Spillover Algorithm: A Decentralized Coordination Approach for Multi-Robot Production Planning in Open Shared Factories
IMT Lille Douai（里尔-杜埃国立高等矿业电信学院）；Université de Lille（里尔大学）；University Rey Juan Carlos（胡安卡洛斯国王大学）；Valencian Research Institute for AI（瓦伦西亚人工智能研究院）；Universitat Politècnica de València（瓦伦西亚理工大学）
开放和共享的制造工厂通常会处理有限数量的机器人，这些机器人应该在时间和空间上适当地分配给任务，以实现有效和高效的系统性能。特别是，我们处理的动态能力约束的生产计划问题与序列无关的设置成本的产品制造和机器人的位置需要在给定的时间范围内确定在连续的时期内，产品可以预期或backordered相关的需求期。我们考虑这个问题的一个分散的多智能体变体，在一个开放的工厂环境中，机器人的多个所有者以及要生产的物品的不同所有者，都被认为是自利的和个体理性的。现有的解决方案的经典约束批量问题的方法是集中的精确的方法，需要共享的所有参与者的私人和敏感信息的全局知识，并不适用于所描述的多智能体上下文中。因此，我们提出了一个计算效率分散的方法的基础上的溢出效应，解决了这个NP难的问题，在一个本质上分散的多智能体系统环境中的决策，同时保护私人和敏感信息。据我们所知，这是第一个分散的算法，在本质上分散的环境中，生产资源和/或产品由多个利益相关者拥有，可能有冲突的目标，研究的问题的解决方案。为了显示其效率，溢出算法的性能与最先进的商业求解器CPLEX 12.8进行了基准测试。
2021-01-23 cs.AI cs.DM cs.MA
A Theoretical Framework for Parallel Lifelong MAPF Using Group Decentralized Planning
Carnegie Mellon University（卡内基梅隆大学）
针对L-MAPF问题，本文证明RHCR的近最优性，提出并行规划的GD-RHCR框架，其在扩展智能体规模时仍能保持高吞吐量和低单规划成本。
2026-08-19 cs.AI cs.MA cs.RO
Decentralized MCTS via Learned Teammate Models
Delft University of Technology（代尔夫特理工大学）
分散在线规划可以是一个有吸引力的合作多智能体系统的范例，由于改进的可扩展性和鲁棒性。这种方法的一个关键困难在于对其他代理人的决策做出准确的预测。在本文中，我们提出了一个可训练的在线分散规划算法的基础上分散的蒙特卡罗树搜索，结合模型的队友从以前的情节运行。通过只允许一个代理，以适应其模型在一个时间，在理想的政策近似的假设下，我们的方法的连续迭代保证改善联合政策，并最终导致收敛到一个纳什均衡。我们通过在[Claes et al.，2015年]。我们表明，深度学习和卷积神经网络可以用来产生精确的策略近似器，利用问题的空间特征，并且所提出的算法提高了基线规划性能，特别是具有挑战性的域配置。
2020-11-10 cs.AI
Discrete Diffusion for Complex and Congested Multi-Agent Path Finding with Sparse Social Attention
State Key Lab of Processors, Institute of Computing Technology, CAS（中国科学院计算技术研究所处理器重点实验室）；School of Advanced Interdisciplinary Sciences, CAS（中国科学院高等交叉学科学院）；University of Chinese Academy of Sciences（中国科学院大学）；Institute of Microelectronics, CAS（中国科学院微电子研究所）
本文提出DiffLNS框架，结合离散去噪扩散概率模型与LNS2，通过稀疏社交注意学习多智能体轨迹先验，提升多智能体路径寻找的修复效率与成功率。
2026-05-13 cs.AI cs.LG cs.MA
Mixed Integer Linear Programming For Exact Finite-Horizon Planning In Decentralized Pomdps
INRIA-Lorraine（洛林法国国家信息与自动化研究所）；Loria（洛林计算机科学及其应用实验室）
我们考虑的问题，找到一个n-agent联合政策的最优有限时域控制的分散Pomdp（Dec-Pomdp）。这是一个非常复杂的问题（NEXP困难，n >= 2）。在本文中，我们提出了一个新的数学规划方法的问题。我们的方法是基于两个想法：第一，我们代表每个代理的政策在序列的形式，而不是在树的形式，从而获得一个非常紧凑的表示的联合政策。其次，使用这种紧凑的表示，我们解决这个问题的组合优化的情况下，我们制定了一个混合整数线性规划（MILP）。MILP的最优解直接产生Dec-Pomdp的最优联合策略。计算经验表明，制定和解决MILP需要显着更少的时间来解决基准Dec-Pomdp问题比现有的算法。例如，地平线4的多智能体老虎问题用MILP在72秒内解决，而现有的算法需要几个小时才能解决。
2007-07-17 cs.AI
Asynchronous Decentralized Algorithm for Space-Time Cooperative Pathfinding
Czech Technical University in Prague（捷克布拉格技术大学）；Delft University of Technology（代尔夫特理工大学）
合作寻路是一个多智能体路径规划问题，其中一组车辆搜索相应的一组非冲突的时空轨迹。许多实用的方法集中解决合作寻路问题的优先级规划策略的基础上。然而，在某些领域（例如，无人驾驶飞行器、自主水下航行器或无人驾驶地面航行器的多机器人团队），由于域和/或隐私问题所施加的通信限制，分散式方法可能比集中式方法更可取。在本文中，我们提出了一个异步分散的优先级规划ADPP和它的可中断版本IADPP的变种。该算法利用分布式系统固有的并行性，并允许加快计算过程。与同步规划方法不同，该算法允许代理立即对其他代理的路径更新做出反应，并调用其本地时空路径规划器来找到最佳轨迹，作为对其他代理选择的响应。我们提供了一个证明的算法的正确性和实验评估他们的合成域。
2012-10-25 cs.AI cs.DC cs.RO
Capacity-Aware Planning and Scheduling in Budget-Constrained Multi-Agent MDPs: A Meta-RL Approach
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对预算和容量受限的多智能体MDP，提出基于LSAP分组与元训练PPO的两阶段方法，在工业机器人维修调度中有效提升平均正常运行时间并具备可扩展性。
2025-09-26 cs.AI cs.LG
HTN Plan Repair Algorithms Compared: Strengths and Weaknesses of Different Methods
University of Maryland（马里兰大学）；SIFT, LLC（SIFT有限责任公司）；Naval Research Laboratory（海军研究实验室）
本文比较了三种HTN计划修复算法（SHOPFixer、IPyHOPPER和Rewrite），通过理论分析揭示其问题定义差异，并在基准问题上实证评估其运行时性能和修复覆盖范围。
2025-04-22 cs.AI
Supply Restoration in Power Distribution Systems - A Case Study in Integrating Model-Based Diagnosis and Repair Planning
IRISA；EDF-DER（法国电力公司研发部）
当获得足够的信息来区分几个候选诊断需要执行一些修复操作时，集成诊断和修复特别重要。一个典型的例子是故障配电系统中的供电恢复。这个问题，这是一个主要关注的电力分销商，部分可观测性和随机维修行动，这是更复杂的比简单的更换组件的功能。本文分析了应用现有的工作，整合基于模型的诊断和修复和规划在部分可观察的随机域这个现实世界中的问题的困难，并介绍了务实的方法，我们至今保留。
2013-02-13 cs.AI
Exploiting System Hierarchy to Compute Repair Plans in Probabilistic Model-based Diagnosis
Stanford University（斯坦福大学）；Microsoft Research（微软研究院）
基于模型的诊断的目标是隔离异常系统行为的原因，并推荐廉价的修复措施作为响应。在一般情况下，预先计算最优修复策略是棘手的。到目前为止，解决这个问题的调查人员已经探索了近似，要么对系统模型施加限制（如单一故障假设），要么计算有限的前瞻性的即时最佳行动。在本文中，我们开发了一个公式的修复模型为基础的诊断和修复算法，计算最佳的行动序列。这种最优方法是昂贵的，但可以应用于预先计算的最优修复策略紧凑的系统。我们将展示如何利用分层系统规范，使这种方法易于处理的大型系统。在引入层次结构时，我们还考虑了简单地替换组件和分解组件以修复其子组件之间的权衡。分层修复算法适用于最优修复策略的离线预计算。该算法的修改利用迭代深化方案来权衡推理时间和计算策略的质量。
2013-02-20 cs.AI
Replan, Repair, or Edit? A Unified Empirical Evaluation of Travel Agents for Itinerary Revision under Resource Disruptions
Euler AI（欧拉人工智能公司）；University of New South Wales（新南威尔士大学）；University of Sydney（悉尼大学）；Vecton AI（Vecton人工智能公司）
本研究系统比较了LLM-Z3重新规划、IPyHOPPER分层修复和iTIMO局部编辑三种行程修订方法，发现分层修复在保留已接受行程和计算效率上更优，为资源中断下的行程修订提供了实用指南。
2026-09-18 cs.AI cs.MA
Repair the Core, Not the Symptom: Planning-Graph Repair for Long-Horizon Agents
Emory University（埃默里大学）；The University of Tokyo（东京大学）；LocationMind
针对长流程规划中的图级错误，提出WM-SAR方法，通过子图放大反向定位因果子图进行修复，在有限token预算下优于传统扫描修复方法。
2026-10-21 cs.AI
SPREG: Structured Plan Repair with Entropy-Guided Test-Time Intervention for Large Language Model Reasoning
Meituan（美团）
SPREG通过熵引导的测试时干预，解决大语言模型在长链推理中的逻辑幻觉和随机漂移问题，通过动态修复机制提升推理准确性。
2026-04-20 cs.AI
Grounded Evaluation and Repair for NL-to-PDDL Problem Generation
INESC INOV；INESC ID；Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院）；Motamineral Minerais Industriais S.A.（Motamineral 工业矿产公司）
本文研究NL到PDDL生成流水线，结合LLM生成与多种检查及迭代修复，发现操作成功与基准参考重建存在显著分歧，结构化修复有效但PDDL 2.1参考重建仍具挑战。
2026-09-10 cs.AI
Verify, Repair, Repeat, or Stop? Robust Stopping for Noisy Verify-Repair Loops in LLM Agents
研究大语言模型代理中验证-修复循环有噪声时缺乏停止原则的问题，提出VRR-Stop框架，通过四参数噪声模型和信念过滤估计有效性，依真实边际增益符号决策，配对VRR-Guard，提升了停止可靠性与真实有效性。
2026-07-21 cs.AI cs.SE
Decentralized Multi-Agent Goal Assignment for Path Planning using Large Language Models
Center for Intelligent Machines (CIM) Laboratory（智能机器中心（CIM）实验室）；McGill University（麦吉尔大学）
针对多智能体路径规划的分布式目标分配难题，提出基于LLM的智能体方案，通过独立推理排序加确定性规则消解冲突，实验证明其性能优于传统启发式、接近最优分配，验证了LLM在该场景的应用潜力。
2025-10-27 cs.AI
Planning for Decentralized Control of Multiple Robots Under Uncertainty
CSAIL（计算机科学与人工智能实验室）
我们描述了一个概率框架综合控制策略一般多机器人系统，给定的环境和传感器模型和成本函数。分散式部分可观测马尔可夫决策过程（Dec-POMDPs）是决策过程的一般模型，其中一组代理必须在存在不确定性的情况下合作优化某些目标（由共享奖励或成本函数指定），但其中通信限制意味着代理不能共享其状态，因此执行必须以分散的方式进行。虽然Dec-POMDP通常难以解决现实世界的问题，但最近关于Dec-POMDP中使用宏动作的研究显着增加了可以作为Dec-POMDP实际解决的问题的大小。我们描述了这个一般模型，并展示了如何，与大多数现有的方法，专门针对一个特定的问题类，它可以合成控制策略，使用任何机会协调存在的问题，同时平衡的不确定性的结果，传感器信息，和其他代理人的信息。我们使用三个变化的仓库任务，表明这种类型的一个单一的计划可以产生合作的行为，使用任务分配，直接沟通，和信令，适当的。
2014-02-12 cs.AI cs.MA cs.RO
REPAIR Approach for Social-based City Reconstruction Planning in case of natural disasters
本研究提出通用的REPAIR灾后城市重建规划方法，基于深度强化学习搭建决策支持系统，兼顾资源、多方诉求与城市结构约束以最大化社会效益，可生成备选方案供管理者选择，适配任意规模区域，并在拉奎拉震后重建场景中验证应用。
2025-10-21 cs.AI cs.CY
Solution Repair/Recovery in Uncertain Optimization Environment
IBM France Lab（IBM法国实验室）；Ecole Centrale Paris（巴黎中央理工学院）
运营管理问题（如生产计划和调度）表示和制定的优化模型。这种优化模型的解决方案导致必须在组织中操作的解决方案。然而，获得最优解的条件很少与解决方案在组织中运行的条件完全对应，因此，在大多数实际情况下，计算出的最优解在其运行的条件下不再是最优的。事实上，它可能“远非最佳”，甚至不可行。由于各种原因，我们无法完全重新优化现有的解决方案或计划。因此，有必要寻找“修复解决方案”，即，对于可能的场景或对于模型参数的不确定性具有良好行为的解决方案。为了解决这个问题，计算的解决方案应该是这样的，它是可能的“修复”它通过一个局部的重新优化由用户指导，或通过一个有限的变化，旨在最大限度地减少考虑的影响的情况。
2015-11-18 cs.AI
Online Planning for Decentralized Stochastic Control with Partial History Sharing
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在分散随机控制中，由于需要保持复杂的信息状态，用于顺序决策的标准方法，例如动态规划，很快变得难以处理。如果代理不具备完整的模型知识，计算挑战将进一步加剧。在本文中，我们利用这一事实，在许多问题中，代理共享一些共同的信息，或历史，称为部分历史共享。在这种信息结构下，策略搜索空间大大减小。我们提出了一个可证明收敛，在线树搜索算法，不需要一个封闭的形式模型或明确的代理之间的通信。有趣的是，我们的算法可以被看作是一个推广的几个现有的启发式求解分散部分可观察马尔可夫决策过程。为了证明该模型的适用性，我们提出了一种新的协同入侵响应模型，其中多个代理（防御者）拥有不对称的信息，旨在协同防御计算机网络。数值结果表明，我们的算法的性能。
2019-08-06 cs.AI cs.LG cs.MA
Anytime Planning for Decentralized POMDPs using Expectation Maximization
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
分散POMDPs提供了一个表达框架，多代理顺序决策。虽然有限时域DECPOMDPs已经取得了显著的成功，进展仍然缓慢的无限时域的情况下，主要是由于固有的复杂性，优化随机控制器代表代理政策。我们提出了一个很有前途的新一类算法的无限地平线的情况下，重铸的优化问题的推理混合DBNs。这种方法的一个有吸引力的特点是直接采用现有的推理技术在DBN解决DEC-POMDP和支持更丰富的表示，如因子或连续的状态和动作。我们还推导出期望最大化（EM）算法来优化联合政策表示为DBN。在基准域上的实验表明，EM与最先进的求解器相比毫不逊色。
2012-03-15 cs.AI
Graph Neural Networks for Decentralized Multi-Robot Path Planning
University of Cambridge（剑桥大学）；University of Pennsylvania（宾夕法尼亚大学）
有效的通信是成功的，分散的，多机器人路径规划的关键。然而，目前还不清楚哪些信息对手头的任务至关重要，以及如何以及何时必须在机器人之间共享。为了避开这些问题并超越手工制作的机器人，我们提出了一个组合模型，该模型可以自动合成本地通信和决策策略，用于机器人在受约束的机器人中导航。我们的架构由一个卷积神经网络（CNN）和一个图神经网络（GNN）组成，前者从局部观察中提取足够的特征，后者在机器人之间传递这些特征。我们训练模型来模仿专家算法，并使用所得到的模型在线分散规划只涉及本地通信和本地观测。我们在模拟中评估我们的方法{通过在2D中将机器人团队导航到他们的目的地}混乱的机器人。我们衡量成功率和计划路径的成本总和。结果表明，我们的专家算法的性能接近，证明了我们的方法的有效性。特别是，我们展示了我们的模型推广到以前看不见的情况（涉及更大的环境和更大的机器人团队）的能力。
2020-07-14 cs.AI cs.LG cs.MA
Decentralized Planning Using Probabilistic Hyperproperties
Brno University of Technology（布拉格技术大学）
本文提出利用概率超属性和MDP进行去中心化规划，扩展了规划技术的规范能力，并建立了与特定Dec-MDPs规划的联系。
2025-02-19 cs.AI cs.LO
Decentralized Motion Planning for Multi-Robot Navigation using Deep Reinforcement Learning
SRM Institute of Science and Technology（SRM科学技术学院）
这项工作提出了一个分散的运动规划框架，用于解决使用深度强化学习的多机器人导航任务。开发了一个自定义的仿真器，以实验研究4个合作的非完整机器人的导航问题，共享有限的状态信息，在3个不同的设置。采用了分散的运动规划的概念，共同和共享的策略学习，这使得强大的训练和测试这种方法在随机环境中，因为代理是相互独立的，并表现出异步运动行为。通过为智能体提供稀疏的观察空间并要求它们生成连续的动作命令，以有效而安全地导航到各自的目标位置，同时避免与其他动态对等体和静态障碍物发生碰撞，任务进一步加重。实验结果报告的定量措施和定性评论的培训和部署阶段。
2020-11-20 cs.AI cs.LG cs.MA
SoK: Decentralized Agent Economic Infrastructure
Newcastle University（纽卡斯尔大学）；University of Bristol（布里斯托大学）；CSIRO（联邦科学与工业研究组织）；University College London（伦敦大学学院）；Ohio State University（俄亥俄州立大学）；University of Oxford（牛津大学）；The University of Manchester（曼彻斯特大学）
本文系统化研究了去中心化智能体经济中跨协议组合导致端到端保证失效的问题，提出保证闭合标准，并通过大规模实验揭示验证与结算间的失败模式及修复方向。
2026-10-02 cs.AI cs.CR cs.MA
RADMPC: A Fast Decentralized Approach for Chance-Constrained Multi-Vehicle Path-Planning
Computer Science and Artificial Intelligence Laboratory（计算机科学与人工智能实验室）；Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种基于去中心化路径规划方法RADMPC的快速机会约束多车辆路径规划方法，通过评估车辆交互来确定需要耦合规划的车辆集，并利用IRA在较小的车辆集上快速规划安全路径，从而显著提高计算效率。
2018-11-25 cs.AI cs.MA cs.RO
The Complexity of Decentralized Control of Markov Decision Processes
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
从决策论的角度考虑了具有部分状态信息的分布式智能体的规划问题.我们描述了广义的MDP和POMDP模型，允许分散控制。即使是少量的代理人，我们的两个模型对应的有限时域问题是完整的非确定性指数时间。这些复杂性的结果说明了马尔可夫过程的集中控制和分散控制之间的根本区别。与MDP和POMDP问题相比，我们考虑的问题可证明不允许多项式时间算法，并且在最坏的情况下很可能需要双指数时间来解决。因此，我们提供了相应的数学证据的直觉，分散的规划问题不能很容易地减少到集中的问题，并解决了使用既定的技术。
2013-01-16 cs.AI
Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning
University of Virginia（弗吉尼亚大学）；University of California, Irvine（加州大学伊文斯顿分校）
提出一种基于约束感知扩散模型的去中心化框架SID，通过仿真邻居未来轨迹并利用安全约束规划自身轨迹，在密集场景下实现高效协调。
2026-05-26 cs.AI cs.LG cs.RO
MAA*: A Heuristic Search Algorithm for Solving Decentralized POMDPs
INRIA Lorraine, LORIA（洛林信息科学研究所）；University of Massachusetts（马萨诸塞大学）
本文提出了多智能体A*（MAA*）算法，它是求解有限时域分散部分可观测马尔可夫决策问题（DEC-POMDP）的第一个完整的最优启发式搜索算法.该算法适用于计算在随机环境中，如多机器人协调，网络交通控制，或分布式资源分配的代理的合作组的最优计划。有效地解决这些问题是不确定性规划领域的一个重大挑战。我们的解决方案是基于经典的启发式搜索和分散控制理论的合成。实验结果表明，MAA* 具有明显的优势。我们介绍了一个随时变MAA*，并结束了讨论有前途的扩展，如解决无限地平线问题的方法。
2012-07-04 cs.AI
Akule: Fast and Scalable Multi-Robot Motion Planning via Sparse Interaction Diffusion
Akule是一种稀疏交互扩散框架，通过三个学习模块实现快速可扩展多机器人运动规划，在基准测试中获高成功率、25倍加速，支持256个机器人规划。
2026-10-14 cs.AI cs.MA cs.RO
Plover: Steering GUI Agents through Plan-Centric Interaction
University of California, Davis（加利福尼亚大学戴维斯分校）；Bosch Research North America（博世北美研究院）
研究针对现实中GUI自动化难题，提出以计划为中心的Plover系统，通过规划器-执行器架构，支持多方式监督与修正，经形成性研究和评估表明，该系统能让GUI自动化更透明、可控与可适应，利于修复故障。
2026-07-17 cs.AI
DecoSearch: Complexity-Aware Routing and Plan-Level Repair for Text-to-SQL
Florida International University（佛罗里达国际大学）；NEC-Labs（NEC实验室）；Singapore Management University（新加坡管理大学）
提出DecoSearch框架，通过复杂度感知路由将查询分配给直接生成或DAG分解，并结合拓扑精炼器修复执行失败，在BIRD和Spider上取得高准确率且显著降低token消耗。
2026-06-17 cs.AI
Plan-and-Patch: Diffusion Language Models for Agentic Planning
University of Texas at Austin（得克萨斯大学奥斯汀分校）；Amazon（亚马逊公司）
该研究提出Plan-and-Patch框架，采用扩散语言模型生成并修补智能体规划，在无特定任务训练的Natural Plan上，其规划修补成功率是自回归规划器的近两倍，且规划生成延迟降低39%-46%。
2026-10-09 cs.AI cs.CL cs.LG
RepairAgent: An Autonomous, LLM-Based Agent for Program Repair
University of Stuttgart（斯图加特大学）；UC Davis（加利福尼亚大学戴维斯分校）
本文提出RepairAgent，利用可动态调用工具、由有限状态机引导的LLM自主智能体完成缺陷信息收集、修复成分获取与修复验证，在Defects4J上自主修复164个缺陷。
2024-10-28 cs.AI cs.SE
Decentralized Semantic Traffic Control in AVs Using RL and DQN for Dynamic Roadblocks
University of Guelph（圭尔夫大学）；Western University（西安大略大学）
针对自动驾驶汽车处理传感数据易不堪重负且服务器传输缺乏实时性的问题，提出一种基于深度学习的去中心化语义交通控制系统，利用强化学习智能体和DQN算法处理动态路障场景下的变道决策。
2024-06-26 cs.AI cs.LG cs.NI
Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous
Google Research（谷歌研究院）；Stanford University（斯坦福大学）
协作需要代理在运行中调整他们的目标。人类与其他代理人协调目标的能力的基础是他们预测他人意图并积极更新自己计划的能力。我们提出了分层预测规划（HPP），一个基于基于模型的强化学习方法分散多智能体会合。从预先训练的单智能体点对点导航策略开始，并使用激光雷达等嘈杂的高维传感器输入，我们首先通过团队中所有智能体的自我监督运动预测来学习。接下来，HPP使用的预测模型，提出和评估导航子目标，完成会合任务，没有明确的代理之间的通信。我们在一系列看不见的环境中评估HPP，这些环境的复杂性和障碍物的数量都在增加。我们表明，HPP在具有挑战性的、不可见的环境中优于替代的强化学习、路径规划和基于启发式的基线。在现实世界中的实验表明，成功地转移的预测模型从SIM到现实世界中没有任何额外的微调。总而言之，HPP通过结合基于模型的RL和推理方法，使代理能够动态地调整计划，从而消除了多智能体系统中对集中式操作员的需求。
2020-11-09 cs.AI cs.LG cs.MA
Decentralized Optimization of Vehicle Route Planning -- A Cross-City Comparative Study
Vanderbilt University（范德堡大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Leeds（利兹大学）；University of Minnesota（明尼苏达大学）
新的移动概念处于智慧城市研究和创新的前沿。互联和自动驾驶汽车的引入为车辆路线提供了新的可能性。具体地，知道网络中每个代理的起点和目的地可以允许车辆的实时路由以优化网络性能。然而，这依赖于个体车辆是“利他的”，即，愿意接受替代的非优选路由以实现网络级性能目标。在这项工作中，我们进行了一项研究，比较不同层次的代理利他主义和网络级的流量性能的影响。具体而言，本研究比较了不同的底层城市结构对整体网络性能的影响，并研究了网络的哪些特性使得使用分散式优化路由器实现路由改进成为可能。主要的发现是，随着车辆利他主义的增加，有可能平衡交通流量之间的链接的网络。我们证明了分散优化路由器在高负载网络中更有效，同时我们研究了城市特征的影响，特别是：每单位面积具有更多节点（交叉口）或边缘（道路）的网络允许更多可能的替代路线，从而提高网络性能的潜力。
2020-01-10 cs.AI cs.DC cs.MA
Decentralized Multi-Party Multi-Network AI for Global Deployment of 6G Wireless Systems
Trinity College Dublin（都柏林三一学院）；University of Antwerp（安特卫普大学）；Virginia Tech（弗吉尼亚理工大学）；University of Patras（帕特雷大学）；Dienekes（迪内克斯公司）；Aalborg University（奥尔堡大学）；Tyndall National Institute（廷德尔国家研究所）；University College Cork（科克大学学院）；Nokia Bell Labs（诺基亚贝尔实验室）；Columbia University（哥伦比亚大学）；Duke University（杜克大学）；Rutgers University（罗格斯大学）；IBM Research Europe（IBM欧洲研究院）
针对6G大规模部署中无线与光网络AI研究割裂、跨平台协调缺乏标准框架的问题，提出DMMAI框架以整合多方多网络AI控制，支撑自治网络并推动全球标准与基准建设。
2024-04-15 cs.AI cs.NI
Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning
University of Pennsylvania（宾夕法尼亚大学）；Stanford University（斯坦福大学）
本文针对去中心化无标签运动规划问题，提出基于图神经网络学习的策略，结合模仿学习与强化学习，在100个机器人上训练后可泛化至500个机器人，平均性能超越现有方法8.6%。
2024-09-29 cs.AI cs.RO cs.SY
