通过自组织协调自主代理人，解决空中无人飞行器协调的问题，实现安全高效的空中交通流量控制。

Dec, 2023

本文提出了一种完全分布式、在线和可扩展的增强学习算法，用于解决多车辆路径规划问题，代理定期聚集在本地簇中，独立地在每个簇中应用多智能体扩展方案，动态地在代理之间协调任务并共享其局部信息。通过较大规模的模拟，证明了分布式滚动算法比贪婪基础策略具有近两倍的成本优势。

May, 2023

利用车辆的计算和感知能力，本文提出了一种车辆联邦学习（VFL）算法，通过直接车对车（V2V）通信增强 VFL 训练效率，并考虑能量限制和车辆的移动性问题来优化 VFL 训练性能。通过导数漂移加罚方法将长期随机优化问题转化为在线混合整数非线性规划（MINLP）问题，并通过理论分析来衡量在线解和离线最优解之间的性能差距。通过对调度优先级的进一步分析，将原始问题简化为一组凸优化问题，并使用内点法有效求解。实验结果表明，与现有基准相比，所提出的算法将 CIFAR-10 数据集上的图像分类准确度提高了 3.18％，并将 Argoverse 轨迹预测数据集上的平均位移误差降低了 10.21％。

Jun, 2024

通过使用启发式算法和经济补偿方案，该研究提出了一种用于出租车和客户配对的新算法，该算法提高了城市移动效率，并减少了客户等待时间。

Jan, 2024

本文提出一种新颖的问题：如何在空间和时间上变化的情况下放置车辆以实时满足乘客的需求。研究者使用了四个主要美国城市一千万次乘车请求的数据集，证明了这种请求具有显著的自我相似性，并提出了分布式在线学习算法用于解决实时车辆定位的问题，并且通过观察到的自相似性，确定了算法的预期性能边界。

Dec, 2017

本文介绍一个通用的、广泛涉及机器人、计算机科学、运筹学和人工智能等领域的任务分配问题，包括机器人、任务和周围环境状态的多个版本，并探讨了解决该问题的现有方法，包括基于优化和市场的方法。

Jul, 2022

提出了一种基于凸松弛的近似框架，用于对共享车辆系统进行建模和优化，通过分析此近似框架的性质，得出了计算复杂度更低的解决方案并提供实际操作洞见，实现了对共享车辆系统的有效控制与管理。

Aug, 2016

本文通过建立数据集，利用深度强化学习求解器，采用新的鲁棒混合整数线性规划模型，解决了不确定自主清洁系统中多机器人混合任务分配的问题，并且可以在保持性能的情况下，防止系统出现最坏情况，同时提供了一个基准数据集。

Mar, 2023

通过去中心化强化学习，提出一种多智能体团队任务分配的决策框架，考虑负载管理，鼓励闲置并避免不必要的资源使用。开发了一个衡量智能体在协作中重要性的指标，推断团队在处理潜在的过载情况时的弹性。

Jul, 2022

我们研究了自主移动出行系统的利润最大化操作员的顺序决策问题。通过使用多智能体软演员 - 评论家算法结合加权二分图匹配，我们优化了中央操作员的车辆调度策略，提出了一种新的基于车辆的算法体系结构，并调整了评论家的损失函数以恰当地考虑全局行动。此外，我们还扩展了算法以包含重新平衡功能。通过数值实验证明，我们的方法在调度方面的性能比最先进的基准提高了多达 12.9%，在集成重新平衡方面提高了多达 38.9%。

Apr, 2024