Algorithms for Graph-Constrained Coalition Formation in the Real World
University of Verona（维罗纳大学）；IIIA-CSIC（西班牙国家研究委员会人工智能研究所）；University of Southampton（南安普顿大学）
本文针对图约束联盟形成问题，提出基于边收缩的搜索空间树表示和随时求解算法CFSS，并通过非冗余并行划分实现高效求解，在真实能耗数据集上验证其性能显著优于现有方法，且首次支持超过2700个智能体的大规模系统。
2016-12-13 cs.AI cs.MA
A Task-Driven Multi-UAV Coalition Formation Mechanism
Yangzhou University（扬州大学）；Nanjing University of Information Science & Technology（南京信息工程大学）
针对现有多无人机联盟形成机制效用低、结构不稳定的问题，提出结合联盟能力与任务需求的协同模型及基于边际效用和Shapley值的算法，理论证明存在纳什均衡，实验验证其稳定性和效用更优。
2024-03-08 cs.AI cs.GT
Exit-and-Join Dynamics for Decentralized Coalition Formation
New York University Tandon School of Engineering（纽约大学坦登工程学院）；Department of Electrical and Computer Engineering（电气与计算机工程系）
研究基于单边退出与加入决策的去中心化联盟形成动力学，利用Aumann-Dreze值计算个体收益，建立合作支付分配与非合作最优反应的关联，并分析均衡特征及成本对局部稳定性的影响。
2026-06-19 cs.AI cs.MA cs.SY
Contextual and Possibilistic Reasoning for Coalition Formation
UCL（伦敦大学学院）；University of Luxembourg（卢森堡大学）
在多智能体系统中，智能体通常需要依赖其他智能体来实现其目标，例如当它们缺乏所需的资源或没有能力执行所需的动作时。因此，代理商需要合作。然后，提出的一些问题是：与哪些代理合作？代理人可以实现其目标的潜在联盟是什么？由于可能性的数量可能相当大，如何使该过程自动化？然后，如何选择最合适的联盟，考虑到代理人的能力，以执行某些任务的不确定性？在这篇文章中，我们解决的问题，如何发现和评估联盟之间的代理在多智能体系统使用MCS工具，同时考虑到周围的代理的行动的不确定性。我们的方法如下：我们首先计算的解决方案空间的形成联盟使用上下文推理的方法。其次，我们的模型代理作为上下文的多上下文系统（MCS），和代理之间的依赖关系，寻求实现自己的目标，作为桥梁规则。第三，我们系统地计算所有潜在的联盟使用算法的MCS均衡，并给出了一组功能和非功能的要求，我们提出了选择最佳解决方案的方法。最后，为了处理代理的行动中的不确定性，我们扩展了我们的方法与可能性推理的功能。我们用一个机器人的例子来说明我们的方法。
2020-10-06 cs.AI cs.LO cs.MA
AI-Generated Compromises for Coalition Formation
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Weizmann Institute of Science（魏茨曼科学研究所）
本文提出基于AI生成妥协方案的联盟形成方法，结合有限理性与不确定性，利用自然语言处理技术在文本语义空间中设计算法，以促进大规模民主文本编辑。
2026-03-31 cs.AI cs.GT cs.MA
Multiscale Exit-Join Dynamics: Tactical Consensus and Strategic Coalition Formation
Department of Electrical and Computer Engineering（电气工程系）；Tandon School of Engineering（坦顿工程学院）；New York University（纽约大学）
提出多尺度联盟形成模型，耦合联盟内战术共识与战略退出-加入决策，通过固定点分析揭示不稳定性-共识悖论。
2026-06-26 cs.AI cs.GT
Coalition formation for Multi-agent Pursuit based on Neural Network and AGRMF Model
Harbin Institute of Technology（哈尔滨工业大学）
提出了一种基于神经网络和AGRMF模型的多智能体追击联盟形成方法，构造了一种新的神经网络AGRMF-ANN，它由特征提取和群体生成两部分组成。一方面，特征提取部分的卷积层可以提取所有群体的Agent群体角色隶属函数（AGRMF）特征，另一方面，这些特征将被馈送到基于自组织映射（SOM）层的群体生成部分，用于将具有相似特征的追踪者归为同一群体。此外，我们还提出了群体吸引力函数（GAF）来评估群体的质量和追求者的贡献，以调整AGRMF的主要能力指标和所有神经网络的其他权重。仿真实验表明，该方案能够提高多智能体追捕联盟形成的有效性，并随着追捕者队伍规模的增大，提高了多智能体对追逃问题的适应能力。
2017-07-17 cs.AI
Visualizing Coalition Formation: From Hedonic Games to Image Segmentation
UFRJ（里约热内卢联邦大学）
本文通过图像分割技术研究享乐博弈中联盟形成的过程，揭示细粒度参数对均衡结构的影响，并将多代理系统与图像分割联系起来。
2026-03-09 cs.AI cs.CV
Faster Optimal Coalition Structure Generation via Offline Coalition Selection and Graph-Based Search
Univ Lyon（里昂大学）；UCBL（里昂第一大学）；CNRS（法国国家科学研究中心）；INSA Lyon（里昂国立应用科学学院）；Centrale Lyon（里昂中央理工学院）；Univ Lyon 2（里昂第二大学）；University of Bejaia（贝贾亚大学）；TCG Centres for Research and Education in Science and Technology（TCG科学技术研究与教育中心）；Carnegie Mellon University（卡内基梅隆大学）；Strategy Robot, Inc.（战略机器人公司）；Strategic Machine, Inc.（战略机器公司）；Optimized Markets, Inc.（优化市场公司）
提出基于动态规划离线联盟选择与分支定界图搜索混合的新算法SMART，在多种值分布下生成最优联盟结构的速度超越已有最快算法ODP-IP和BOSS。
2024-07-22 cs.AI cs.GT cs.MA
Anytime Coalition Structure Generation with Worst Case Guarantees
联盟形成是多智能体系统中的一个关键问题。人们会更喜欢一个联盟的价值总和最大化的联盟结构，但往往联盟结构的数量太大，不允许穷举搜索的最佳之一。但是，通过部分搜索找到的联盟结构能保证在最优范围内吗？我们发现，没有以前的联盟结构生成算法可以建立任何约束，因为他们搜索的节点比阈值，我们显示必要的建立一个绑定。我们提出了一个算法，建立了一个紧密的范围内，这个最小的搜索量，并表明，任何其他算法将不得不严格搜索。随着代理数量的增长，需要搜索的节点的比例接近于零。如果还有额外的时间，我们的随时算法会进一步搜索，并建立一个逐步降低的紧界。令人惊讶的是，只要再搜索一个节点，边界就会减半。正如所期望的，我们的算法降低了界限迅速早期，并表现出递减的计算回报。它也大大超过了它的明显竞争者。最后，我们将展示如何分配所需的搜索在自私的操纵代理。
1998-10-05 cs.AI cs.MA
Coalition Formation in LLM Agent Networks: Stability Analysis and Convergence Guarantees
Department of Compute Science, The University of Hong Kong（香港大学计算机科学系）；Brain Investing Limited（Brain Investing有限公司）；Stellaris AI Limited（Stellaris AI有限公司）
本文提出首个基于享乐博弈理论的LLM联盟形成框架，分析了LLM代理的有限理性特性，并通过实验验证了CoalT协议在联盟稳定性上的优越性。
2026-04-15 cs.AI cs.GT
Digital Pantheon: Simulating and Auditing Coalition Formation with LLM Agents
Ghent University（根特大学）
该研究针对政治联盟形成谈判，提出结合多种技术的多智能体框架，在弗拉芒选举中实施，通过引入相关拓扑、分数和检验使其可解释，模拟产生稳定结果，能可靠预测现实，提供了探索政党兼容性等的测试平台。
2026-07-20 cs.AI cs.CL cs.MA
GRASP and path-relinking for Coalition Structure Generation
University of Bari “Aldo Moro”（巴里大学“阿尔多·莫罗”）
在具有联盟结构生成（CSG）的人工智能中，一个是指那些需要找到最优划分的合作复杂问题，该最优划分使系统中涉及的一组实体的社会福利最大化，成为穷举的和不相交的联盟。CSG问题的解决方案在许多领域都有应用，例如机器学习（覆盖机器，聚类），数据采掘（决策树，离散化），图论，自然语言处理（聚合），语义Web（服务组合）和生物信息学。寻找最优联盟结构的问题是NP完全的。在本文中，我们提出了一个贪婪的自适应搜索过程（GRASP）与路径重链接有效地搜索空间的联盟结构。实验和与其他算法的比较证明了该方法在解决这一组合难题中的有效性。
2011-03-09 cs.AI
A Coalition Formation Game Approach for Personalized Federated Learning
The Hong Kong Polytechnic University（香港理工大学）；Beijing Institute of Technology（北京理工大学）
面对客户端局部数据分布统计多样性的挑战，个性化联邦学习（PFL）逐渐成为研究热点。尽管基于模型相似性的成对协作方法已经取得了令人满意的性能，但它们忽略了一个事实，即模型聚合本质上是联盟内的协作过程，其中复杂的多方向影响发生在客户端之间。在本文中，我们首先应用Shapley值（SV）从联盟博弈论到PFL的情况。为了衡量一组客户之间的多方面合作对个性化学习绩效的影响，SV将他们对最终结果的边际贡献作为度量。我们提出了一种新的个性化算法：pFedSV，它可以1。确定每个客户的最佳合作者联盟; 2.基于SV进行个性化模型聚合。使用不同的非IID数据设置（病理学和Dirichlet）对各种数据集（MNIST，Fashion-MNIST和CIFAR-10）进行了广泛的实验。结果表明，与最先进的基准测试相比，pFedSV可以为每个客户端实现卓越的个性化准确性。
2022-02-08 cs.AI cs.DC cs.LG
Offline Learning of Nash Stable Coalition Structures with Possibly Overlapping Coalitions
Bar Ilan University（巴伊兰大学）；University of Oxford（牛津大学）
本文提出了一种允许重叠联盟的离线学习模型，通过分析代理级和联盟级效用反馈，设计样本高效的算法以推断纳什稳定的联盟结构。
2026-02-15 cs.AI cs.GT cs.LG
Coalition Formability Semantics with Conflict-Eliminable Sets of Arguments
National Institute of Informatics（国立情报学研究所）
在这项工作中，我们认为抽象论证理论联盟的可成形性。以政党之间的政治联盟为模型，我们将考虑联盟的盈利性，然后是可形成性。正如人们通常所理解的那样，一个群体与另一个群体结成联盟，以获得更大的利益，这种利益是根据某些标准衡量的。然而，正如人们通常所理解的那样，一个联盟可能会给X集团带来利益，而牺牲的是X在联盟形成之前能够做的事情，而X在联盟下可能不再能够做这些事情。使用典型的无冲突的参数集并不适合容纳联合的这一方面，这促使我们转向一个较弱的概念，冲突可消除性，作为一组参数应该主要满足的属性。我们需要对攻击强度和论证强度进行数字量化，以描述其特征。我们将首先分析与另一个冲突可消除集形成联盟的给定冲突可消除集的盈利能力的语义，然后将提供四个联盟可形成性语义，每个语义都将考虑联盟盈利能力的某些效用假设形式化。
2017-05-21 cs.AI
An Anytime Algorithm for Optimal Coalition Structure Generation
University of Southampton（南安普顿大学）；Pompeu Fabra University（庞培法布拉大学）
联盟形成是一种基本类型的互动，它涉及到建立不同的、自主的、协调一致的群体，以便有效地实现其个人或集体目标。形成有效的联盟是多智能体系统领域的一个主要研究挑战。这一努力的核心问题是，为了实现某个目标，确定在许多可能的联盟中形成哪一个。这通常需要计算每一个可能的联盟的价值，称为联盟价值，这表明如果联盟成立，它将有多大的好处。一旦计算出这些值，代理通常需要找到一个联盟的组合，其中每个代理都属于一个联盟，并且系统的整体结果最大化。然而，这个联盟结构生成问题是极具挑战性的，由于需要检查的可能的解决方案的数量，这与所涉及的代理的数量呈指数级增长。因此，到目前为止，已经提出了许多算法来解决这个问题，使用不同的技术，从动态规划，整数规划，随机搜索，所有这些都受到有关的执行时间，解决方案的质量，和内存需求的主要限制。考虑到这一点，我们开发了一个随时算法来解决联盟结构生成问题。具体而言，该算法使用了一种新的表示的搜索空间，它分区的空间可能的解决方案到子空间，这样就有可能计算的最佳联盟结构的值的上限和下限。然后，这些边界用于识别没有包含最优解的可能性的子空间，以便可以修剪它们。然后，该算法使用分支定界技术非常有效地搜索剩余的子空间，以避免检查搜索子空间内的所有解。在这种情况下，我们证明了我们的算法枚举所有联盟结构有效地避免冗余和无效的解决方案自动。此外，为了有效地测试我们的算法，我们开发了一种新型的输入…
2014-01-15 cs.AI cs.MA
Parameterized Complexity of Problems in Coalitional Resource Games
University of Maryland at College Park（马里兰大学帕克分校）
联盟形成是多智能体系统中的一个关键问题。联盟使代理人能够实现他们自己可能无法实现的目标。以前的工作表明，联盟游戏中的问题在计算上是困难的。Wooldridge和Dunne（人工智能2006）研究了联盟资源博弈（CRG）中几个自然决策问题的经典计算复杂性-在这些博弈中，每个代理被赋予一组资源，如果联盟被集体赋予必要数量的资源，则联盟可以实现一组目标。联盟资源游戏的输入将几个元素捆绑在一起，例如，代理集Ag、目标集G、资源集R等。Shrot、Aumann和Kraus（AAMAS 2009）使用参数化复杂性理论研究了CRG模型中的联盟形成问题。他们的精确分析表明，并非所有输入部分都是平等的--有些问题确实是容易处理的，而另一些仍然是难以处理的。我们回答了Shrot，Aumann和Kraus留下的一个重要问题，证明了SC问题（检查联盟是否成功）在以联盟规模为参数时是W[1]-hard的。然后，通过一个单一的主题减少从SC，我们能够表明，各种问题有关的资源，资源边界和资源冲突的Wooldridge等人介绍的是1。当由联盟的大小参数化时，W[1]-hard或co-W[1]-hard。2.当由|R|参数化时，为para-NP-hard或co-para-NP-hard。3. FPT（由|G|或|Ag| + |R|参数化）。
2011-05-03 cs.AI cs.CC cs.GT
Finding Core Members of Cooperative Games using Agent-Based Modeling
基于主体的建模（ABM）是一个强大的范式，以获得洞察社会现象。反弹道导弹很少应用的一个领域是联盟形成。传统上，联盟形成是用合作博弈理论建模的。在本文中，开发了一种启发式算法，可以嵌入到ABM，让代理人找到联盟。由此产生的联盟结构是可比的合作博弈论解决方案的方法，特别是，核心。一个启发式的方法是必需的，由于计算复杂性找到一个合作博弈论的解决方案，限制其应用到只有大约一个分数的代理。ABM范式提供了一个平台，在这个平台上，简单的规则和代理之间的交互可以产生宏观层面的效果，而无需大量的计算需求。因此，它可以是一个有效的手段，近似合作博弈的解决方案，大量的代理。我们的启发式算法结合了基于代理的建模和合作博弈论，以帮助找到代理分区的游戏的核心解决方案的成员。我们的启发式算法的准确性可以通过将其结果与实际的核心解决方案进行比较来确定。这种比较是通过开发一个实验来实现的，这个实验使用了一个叫做手套游戏的合作游戏的具体例子。手套博弈是一种交换经济博弈。寻找传统的合作博弈论的解决方案是计算密集型的大量球员，因为每个可能的分区必须比较每个可能的联盟，以确定核心集，因此我们的实验只考虑游戏多达9个球员。结果表明，我们的启发式方法实现了超过90%的时间在我们的实验中考虑的游戏的核心解决方案。
2020-08-30 cs.AI cs.MA econ.TH
Dynamic Coalition Formation and Communication Pricing in Skill-Based Agentic AI Systems
University of Calgary（卡尔加里大学）
针对技能型智能体 AI 系统通信低效问题，提出基于夏普利值的边际值激活与贪心路由方法，在合成实验中其效用达蛮力最优的 99.5%，激活智能体数远少于全广播。
2026-08-11 cs.AI cs.LG econ.TH
Microgrids Coalitions for Energy Market Balancing
Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）
本文针对可再生能源并网下的能源市场平衡问题，提出一种结合合作博弈论与模因算法的方法来识别最优微电网联盟，并利用Shapley值公平分配联盟收益。
2025-06-06 cs.AI cs.GT
Exit-and-Join Dynamics and Equilibrium in Continuum Cooperative Games
Department of Electrical and Computer Engineering（电气与计算机工程系）；New York University Tandon School of Engineering（纽约大学塔恩工程学院）；Brooklyn, NY, USA（布鲁克林，纽约，美国）
针对非原子合作博弈，提出退出与加入联盟的连续动态理论，扩展Aumann-Shapley值与Aumann-Drèze值到联盟结构，推导确定性平均场动态，刻画退出-加入均衡，并证明其与Wardrop均衡等价。
2026-06-27 cs.AI cs.GT cs.MA
Exact Algorithms and Lower Bounds for Forming Coalitions of Constrained Maximum Size
Department of Theoretical Computer Science, Faculty of Information Technology（理论计算机科学系）；Université Clermont Auvergne, CNRS, Clermont Auvergne INP, Mines Saint-Étienne, LIMOS（克莱蒙特-奥弗涅大学）；G-SCOP, Grenoble-INP（格勒诺布尔INP）；Computer Science Institute, Faculty of Mathematics and Physics（数学与物理系计算机科学研究所）
研究受限团队规模的联盟形成问题，提出处理树状结构的高效FPT精确算法，并证明其在合理理论假设下是渐近最优的。
2025-05-28 cs.AI cs.DS
Metric Hedonic Games on the Line
Hasso Plattner Institute（哈索·普拉特纳研究所）；University of Augsburg（奥格斯堡大学）
本文研究了基于度量距离的Hedonic游戏模型，探讨了稳定联盟结构的存在性、性质及其在无序价格和稳定性价格方面的表现。
2026-02-16 cs.AI cs.GT
