本文研究了多智能体取送问题的一个生命周期版本，提出了两种算法 Token Passing 与 Token Passing with Task Swaps，其中 TP 算法对于拥有数百个智能体和任务的 MAPD 实例仍然有效，可全面推广为全分布式 MAPD 算法，TPTS 需要少量智能体之间的通信，TP 算法适用于需要实时计算的情况，TPTS 算法则在 TP 算法与集中式 MAPD 算法之间做出了平衡。

May, 2017

本研究介绍了一个处理多智能体运输问题的新算法，使用组合搜索算法 SIPPwRT 进行单智能体路径规划，并考虑了实际机器人的动力学约束，相比于现有算法更为高效和有效。

Dec, 2018

本研究提出两种算法变种 - LNS-PBS 和 LNS-wPBS 来解决实时多智能体拾送配送问题（MAPD）及一般版 (MG-MAPD)，并采用大邻域搜索（LNS）和基于优先级的搜索（PBS）算法，实验结果表明，相比现有的完整 MAPD 算法 CENTRAL 和可扩展的 MAPD 算法 HBH+MLA*，LNS-PBS 与 LNS-wPBS 不仅在效率和稳定性上更优，而且能够有效地处理成千上万的任务和代理。

Aug, 2022

介绍了一个新的问题，由 MAPF-DECOMP 解决了自动仓库中的 DD-MAPD 问题，该问题将多机器人货架重排问题建模，可以在大规模实例中以高效和高质量的方式获得解决方案。

Apr, 2023

该研究提出了一种叫做 “基于等待的死锁避免”(SBDA) 的死锁避免方法，可以提高迷宫般的环境中多代理人搬运物资的运输效率。该方法通过实时使用割点算法来确定待机节点，并保证智能体在那里停留一定的时间，从而有效减少阻塞或死锁的情况。实验证明，与传统方法相比，该方法的性能更好。也分析了用于选择待机节点的参数如何影响性能。

Jan, 2022

本文提出了一种方法，将优先级继承与回溯（PIBT）方法扩展到更一般的环境中，以解决多智能体取送问题（MAPD 问题），该方法允许在一定范围内存在树形路径，防止死锁，并通过与标准方法的比较表明，其效率非常高。

May, 2022

该研究提出了一个基于 Multi-Agent Path Finding (MAPF) 的两层搜索的 MAPF-DP 解决方案，包括规划具有不完美执行计划的有效 MAPF-DP 解决方案，提出了具有鲁棒性的计划执行策略以控制每个代理的行动，展示了能够生成有效 MAPF-DP 计划的两层 MAPF-DP 求解器（称为期望值最小化近似）。

Dec, 2016

该研究提出了一个 RHCR-based 方法，称之为 Terraforming MAPD，旨在解决机器人在仓库的货物存取问题中，只限于完成特定任务且无法动态移动其他货物对路径规划的限制。该方法可以提高仓库的吞吐量和服务质量，而不会显著影响运行时间。

May, 2023

通过提出两种最优算法，基于减少 MAPF-DL 的流问题和后续抽象的多种商品流网络的紧凑整数线性规划和基于新的组合搜索算法，我们正式规范具有截止日期的多智能体路径规划问题。

Jun, 2018

多智能体路径规划（Multi-Agent Path Finding）是机器人领域的一个基本问题，该研究提出了一种新方法来解决这个问题，该方法通过引导智能体按照避免拥堵的路径前往目的地，有效提高了解决方案质量，并在整体通量方面取得了显著改进。

Aug, 2023