Efficient Dispersion of Mobile Robots on Graphs
图上的分散问题要求$k$机器人任意放置在匿名图的$n$节点处,其中$k \leq n$彼此协调以达到最终配置,其中每个机器人在图的不同节点处。分散的问题是重要的,由于它的关系,图形探索移动机器人,分散在一个图形上,和负载均衡。此外,分散的一个内在应用已被证明是将自动驾驶电动汽车(机器人)重新安置到充电站(节点)。我们提出了三个有效的算法来解决分散图。我们的算法需要$O(k \log Δ)$位在每个机器人,和$O(m)$步骤运行时间,其中$m$是边的数量和$Δ$是度的图。这些算法的不同之处在于它们处理的是同步还是异步系统模型,以及维护什么、在哪里以及如何维护数据结构。
2018-05-30 cs.DC
Optimizing Robot Dispersion on Grids: with and without Fault Tolerance
本文研究无向网格上移动机器人的分散问题,提出三种确定性算法,在有无故障机器人情况下分别实现时间与内存最优或近最优的分散,并给出相应的复杂度上界。
2024-05-03 cs.DC
Fault-Tolerant Dispersion of Mobile Robots
我们认为存在故障机器人(碰撞故障)的移动机器人分散问题。移动机器人分散由$k\leq n$机器人在一个$n$节点匿名图。目标是确保无论机器人在节点上的初始位置如何,最终配置都包括每个节点上最多有一个机器人。在碰撞故障设置中,多达$f \leq k$机器人可能会因任意碰撞而失败,随后丢失存储在机器人中的所有信息,使它们无法通信。在本文中,我们解决了分散在碰撞故障设置考虑两种不同的初始配置:i)根配置,和ii)任意配置。在根节点的情况下,所有机器人在开始时都被放置在一个节点上。任意配置是通用配置(也称为文献中的任意配置),其中机器人被放置在图上任意的一些$l<k$集群中。对于第一种情况,我们开发了一种算法,解决分散在$O(k^2)$轮中存在故障的机器人,这改善了以前的$O(f\cdot\text{min}(m,kΔ))$轮结果由\cite{PS021}。对于任意的配置,我们提出了一个算法解决分散在$O((f+l)\cdot\text{min}(m, k Δ, k^2))$轮,当边数$m$和最大程度的图$Δ$是已知的机器人。
2022-11-22 cs.DC
Complete Visibility Algorithm for Autonomous Mobile Luminous Robots under an Asynchronous Scheduler on Grid Plane
Nagoya Institute of Technology(名古屋工业大学);Hosei University(法政大学)
针对无限网格平面上不透明发光机器人的完全可见性问题,提出一种仅用两种颜色、支持异步运行且无需知晓机器人总数的分布式算法,明确了机器人能力与问题可解性的关联。
2023-06-14 cs.DC cs.RO
Optimal Fault-Tolerant Dispersion on Oriented Grids
针对有向网格上的机器人分散问题,提出在时间和单机内存上均最优的崩溃容错算法,并扩展处理弱拜占庭机器人。
2024-10-25 cs.DC
Parking Problem by Oblivious Mobile Robots in Infinite Grids
本文研究无限网格中 oblivious 移动机器人的停车问题,识别了不可解初始配置,并为其余配置提出确定性分布式算法,确保机器人按停车节点容量分组完成停车。
2023-10-15 cs.DC
Memory Optimal Dispersion by Anonymous Mobile Robots
考虑一组$k \leq n$自主移动机器人最初放置在具有$n$节点的任意图$G$的节点处。分散问题要求一种分布式算法,该算法允许机器人达到每个机器人位于图的不同节点的配置。如果机器人是匿名的,即,它们没有任何唯一标识符,则该问题不能通过任何确定性算法来解决。然而,即使是匿名机器人也可以解决这个问题,如果每个机器人都可以获得一个公平的硬币,他们可以用它来生成随机比特。在该设置中,已知机器人需要存储器的$Ω(\logΔ)$位来实现分散,其中$Δ$是$G$的最大程度。另一方面,最著名的内存上限是$min \{Δ, max\{\logΔ, \log{D}\}\}$($D$ = $G$的直径),它可以是$ω(\logΔ)$,这取决于$Δ$和$D$的值。在本文中,我们提出了一个最佳的算法,需要$O(\logΔ)$位的内存来缩小这一差距。
2020-12-04 cs.DC
Collaborative Dispersion by Silent Robots
在分散问题中,一组$k$协同定位的移动机器人必须重新定位在一个未知的网络中的不同节点。网络被建模为匿名图$G=(V,E)$,其中图的节点未被标记。关联到具有度$d$的节点$v$的边用在$v$处的范围$0,1, \cdots, d-1$中的端口号来标记。机器人具有在范围$[0,L]$中的唯一ID,其中$L \ge k$,并且最初被放置在源节点$s$处。每个机器人只知道自己的id,但不知道其他机器人的id或$L,k$的值。分散的任务传统上是通过两种类型的通信能力的假设来实现的:(a)当一些机器人在同一个节点上时,它们可以通过在它们之间交换消息来进行通信(b)网络中的任何两个机器人都可以在它们之间交换消息。在本文中,我们问这种能力的协同定位的机器人之间的通信是必要的,以实现分散。我们表明,即使通信的能力是不可用的,一组移动机器人的分散的任务可以实现在一个弱得多的模型,其中一个机器人在节点$v$有以下非常有限的信息,在任何一轮的开始访问:(1)我独自在$v$?(2)与上一轮相比,$v$的机器人数量增加还是减少?我们提出了一个确定性的算法,实现分散在任何给定的图$G=(V,E)$在时间$O\left( k\log L+k^2 \log Δ\right)$,其中$Δ$是在$G$节点的最大程度。每个机器人使用$O(\log L+ \log Δ)$附加内存。我们还证明了分散的任务不能实现由一组移动…
2022-02-11 cs.DC cs.DS
Mobile Computing in Physics Analysis - An Indicator for eScience
本文介绍了一个支持网格的物理分析环境的手持和其他资源有限的计算设备的使用移动设备在eScience的一个例子的设计和实现。手持设备提供了巨大的潜力,因为它们通过无线链路提供了无处不在的数据访问和全天候连接。我们的解决方案旨在为手持设备用户提供在计算和数据网格上启动繁重计算任务的能力,在执行过程中监控作业状态,并在作业完成后检索结果。用户将他们的作业以可执行文件(和相关的库)的形式携带在他们的手持设备上。用户可以透明地查看其作业的状态并返回其输出,而不必知道它们在哪里执行。通过这种方式,我们的系统能够作为一个高吞吐量的计算环境,从强大的台式机到小型手持设备的设备可以采用网格的力量。本文所示的结果很容易适用于更广泛的eScience社区。
2007-07-05 cs.DC
Distributed Analysis and Load Balancing System for Grid Enabled Analysis on Hand-held devices using Multi-Agents Systems
手持设备在快速增长的同时,固有地受到限制并且缺乏执行资源饥渴应用的能力。本文提出了一种基于多代理系统的分布式手持设备分析与负载均衡系统的设计与实现。该系统使低资源的移动手持设备作为网格启用的应用程序和分析环境的潜在客户端。我们提出了一个系统,在该系统中,移动代理将运输,调度,执行和返回结果的手持设备提交的繁重的计算工作。此外,以这种方式,我们的系统提供了高吞吐量的计算环境的手持设备。
2004-07-05 cs.DC
Beyond the Boundary: Optimal Grid Dispersion by Spread, Reverse, and Collect
Indian Institute of Technology Dhanbad(印度技术学院丹巴德);Indian Statistical Institute Kolkata(印度统计学院加尔各答);Indian Institute of Technology Indore(印度技术学院印多尔);Indian Institute of Technology Delhi(印度技术学院德里)
该研究针对定向正方形网格上的智能体分散问题,提出SRC算法,在O(√k)轮内实现最优分散,匹配时间与内存下界,无需网格大小信息。
2026-10-14 cs.DC
Dispersion of Mobile Robots in the Global Communication Model
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Indian Statistical Institute(印度统计研究所);Kent State University(肯特州立大学)
图上的分散问题要求最初任意放置在$n$ -节点匿名图的节点上的$k\leq n$机器人自主地重新定位以达到每个机器人在图的不同节点上的配置。这个问题是显着的兴趣,由于它的关系,其他基本的机器人协调问题,如探索,分散,负载平衡等。在本文中,我们考虑分散在{ \em全球通信}模型中的机器人可以与任何其他机器人在图(但图形是未知的机器人)。我们提供了三种新的确定性算法,两个任意图形和任意树,在一个同步设置,所有机器人在每个时间步执行他们的行动。对于任意图形,我们的第一个算法是基于DFS遍历,并保证$O(\min(m,kΔ))$步骤运行时使用$Θ(\log (\max(k,Δ)))$位在每个机器人,其中$m$是边缘的数量和$Δ$是图的最大程度。第二种算法是基于BFS遍历,并保证$O( \max(D,k) Δ(D+Δ))$步骤运行时使用$O(\max(D,Δ\log k))$位在每个机器人,其中$D$是图的直径。用于任意树的算法也基于BFS遍历,并在每个机器人处使用$O(\max(D,Δ\log k))$位来保证$O(D\max(D,k))$步骤运行时。我们的研究结果是显着的改进相比,现有的结果建立在{ \em本地通信}模型,其中一个机器人只能与其他机器人在同一个节点上进行通信。特别是,基于DFS的算法是最佳的内存和时间在常数度任意图。当$k\leq O(D)$ .
2019-09-04 cs.DC cs.DS cs.RO
Optimal Dispersion of Silent Robots in a Ring
本文研究环网络中静默机器人的分散问题,针对多源出发场景提出一种确定性分布式算法,在O(log L+k)轮内完成分散且每机器人仅需O(log L)比特内存,并证明该时间下界为Ω(log L+k),从而确立算法最优性。
2024-08-10 cs.DC
Arbitrary pattern formation by opaque fat robots on infinite grid
任意模式形成($\mathcal{APF}$)的一个群体的移动机器人是一个广泛研究的问题,在文献中。许多关于$\mathcal{APF}$的工作已经提出了平面和无限网格上的点机器人。但在实际应用中,不可能设计点机器人。在\cite{BoseAKS20}中,机器人被假定为不透明的胖机器人,但环境是平面的。据我们所知,没有工作,直到现在曾经考虑过的$\mathcal{APF}$问题,假设不透明的脂肪机器人在无限网格的运动受到限制。本文提出了一种无碰撞的分布式算法,并用9种颜色求解了$\mathcal{APF}$。
2022-06-03 cs.DC
Arbitrary pattern formation by asynchronous opaque robots on infinite grid
移动机器人的任意图案形成($\mathcal{APF}$)在不同的条件和环境下,在许多文献中进行了研究。最近,它已经在无限网格网络上进行了研究,但具有完全可见性。在不透明机器人模型中,还研究了无限网格上的圆形成问题。在本文中,我们解决了$\mathcal{APF}$上的无限网格与异步不透明的机器人灯。机器人不共享任何全局坐标系统。这个问题的主要挑战是选出一个领导者,在机器人的视野被其他机器人遮挡的情况下,就全局坐标达成一致。由于机器人在网格上,它们的运动也受到限制,以避免碰撞。在本文中,克服了上述困难,产生一个算法,解决了这个问题。
2022-05-06 cs.DC
Balanced Dispersion on Time-Varying Dynamic Graphs
本文提出动态图上的 k-balanced dispersion 问题,通过同时约束各节点智能体数的上下界,将移动智能体分散与可移动负载均衡统一起来。
2025-09-02 cs.DC
Dispersion, Capacitated Nodes, and the Power of a Trusted Shepherd
针对节点容量可变的图,本文引入一个可信且更强的单一牧羊者机器人,研究并提升普通色散与强拜占庭环境下的快速拜占庭色散。
2023-11-02 cs.DC
Location-Aware Dispersion on Anonymous Graphs
Dhirubhai Ambani University(迪鲁巴希·阿姆巴尼大学);Kent State University(肯特州立大学)
本文提出具有位置意识的匿名图分散问题,开发确定性算法并分析其可行性,揭示了与传统分散问题相比的挑战。
2026-02-05 cs.DC cs.DS cs.MA
Online Learning for Offloading and Autoscaling in Renewable-Powered Mobile Edge Computing
移动边缘计算(也称为雾计算)最近已经出现,以使得能够在移动网络的边缘处对延迟敏感的应用进行\emph{in-situ}处理。然而,提供支持移动边缘计算的电网供电成本高昂,甚至不可行(在某些崎岖或欠发达地区),因此在越来越多的情况下,要求现场可再生能源作为主要甚至唯一的电源。尽管如此,可再生能源的高不稳定性和不可预测性使得在可再生能源驱动的移动边缘计算系统中向用户提供高服务质量非常具有挑战性。在本文中,我们解决了将可再生能源纳入移动边缘计算的挑战,并提出了一种有效的基于强化学习的资源管理算法,该算法实时学习动态工作负载卸载(到集中式云)和边缘服务器配置的最佳策略,以最大限度地降低长期系统成本(包括服务延迟和运营成本)。我们的在线学习算法使用(离线)值迭代和(在线)强化学习的分解,从而实现了学习率和运行时性能的显着改善相比,标准的强化学习算法,如Q学习。
2016-09-16 cs.DC
Near-linear Time Dispersion of Mobile Agents
针对图中移动智能体分散问题,本文提出三种同步场景下的算法,在保持低内存占用的同时,将时间复杂度从现有最优的$O(m_k)$大幅降低至近线性甚至线性水平。
2024-08-20 cs.DC cs.MA
An Asynchronous Maximum Independent Set Algorithm by Myopic Luminous Robots on Grids
Graduate School of Advanced Science and Engineering, Hiroshima University(广岛大学先进理工学研究科);Sorbonne University, CNRS, LIP6, Institut Universitaire de France(索邦大学、法国国家科学研究中心、LIP6实验室、法国大学研究所)
研究了在有限大小但未知的网格网络上,移动近视发光机器人的最大独立集的构造问题。在这种设置中,机器人从网格的一个角落一个接一个地进入网格网络,并且它们最终必须散布在网格节点上,使得所占据的位置形成网络的最大独立集。我们假设机器人是异步的、匿名的、沉默的,并且它们执行相同的分布式算法。在本文中,我们提出了两个算法:第一个假设每个机器人的光颜色的数量是三个和可见范围是两个,但使用额外的端口编号为每个节点的强假设。为了删除这个假设,第二个假设每个机器人的光色数量为7,可见范围为3。在这两种算法中,移动的数量是$O(n(L+l))$步,其中$n$是节点的数量,而$L$和$l$是网格维度。
2026-10-13 cs.DC
Time Optimal Distance-$k$-Dispersion on Dynamic Ring
本文提出了移动智能体Dispersion问题的变体Distance-$k$-Dispersion,证明了在动态环上解决该问题需要完全同步调度器,并给出了时间复杂度为$Θ(n)$轮的最优算法。
2024-08-22 cs.DC
Uniform Scattering of Robots on Alternate Nodes of a Grid
Jadavpur University(贾达普大学)
在本文中,我们提出了一种分布式算法,均匀地分散机器人沿网格,与机器人在交替节点的网格分布。这些同质的自主移动机器人将自己等距离地放置在网格上,这可能需要机器人来保护或覆盖地理区域。机器人通过执行状态“看-计算-移动”的循环来操作。在观察阶段,它观察其他机器人的位置;在计算阶段,它计算要移动到的目的地;然后在移动阶段,它移动到计算的目的地。它们不通过消息传递进行交互,并且既不能选择过去的动作,也不能选择来自前一个周期的查看数据,即,健忘机器人是半同步的,匿名的,具有无限的可见性。最后,机器人均匀地分布在网格的交替节点上,使网格的相邻节点空置。该算法还保证了机器人之间没有碰撞或死锁。
2020-12-13 cs.DC cs.RO
Arbitrary Pattern Formation on Infinite Grid by Asynchronous Oblivious Robots
任意图案形成问题要求设计一个分布式算法,允许一组自主移动机器人形成任何特定但任意的几何图案作为输入。这个问题在连续域的文献中得到了广泛的研究。本文研究了一个离散版本的问题,其中机器人操作的二维的无限网格。机器人被假设为自主的,相同的,匿名的和遗忘的。它们在完全异步的调度程序下以Look-Compute-Move循环运行。机器人不同意任何共同的全球坐标系或手性。我们已经证明,一组机器人可以形成任何任意的模式,如果他们的初始配置是不对称的。
2018-11-02 cs.DC
Optimal Dispersion Under Asynchrony
Indian Institute of Technology Indore(印度理工学院Indore分校);University of Illinois Chicago(伊利诺伊大学芝加哥分校);Indian Institute of Technology Madras(印度理工学院Madras分校);Indian Statistical Institute(印度统计研究所);Kent State University(肯特州立大学)
本文针对匿名端口标记图中的分散问题,提出首个在异步设置下达到最优 O(k) 时间且每个智能体仅用 O(log(k+Δ)) 比特内存的算法,其核心是基于构造匿名图中端口一树的新技术。
2025-07-02 cs.DC cs.DS cs.MA
Move and Time Optimal Arbitrary Pattern Formation by Asynchronous Robots on Infinite Grid
\textsc{Arbitrary Pattern Formation}(\textsc{Apf})算法是群机器人分布式计算中一种被广泛研究的算法。这个问题要求设计一个分布式算法,允许一组相同的,自主的移动机器人,以形成任何任意的模式作为输入。本文认为机器人在二维无限网格上运行。机器人最初定位在不同的网格点上,形成不对称配置(没有两个机器人具有相同的快照)。它们在完全异步的调度器下运行,并且不能访问全局坐标系,但是它们将沿着网格线对齐其局部坐标系的轴。以前的工作处理\textsc{Apf}问题解决了它在$O(\mathcal{D}^2k)$机器人运动在类似的条件下,其中$\mathcal{D}$是最小的正方形,可以包含初始和目标配置的一面,$k$是机器人的数量。令$\mathcal{D}'=\max\{\mathcal{D},k\}$。本文给出了无限网格上的\textsc{Apf}的两种算法。第一个算法使用$O(\mathcal{D}')$渐近移动最优来解决\textsc{Apf}问题。第二个算法解决了\textsc{Apf}问题的$O(\mathcal{D}')$时代,我们证明是渐近最优的。
2022-05-27 cs.DC
Simulating Chirality: Solving Distance-$k$-Dispersion on an 1-Interval Connected Ring
本文研究无手性条件下1-区间连通环上的距离-$k$-分散问题,提出利用局部信息模拟手性的方法,证明该问题在任意规模环上可解,并给出 $O(ln)$ 轮算法。
2025-07-19 cs.DC
Distributed Searching of Partial Grids
我们考虑下面的分布式追逃问题。一组称为搜索器的移动代理从未知$n$节点网络的任意节点开始。他们的目标是执行一个搜索策略,保证捕获一个快速和无形的入侵者,无论其运动使用尽可能少的代理。我们将注意力限制在嵌入部分网格的网络上:节点被放置在整数坐标的平面上,只有距离为1的节点可以相邻。我们给出了一个分布式算法的搜索,使他们能够计算一个连接和单调的策略,保证搜索任何未知的部分网格与使用$O(\sqrt{n})$搜索。对于一个下界,不仅存在部分网格,需要$Ω(\sqrt{n})$搜索,但我们证明,对于每个分布式搜索算法有一个部分网格,迫使算法使用$Ω(\sqrt{n})$搜索,但$O(\log n)$搜索是足够的离线场景。这给出了$Ω(\sqrt{n}/\log n)$在任何分布式算法的可实现的竞争比方面的下界。
2016-10-05 cs.DC cs.DM math.CO