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
Large-scale, Dynamic and Distributed Coalition Formation with Spatial and Temporal Constraints
University of Southampton(南安普顿大学)
具有时空约束的联盟形成问题(CFSTP)是一个多智能体任务分配问题,在这个问题中,很少的几个智能体需要完成许多任务,每个任务都有其截止期和工作量。为了最大化完成任务的数量,代理人需要通过形成,解散和重组联盟进行合作。CFSTP的原始数学规划公式很难实现,因为它很长,并且基于有问题的Big-M方法。在本文中,我们提出了一个紧凑和易于实现的配方。此外,我们设计了D-CTS,一个分布式版本的最先进的CFSTP算法。使用公共伦敦消防队的记录,我们创建了一个数据集与$347588$任务和测试框架,模拟消防队员在动态环境中的动员。在最多$150$代理和$3000$任务的问题中,与最先进的分布式算法DSA-SDP相比,D-CTS完成了$3.79\% \pm [42.22\%, 1.96\%]$更多的任务,并且在通信开销和时间复杂度方面效率高一个数量级。D-CTS是第一个大规模、动态、分布式CFSTP基准测试。
2021-06-01 cs.AI cs.MA
Budget-Constrained Coalition Strategies with Discounting
Vassar College(瓦萨学院);King’s College(国王学院)
贴现未来成本和回报是会计、博弈论和机器学习中的常见做法。尽管如此,现有的逻辑推理的战略与成本和资源的限制不考虑贴现。本文提出了一个健全的和完整的逻辑系统推理的约束下的战略能力,将折扣纳入其语义。
2021-05-10 cs.AI cs.GT cs.LO
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
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
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
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
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
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
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
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
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
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
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
Coalition Formation: Concessions, Task Relationships and Complexity Reduction
联盟形成问题的解决方案通常假设代理人的理性和相应的效用最大化。这反过来又可以防止代理商做出妥协。最近的研究表明,妥协可能有助于联盟形成,并增加代理人的效用。在这项研究中,我们利用了这些新的结果。我们设计了一种新的联盟形成机制,以增强妥协。我们的机制可以利用任务依赖关系的信息,以减少形成的复杂性。此外,它可以很好地处理基数任务值和序数任务值。通过实验,我们表明,使用建议的妥协为基础的联盟形成机制提供了显着节省的计算和通信复杂性的联盟形成。我们的研究结果还表明,当使用任务依赖性的信息,联盟形成的复杂性进一步降低。我们展示了成功使用的机制,协同信息过滤,代理结合语言规则来分析文档的内容。
2005-02-27 cs.MA
A Coalition Formation Approach to Coordinated Task Allocation in Heterogeneous UAV Networks
研究了在资源受限的无人机异构网络环境下,敌方目标检测和后续任务完成问题。无人机事先不知道识别这些目标所需的位置和资源。在所提出的领导者-跟随者联盟形成模型中,首先定位目标的无人机作为联盟领导者,并选择一组跟随者无人机来完成与所识别的目标相关联的任务。联盟形成的目标是以最小的资源利用完成指定的任务。联盟成员的另一个作用是通过分布式协作中继方案将其信号转发到地面站,使地面站了解检测到的敌方目标。我们还提出了一个基于声誉的联盟形成机制,以监测随着时间的推移,合作的无人机的行为,并排除潜在的不可信的无人机。仿真结果表明,所提出的方法在形成最佳联盟的效率相比,替代方法。
2017-11-01 cs.MA
Leader-follower based Coalition Formation in Large-scale UAV Networks, A Quantum Evolutionary Approach
研究了未知环境下多个资源受限且具有自利性的无人机(UAV)的分散式多兴趣点(PoIs)检测及相关任务完成问题。无人机形成多个联盟,以有效地完成复合任务,这是不可能单独执行。这种联盟形成的目标是首先最小化在按时完成遇到的任务中的资源消耗,其次提高联盟的可靠性,最后将最值得信赖的UAV隔离在它们的自我利益之中。由于许多以前的出版物只专注于最小化成本,本研究认为,考虑上述三个目标的多目标优化联盟形成的问题。针对大规模无人机网络中联盟形成的计算复杂性问题,提出了一种融合上述三个目标的主从启发式联盟形成算法。该算法试图形成联盟,最小限度地超过所需的资源,同时最大限度地完成任务的数量。该算法是基于量子进化算法(QEA),这是量子计算和进化算法的结合。仿真结果表明,该算法的性能明显优于现有的联盟形成算法,如合并-分裂算法和著名的多目标遗传算法NSGA-Ⅱ。
2018-02-18 cs.GT cs.MA
Learning Policies for Dynamic Coalition Formation in Multi-Robot Task Allocation
Electrical and Computer Engineering, King Abdullah University of Science and Technology (KAUST)(卡奥斯特大学科学与技术学院电气与计算机工程系);Department of Electrical Engineering, Federal University of Sergipe (UFS)(塞尔希培联邦大学电气工程系)
本文提出一种去中心化学习框架,通过扩展MAPPO并融合空间动作地图、运动规划、意图共享与任务分配修订,实现多机器人动态联盟形成,仿真验证其可扩展性与适应性。
2025-07-16 cs.MA cs.RO
United for Change: Deliberative Coalition Formation to Change the Status Quo
该研究针对社群从备选方案中选出强支持提案以改变现状的问题,提出智能体动态组建联盟的协商流程,明确了保证协商成功选出最大支持提案的条件,为民主协商在线系统等的协商流程分析提供理论基础。
2024-03-07 cs.MA
Stability Under Valuation Updates in Coalition Formation
Technical University of Munich(慕尼黑工业大学)
本文研究了在代理人估值变化下联盟形成中的稳定性问题,证明了多种稳定性概念下的NP完全性,并提出了在受限对称估值下的多项式时间算法以保证长期更新中的稳定性。
2026-02-24 cs.GT cs.MA
Resource-Aware Adaptation of Heterogeneous Strategies for Coalition Formation
现有的联盟形成的方法通常假设与任务相关联的需求由人类操作员精确地指定。然而,先前的研究表明,人类虽然非常擅长解决复杂问题,但很难明确地说出他们的解决方案。此外,现有方法通常忽略专家可以利用不同但同样有效的解决方案(即,不同的策略)来解决同一个问题。在这项工作中,我们提出了一个由两部分组成的框架来应对这些挑战。首先,我们解决了直接从联盟形成的专家演示中推断隐含策略的挑战。为此,我们的模型和推断等异构的策略,基于能力的要求与每个任务。接下来,我们提出了一种能够自适应地选择最适合目标团队的推断策略之一的方法,而不需要额外的训练。具体来说,我们制定和解决一个约束优化问题,同时选择最合适的战略,目标团队的能力,并分配其组成部分到适当的联盟。我们评估我们的方法对几个基线,包括一些类似于现有的方法,使用详细的数值模拟,星际争霸II的战斗,和多机器人紧急响应的情况。我们的研究结果表明,我们的框架始终优于所有基线的需求满意度,资源利用率和任务成功率。
2022-01-25 cs.MA
Approximately Socially-Optimal Decentralized Coalition Formation with Application to P2P Energy Sharing
P2P(peer-to-peer)经济模式已经在不同领域出现。“P2P能源共享”是能源领域P2P经济的一种新形式,它允许用户建立其本地能源资源的长期共享安排(例如,屋顶PV、家用电池),并结合优化的能源管理。在这样的P2P设置中,形成用户联盟,用于由自私的用户基于他们的个人偏好以分散的方式共享资源。分散式联盟形成的一个可能结果是一个稳定的联盟结构,其中没有一组用户可以合作地选择退出以形成另一个联盟,该联盟对所有成员都有更高的偏好。值得注意的是,存在着一些公平的费用分摊机制(例如,平等分割,比例分割,平均主义和纳什讨价还价的谈判解决方案),模型实际的成本分担的应用程序与理想的属性,如存在一个稳定的联盟结构与一个小的强价格的无政府状态(SPoA),以接近社会最优。本文给出了分散式联盟形成的一般性结果:(1)建立了一个关于SPoA的对数下界,从而证明了几种已知的公平成本分担机制是具有最小SPoA的最佳实用机制。(2)我们发现,平均主义和纳什讨价还价的成本分担机制的SPoA匹配的下限。(3)我们得出了不同的成本分摊机制的混合的战略行动纲领。(4)我们提出了一个分散的算法,形成一个稳定的联盟结构。(5)最后,我们将我们的一般结果应用到P2P能源共享,并提出了一个实证研究的分散联盟形成在现实世界的项目。我们研究的经验SPOA,这是观察到的95%的社会最优成本与联盟的2和3个用户,通过公平的成本…
2022-10-05 cs.GT cs.MA
Complexity of Deliberative Coalition Formation
Elkind et al.(AAAI,2021)介绍了一种协商联盟形成的模型,其中一个社区希望从替代方案中确定一个强烈支持的提案,以改变现状。在他们的模型中,代理人和提案是度量空间中的点,代理人的偏好由距离决定,代理人通过围绕他们更喜欢的提案动态地形成联盟来进行审议。审议过程通过k-妥协过渡进行,来自k(当前)联盟的代理人聚集在一起形成一个更大的联盟,以支持一个(可能是新的)提案,可能会留下一些来自旧联盟的反对代理人。如果一项提案获得了尽可能多的支持,那么审议就成功了。对于d维的讨论,Elkind等人考虑了他们模型的两个变体:在欧几里得模型中,建议和代理位置是R^d中的点,距离根据下式测量:||...||_在超立方体模型中,建议和代理位置是d维超立方体的顶点,度量是汉明距离。他们表明,在连续模型中,2-妥协是保证成功的,但在离散模型中,要想成功,可能需要使用k >= d的k-妥协。我们通过以下方式补充他们的分析:(1)证明在这两个模型中很难找到一个支持度很高的提议,甚至2-折衷转换也可能很难计算;(2)证明2-折衷转换序列可能是指数长的;(3)加强d-超立方体模型从d到2^{Ω(d)}的折衷大小的下限。
2022-02-25 cs.MA
Coalition Formation and Combinatorial Auctions; Applications to Self-organization and Self-management in Utility Computing
在本文中,我们提出了一个两阶段的资源管理协议,在分层组织的云。第一阶段利用空间局部性的供应代理联盟的形成;第二阶段,组合拍卖,是基于修改后的基于代理的时钟算法,并有两个阶段,时钟阶段和代理阶段。时钟阶段支持价格发现;在第二阶段,代理为每个客户端请求的服务包进行多轮组合拍卖。该协议在云客户端的低成本服务和服务提供商的可观利润之间取得了平衡。我们还报告的组合拍卖阶段的协议的实证调查的结果。
2015-03-22 cs.GT cs.MA
Correlation Clustering Based Coalition Formation For Multi-Robot Task Allocation
University of North Florida(北佛罗里达大学);East Central University(东中央大学)
本文研究了多机器人任务分配问题,其中一组机器人需要被分配到一组任务,以便任务可以最优地完成。一个任务可能需要多个机器人来完成,因此机器人需要组成联盟来完成这些任务。多机器人联盟形成任务分配问题是一个著名的NP难题。为了解决这个问题,我们使用了一个线性规划为基础的图形分区方法,以及区域增长策略,分配(近)最佳的机器人联盟的任务在一个可以忽略不计的时间。我们提出的算法是快速的(只需要230秒。对于100个机器人和10个任务),它还找到了一个接近最优的解决方案(最优的97.66%)。我们已经经验证明,本文提出的方法总是找到一个解决方案,这是更接近(高达9.1倍)的最优解比理论上的最坏情况下的约束证明在早期的工作。
2018-05-20 cs.MA cs.RO
A Coalition Formation Algorithm for Multi-Robot Task Allocation in Large-Scale Natural Disasters
Concordia University(康考迪亚大学);South Carolina State University(南卡罗来纳州立大学);CISCO Systems(思科系统公司)
在大规模自然灾害中,人类在试图到达高风险地点或进行搜索和救援行动时很可能失败。然而,由于机器人具有多种多样的传感和驱动能力,它们在危险中幸存下来并处理搜索和救援任务方面优于同行。为了提高成本效率,这些异构机器人的最优联盟的动态形成是非常具有挑战性的,该领域的研究越来越受到关注。在本文中,我们提出了一种新的启发式。由于大规模灾难环境中的机器人数量非常大,我们依赖于量子多目标粒子群优化(QMOPSO)。该问题被建模为一个多目标优化问题。通过不同的测试用例和度量进行了仿真,并与其他算法如NSGA-II和SPEA-II进行了比较。实验结果表明,该算法优于现有的算法,不仅在收敛性,而且在多样性和处理时间。
2017-04-19 cs.MA cs.RO
AI-Generated Compromises for Coalition Formation: Modeling, Simulation, and a Textual Case Study
Ben-Gurion University of the Negev(贝内杰尔大学);Weizmann Institute of Science(魏茨曼科学研究院)
本文提出了一种基于AI的联盟形成模型,利用自然语言处理和大语言模型生成文本妥协点,用于协作编辑民主文档。
2025-11-27 cs.CL cs.GT cs.MA
From Necklaces to Coalitions: Fair and Self-Interested Distribution of Coalition Value Calculations
University of Liverpool(利物浦大学);Quant
本文提出N-DCA算法,通过增量数组框架实现无需通信的公平联盟价值分配,满足均衡、无冗余、负载平衡和自利性等五项属性。
2026-04-18 cs.GT cs.MA
Dynamic Coalition Structure Detection in Natural Language-based Interactions
University of Texas at Austin(德克萨斯大学奥斯汀分校);Carnegie Mellon University(卡内基梅隆大学)
针对自然语言交互中的动态联盟检测难题,提出结合大语言模型与博弈论的两阶段方法,在外交游戏中有效识别潜在联盟结构。
2025-02-22 cs.CL cs.GT cs.MA
Quantum Annealing-Based Algorithm for Efficient Coalition Formation Among LEO Satellites
本文将低轨卫星聚类表述为联盟结构生成问题,提出混合量子-经典算法GCS-Q,利用QUBO迭代分割图以求解最优划分,实验表明量子退火在保持解质量的同时显著缩短了运行时间。
2024-08-12 cs.CC cs.DM cs.MA
Complexity of Determining Nonemptiness of the Core
联盟形成是自利Agent之间自动协商以及其他多Agent应用中的一个关键问题。代理人的联盟有时可以完成单个代理人无法完成的事情,或者可以更有效地完成事情。然而,激励代理人遵守一个解决方案需要仔细分析:只有一些解决方案是稳定的,在这个意义上,没有一组代理人有动机脱离并形成新的联盟。这种约束在合作博弈论中得到了广泛的研究。然而,围绕这一约束的计算问题受到的关注较少。当涉及到软件代理(代表真实世界的各方)之间的联盟形成时,这些问题变得越来越明显。在本文中,我们定义了一个简洁的一般表示游戏的特征形式,依赖于超可加性,并表明,它允许有效的检查是否一个给定的结果是在核心。然后,我们表明,确定核心是否是非空的是$\mathcal{NP}$ -完全的,没有可转移的效用。我们证明,在这两种情况下,是什么使问题很难确定合作的可能性(一组可能的结果,大联盟),通过显示,如果这些都是给定的,问题变得易于处理在这两种情况下。然而,我们然后证明,对于混合版本的问题,效用转移是可能的,只有在大联盟内,问题仍然是$\mathcal{NP}$ -完整的,即使当协作的可能性。
2003-07-07 cs.CC cs.GT cs.MA
Concurrent Constrained Optimization of Unknown Rewards for Multi-Robot Task Allocation
Georgia Institute of Technology(佐治亚理工学院);University of Pennsylvania(宾夕法尼亚大学)
针对任务奖励函数未知的多机器人任务分配问题,提出COCOA问题及基于连续臂老虎机的CMTAB算法,实现资源约束下未知任务奖励的并发高效优化。
2023-05-24 cs.MA cs.RO
Stability and Performance of Coalitions of Prosumers Through Diversification in the Smart Grid
CNRS UMR 5157 SAMOVAR, Telecom SudParis/Institut Mines Telecom(法国国家科学研究中心 SAMOVAR联合研究实验室,巴黎电信学院/矿业电信学院)
本文提出一种基于图的算法,通过多样化策略形成产消者联盟,提高电网稳定性与性能,降低随机故障影响。
2017-05-13 cs.MA cs.SI cs.SY