.png){kind=icon}
返回
Customer satisfaction optimization in due-aware multi-agent path finding
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2025.122782.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文中，我们通过将时间约束整合到经典的多智能体路径规划（MAPF）问题中，形式化了基于截止时间的多智能体路径规划（DA-MAPF）。为DA-MAPF问题寻找最优解是NP难问题。为解决此问题，我们引入两种基于搜索的算法：最优的基于截止时间的冲突基搜索（DA-CBS）和有界次优的满意度基搜索（SBS）。尽管这些算法有效，但两者在高智能体密度场景下均面临可扩展性挑战。为克服这些限制，我们引入一种基于强化学习的算法，称为优先级感知动态通信学习（PDCL），该算法整合了一种新颖的多智能体通信消息聚合机制和双头优先级感知图动态注意力网络。我们使用一系列基准地图对DA-CBS、SBS和PDCL算法进行了实证评估。我们的评估表明，SBS算法表现接近最优，并实现了更高的成功概率，特别是在障碍物密集的环境中。PDCL在智能体密集场景下能更快地提供可接受解决方案。此外，PDCL通过在DA-MAPF问题中实现更高的平均客户满意度，超越了现有的多智能体路径规划算法。此外，PDCL中的双头优先级感知图动态注意力网络在多智能体通信方面优于其他方法。
Keyword:
Multi-agent systems
Path planning for multiple agents
Collision avoidance
Temporal constraints
期刊
IF:
6.8
论文数:
553
被引数:
6.2W
机构
引用论文
Transformer-Based Imitative Reinforcement Learning for Multirobot Path Planning基于Transformer的多机器人路径规划模拟强化学习
.png){kind=icon}
PREAI
分享收藏
分享收藏
查看更多内容