本文提出了两种新的拆分策略 (cost splitting 和 disjoint cost splitting)，用于解决 Multi-Objective Conflict-Based Search (MO-CBS) 算法中的重复搜索问题，并证明了这些拆分策略与 MO-CBS 既完整又最优。实验结果表明，disjoint cost splitting 是最佳的拆分策略，可将 MO-CBS 加速两个数量级并在各种情景下显著提高其成功率。

Nov, 2022

本文提出了在连续时间领域使用 prioritizing conflicts（PC）、disjoint splitting（DS）、high-level heuristics 等算法来扩展 CSB 算法，以在无需离散化时间的情况下保证最优解。作者通过实验证明，这些改进显著优于原始 CCBS 算法，解决了更多智能体问题，并推动了在连续时间领域中的多智能体路径规划的极限。

Jan, 2021

通过基于在线学习的 inadmissible 估计和 EES 算法，在研究现有的 bounded-suboptimal MAPF 算法的基础上，提出一种新的 bounded-suboptimal 算法 EECBS，相较于 ECBS，BCP-7 和 eMDD-SAT 等先进算法，在运行时间上表现更快，希望其可推广到更多 bounded-suboptimal MAPF 算法的应用中。

Oct, 2020

本研究针对 CBS 算法的优化问题，设计并测试了多种不同的改进方式；研究结果表明，在多种情形下使用基于 Focal Search 的 anytime variant 算法优于传统的 CBS 算法。

Sep, 2022

研究对连续时间多智能体路径规划问题的对称性打破增强方法以及连续时间冲突基于搜索的求解器，并且通过实证研究证明这些增强方法在密集图中比以往的最新技术在相同时间内解决多达 10% 或 20% 更多智能体问题上有统计显著性的性能提升。

Dec, 2023

本文介绍了多机器人路径规划问题中考虑异常情况的 k-Robust Conflict-Based Search 算法，以及引入对 k-robust 规划特定的对称性约束可以有效地找到冲突代理的兼容和最优路径，在多个领域中的应用效果较好，包括传统的 MAPF 基准测试，自动化仓库领域和最近推出 Flatland 挑战的铁路领域。

Feb, 2021

我们提出了基于目标安全区间访问顺序搜索和单智能体路径规划的多目标冲突搜索（MGCBS）方法，并介绍了时间 - 间隔 - 空间森林（TIS Forest）来增强 MGCBS 的效率。实验证明，我们的方法始终能够获得最优结果，并在评估中执行速度比最新的方法快 7 倍。

Apr, 2024

本研究提出了一种名为 ITA-CBS 的增量目标指派 CBS 方法，该方法不需要计算 K 个最佳任务分配，只在搜索过程中增量计算新的最佳分配，有效避免了多个搜索树中的冲突，保证了最优解和计算效率。

Jul, 2023

本文研究基于 A * 算法和双目标搜索的两种解决方案，解决只有一个约束条件的成本最小路径规划问题，并研究在约束搜索中优先队列的重要性。实验证明，不带打结断的桶队列可以有效提高双目标搜索的算法性能。

Jul, 2022

该论文探讨了针对约束优化问题，采用深度优先搜索算法以在前 n 个解中寻找最优或近似最优解，并提出了一种基于 MCTS 的新型启发式神经网络算法，结合编码约束优化问题和利用图神经网络聚合变量和约束信息的方法，实验结果表明该方法能够快速找到初始的 5 个可行解中与最优解间隔小于 17.63% 的解，并在应用于约束满足问题时，与最先进方法相比，搜索节点数减少不到 5%。

Dec, 2023