提出了一种基于 Safe interval path planning (SIPP) 和 Conflict-based search (CBS) 算法的多智能体路径规划 (Multi-Agent Pathfinding, MAPF) 方法，不依赖于网格、时间步长和动作的同时，并具有保证最优解的特点。对该算法进行了分析、讨论优劣，并在多项标准基准测试中进行了实验评估。

    Jan, 2019

  • 软约束的弧一致性

    该论文介绍了一种在 soft constraint frameworks 中使用 non idempotent operators（如 +）的情况下扩展经典 arc consistency 的方法，称之为 soft arc consistency，并展示了可用于强制其实施的多项式时间算法。

    Nov, 2001