Distributed Constraint Optimization Problems and Applications: A Survey
University of Michigan（密歇根大学）；New Mexico State University（新墨西哥州立大学）；Washington University in St. Louis（圣路易斯华盛顿大学）
多智能体系统（MAS）是人工智能的一个活跃的研究领域，在工业和其他现实世界的应用中具有越来越重要的影响。在MAS中，自主智能体相互作用以追求个人利益和/或实现共同目标。分布式约束优化问题（Distributed Constraint Optimization Problems，DCOPs）是一种重要的Agent体系结构，它的算法和通信模型都是由具体问题的结构驱动的。在过去的十年中，DCOP模型的几个扩展，使他们能够支持MAS在复杂的，实时的，不确定的环境。本次调查的目的是提供一个概述的DCOP模型，给出了其多个扩展的分类，并解决解决的方法和应用程序，找到一个自然的映射在每一类DCOP。建议的分类DCOP扩展提出了几个未来的观点，并确定了有效的分辨率算法的设计中的挑战，可能通过适应不同领域的战略。
2018-01-11 cs.AI cs.MA
Explainable Distributed Constraint Optimization Problems
Washington University in St. Louis（圣路易斯华盛顿大学）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）
针对现有分布式约束优化问题（DCOP）解的可解释性不足的问题，提出可解释DCOP（X-DCOP）模型及分布式求解框架与变体，通过理论分析、用户研究和实验验证了其有效性与可扩展性，降低了用户理解DCOP解的门槛。
2025-02-19 cs.AI
Asymmetric Distributed Constraint Optimization Problems
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
分布式约束优化（DCOP）是一个强大的框架，用于表示和解决分布式组合问题，其中问题的变量由不同的代理拥有。许多多代理问题包括约束，产生不同的收益（或成本）的参与代理。受约束代理的非对称收益不能自然地由标准DCOP模型表示。本文提出了一个非对称DCOP（ADCOP）的一般框架。在ADCOP中，不同的代理可能对它们所涉及的约束具有不同的估值。新框架的桥梁之间的差距，往往有非对称结构的多智能体问题和标准的对称DCOP模型。所提出的模型比以前的尝试推广DCOP模型的好处进行了讨论和评估。创新的算法，适用于所提出的ADCOP模型的特殊属性的详细介绍。这些包括完整的算法，在运行时间和网络负载方面比使用替代表示的现有算法（对于标准DCOP）具有实质性优势。此外，标准的不完全算法（即，局部搜索算法）不适用于现有的非对称约束的DCOP表示，并且当它们被应用于新的ADCOP框架时，它们经常不能收敛到局部最优并且产生差的结果。本文提出的局部搜索算法收敛到高质量的解决方案。提出的实验证据表明，建议的本地搜索算法的ADCOPs实现高质量的解决方案，同时保持高水平的隐私。
2014-02-04 cs.AI
Auction-based and Distributed Optimization Approaches for Scheduling Observations in Satellite Constellations with Exclusive Orbit Portions
ONERA（法国国家航空航天研究中心）
我们调查使用多代理分配技术的问题与地球观测的情况下，多个用户和卫星。我们专注于协调用户预留的独家轨道部分和一个中央计划有几个请求，可能会使用这些独家的一些间隔的问题。我们将此问题定义为对地观测卫星星座调度问题（EOSCSP），并将其映射为一个混合线性规划问题。为了解决EOSCSP，我们提出了基于市场的技术和分布式约束优化（DCOP）的基础上，代理合作分配请求，而不共享自己的时间表的分布式问题求解技术。这些贡献的实验评估随机生成的EOSCSP实例的基础上真正的大规模或高度冲突的观察顺序书。
2021-07-27 cs.AI cs.MA math.OC
Logic and Constraint Logic Programming for Distributed Constraint Optimization
New Mexico State University（新墨西哥州立大学）
分布式约束优化问题（DCOPs）领域已经获得了发展势头，这要归功于其在捕获复杂问题（例如，多代理协调和资源分配问题），这些问题是自然分布的，并且不能以集中的方式现实地解决。解决DCOP的现有技术依赖于使用ad-hoc基础设施和ad-hoc约束求解过程。本文研究了一种完全基于逻辑编程技术的解决DCOPs的基础设施。特别是，本文探讨了使用一般的约束求解器（约束逻辑编程系统在这种情况下）来处理代理级约束求解。初步实验表明，逻辑编程在性能和可扩展性方面提供了优于最先进的DCOP系统的益处，为使用更先进的技术（例如，搜索策略和复杂约束）来求解DCOP。
2014-05-14 cs.AI cs.MA
Solving Distributed Constraint Optimization Problems Using Logic Programming
New Mexico State University（新墨西哥州立大学）
本文探讨了使用答案集编程（ASP）解决分布式约束优化问题（DCOPs）。本文的创新之处在于：（1）将DCOP表示为逻辑程序：（2）介绍了第一个基于逻辑程序设计的DCOP算法ASP-DPOP;（3）实验表明，ASP-DPOP比DPOP快两个数量级（它的命令式编程对应）以及解决一些问题，DPOP未能解决，由于内存限制;以及（4）它证明了ASP在目前被建模为DCOP的一系列多Agent问题中的适用性。逻辑程序设计理论与实践（TPLP）
2017-05-10 cs.AI cs.MA
Distributed Policy Iteration for Scalable Approximation of Cooperative Multi-Agent Policies
LMU Munich（慕尼黑大学）；MaibornWolff（迈博尔夫公司）
多智能体系统（MAS）中的决策是一个巨大的挑战，由于巨大的状态和联合行动空间以及不确定性，使得集中控制通常是不可行的。分散控制提供了更好的可扩展性和鲁棒性，但需要机制来协调联合任务并避免冲突。传统的协作MAS分散策略学习方法存在非平稳性和缺乏信用分配的问题，在复杂环境中会导致不稳定和不协调的行为。在本文中，我们提出了强紧急政策近似（STEP），一个可扩展的方法来学习强分散的政策合作MAS的分布式变体的政策迭代。为此，我们使用函数逼近来学习分散式多智能体规划算法的行动建议。STEP将分散式多智能体规划与集中式学习相结合，只需要分布式黑盒优化的生成模型。我们的实验评估STEP在两个具有挑战性的和随机的领域与大的状态和联合行动空间，并表明，STEP是能够学习更强的政策比标准的多智能体强化学习算法，结合多智能体开环规划与集中函数逼近。学习的策略可以重新集成到多代理规划过程中，以进一步提高性能。
2019-01-25 cs.AI cs.MA
On Population-Based Algorithms for Distributed Constraint Optimization Problems
University of Dhaka（达卡大学）；Imperial College London（伦敦帝国理工学院）
分布式约束优化问题（DCOPs）是一类被广泛研究的优化问题，其中一组合作代理之间的相互作用被建模为一组约束。DCOP是NP难的，并且已经致力于开发用于寻找不完整解决方案的方法。在本文中，我们研究了一类新兴的这种不完整的算法，被广泛称为人口为基础的算法。这些算法的主要特点是，他们保持一个人口的候选解决方案的一个给定的问题，并使用这个人口覆盖大面积的搜索空间，以避免局部最优。近年来，这类算法由于能够产生高质量的不完整解而受到了极大的关注。与现有的不完全DCOP算法相比，为了进一步提高解的质量，本文提出了两种新的基于种群的DCOP算法。我们的第一种方法，随时进化DCOP或AED，利用进化优化元算法来解决DCOP。我们还提出了一种新的随时更新机制，使AED的随时属性。而在我们的第二个贡献，我们表明，人口为基础的方法可以与本地搜索方法相结合。具体来说，我们开发了一种算法称为DPSA的模拟退火元启发式的基础上。我们凭经验评估这两种算法，以说明他们各自的有效性，在不同的设置对国家的最先进的不完整的DCOP算法，包括所有现有的基于人口的算法在各种各样的基准。我们的评估显示，AED和DPSA的性能明显优于最先进的技术，并产生高达75%的改进解决方案。
2020-09-02 cs.AI cs.MA
Improving Solution Quality of Bounded Max-Sum Algorithm to Solve DCOPs involving Hard and Soft Constraints
University of Dhaka（达卡大学）
Bounded Max-Sum（BMS）是一种消息传递算法，它为一种特定形式的分散式协调问题，即分布式约束优化问题（DCOPs）提供近似解。特别地，BMS算法能够以低计算成本为代价来解决具有大搜索空间的这种类型的问题。值得注意的是，传统的DCOP公式不考虑那些必须满足的约束（也称为硬约束），而是只关注软约束。因此，尽管在许多现实世界的应用中观察到这两种类型的约束的存在，BMS算法并不主动利用硬约束。为了解决这个问题，我们定制BMS在这样一种方式，可以处理DCOP具有两个类型的约束。这样做，我们的方法提高了算法的解决方案的质量。实证结果表明，大型DCOP的解决方案的质量有显着改善。
2020-12-02 cs.AI cs.MA
Distributed Multi-Agent Coordination Using Multi-Modal Foundation Models
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出VL-DCOPs框架，利用多模态基础模型自动生成约束，并引入从神经符号到全神经的智能体原型，在三个新任务上评估LLMs和VLMs，以解决DCOPs手动构建问题。
2025-01-24 cs.AI cs.LG cs.MA
Hybrid DCOP Solvers: Boosting Performance of Local Search Algorithms
TNO（荷兰应用科学研究组织）；Delft University of Technology（代尔夫特理工大学）
我们提出了一种新的方法，加快对称和非对称分布式约束优化问题（DCOP）求解器。其核心思想是基于贪婪的快速非迭代DCOP求解器初始化DCOP求解器。这与现有方法相反，在现有方法中，初始化总是使用随机值分配来实现。我们的经验表明，改变现有的DCOP求解器的启动条件，不仅减少了算法的收敛时间高达50%，而且还减少了通信开销，导致更好的解决方案的质量。我们表明，这种效果是由于变量分配的结构改进，这是由DCOP算法激活的传播模式引起的。/受试者（混合DCOP）
2020-09-04 cs.AI cs.DC cs.MA
A Realistic Dataset for the Smart Home Device Scheduling Problem for DCOPs
New Mexico State University（新墨西哥州立大学）；University of Michigan（密歇根大学）
分布式约束优化领域近年来获得了发展势头，这要归功于它能够解决与多智能体协作相关的各种应用。虽然解决分布式约束优化问题（DCOP）的技术是丰富的，并已基本成熟，因为该领域的成立，DCOP的实际应用和基准的数量来评估DCOP算法的性能是落后的。为了对比这种背景下，我们（i）介绍的灵巧家庭设备调度（SHDS）的问题，它描述的问题，协调智能设备调度跨多个家庭作为一个多代理系统，（ii）详细的物理模型，采用模拟智能传感器，智能执行器，和家庭环境，和（iii）引入DCOP现实基准SHDS问题。
2017-02-22 cs.AI cs.DC
Distributed Constraint Optimization via Online Learning and Iterative Pricing with Application to Large-Scale Satellite Scheduling
Carnegie Mellon University（卡内基梅隆大学）；Jet Propulsion Laboratory, California Institute of Technology（喷气推进实验室，加州理工学院）；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）
研究分布式约束优化问题，通过结合在线学习方法与迭代定价框架，将其应用于大规模卫星调度，在实际问题实例上取得近最优性能，满足观测请求比例远超最先进基线。
2026-07-29 cs.AI cs.GT
Latency-Aware 2-Opt Monotonic Local Search for Distributed Constraint Optimization
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Washington University in St. Louis（圣路易斯华盛顿大学）
针对通信感知分布式约束优化问题（CA-DCOPs）现有局部搜索算法仅能收敛到1-opt解的局限，提出LAMDLS-2算法，通过智能体配对协调双边赋值替换实现2-opt解收敛，且在不同延迟场景下比MGM-2收敛更快。
2025-02-21 cs.AI cs.DC
Distributed Cooperative Multi-Agent Reinforcement Learning with Directed Coordination Graph
North Carolina State University（北卡罗来纳州立大学）；Oklahoma State University（俄克拉荷马州立大学）；DEVCOM U.S. Army Research Laboratory（美国陆军作战能力发展司令部陆军研究实验室）
现有的分布式协作多智能体强化学习（MARL）框架通常假设无向协调图和通信图，同时通过共识算法估计全局奖励进行策略评估。这样的框架可能会导致昂贵的通信成本，并表现出较差的可扩展性，由于全球共识的要求。在这项工作中，我们研究了MARL与有向协调图，并提出了一个分布式RL算法的本地政策评估是基于本地价值函数。每个Agent的局部价值函数通过有向学习诱导的通信图与其邻居进行局部通信来获得，而不使用任何共识算法。采用基于参数摄动的零阶优化（ZOO）方法实现梯度估计。通过与现有的基于ZOO的RL算法的比较，我们表明，我们提出的分布式RL算法保证了高的可扩展性。一个分布式资源分配的例子来说明我们的算法的有效性。
2022-01-10 cs.AI cs.LG cs.MA
Cooperative Multi-agent Bandits: Distributed Algorithms with Optimal Individual Regret and Constant Communication Costs
Nanjing University（南京大学）；The Chinese University of Hong Kong（香港中文大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文针对协作式多智能体多臂赌博机问题，提出一种简单有效的通信策略并集成到学习算法中，同时实现了最优个体遗憾和恒定通信成本，弥补了领导者-跟随者与完全分布式两类现有范式的不足。
2023-08-08 cs.AI cs.LG stat.ML
BnB-ADOPT: An Asynchronous Branch-and-Bound DCOP Algorithm
University of Southern California（南加州大学）；Deutsche Telekom Labs（德国电信实验室）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）
分布式约束优化（DCOP）问题是一种常用的表达和求解Agent协调问题的方法。一个DCOP问题是一个问题，其中几个代理协调他们的价值，使所产生的约束成本的总和是最小的。通常需要使用内存有界的异步算法来解决DCOP问题。我们介绍了分支定界ADOPT（BnB-ADOPT），一个内存有界的异步DCOP搜索算法，它使用ADOPT（Modi，Shen，Tambe和Yokoo，2005）的消息传递和通信框架，一个著名的内存有界的异步DCOP搜索算法，但改变了ADOPT的搜索策略从最佳优先搜索到深度优先的分支定界搜索。我们的实验结果表明，BnB-ADOPT发现成本最小的解决方案比ADOPT的速度高达一个数量级的各种大型DCOP问题，是一样快的NCBB，内存有界的同步DCOP搜索算法，对于大多数这些DCOP问题。此外，由于寻找成本最小的解决方案是NP困难的，因此通常希望在合理的时间内找到DCOP问题的有界误差解决方案。现有的有界误差近似机制只允许用户指定解决方案成本的绝对误差界，但相对误差界往往更直观。因此，我们提出了两个新的有界误差近似机制，允许相对误差界，并在BNB-ADOPT之上实现它们。
2014-01-15 cs.AI
Utilitarian Distributed Constraint Optimization Problems
University of Valenciennes（瓦朗谢讷大学）；Nagoya Institute of Technology（名古屋工业大学）；Kobe University（神户大学）；Kyushu University（九州大学）；Florida Institute of Technology（佛罗里达理工学院）
隐私一直是分布式问题优化的主要动机。然而，尽管已经提出了几种方法来评估它，但没有一种被广泛使用。分布式约束优化问题（DCOP）是一个基本的模型，用于处理各种家庭的分布式问题。由于隐私损失不会发生在一个解决方案被接受时，但当它被提出时，隐私要求不能被解释为DCOP的目标函数的标准。在这里，我们通过让DCOP中的优化成本和隐私要求指导代理对搜索空间的探索来解决这个问题。我们介绍了功利分布式约束优化问题（UDCOP）的成本和隐私的要求被用作参数的启发式修改搜索过程。常见的分散约束优化问题的随机算法在这里进行评估，根据他们如何保护隐私。此外，我们提出了一些扩展，这些求解器修改他们的搜索过程，以考虑到他们的隐私要求，成功地显着减少他们的隐私损失，而不会显着降低解决方案的质量。
2016-04-22 cs.AI
Pretrained Cost Model for Distributed Constraint Optimization Problems
Nanyang Technological University（南洋理工大学）
分布式约束优化问题是组合优化问题的一个重要子类，其中信息和控制分布在多个自主智能体之间。以前，机器学习（ML）已被大量应用于解决组合优化问题，通过学习有效的算法。然而，现有的基于ML的探试法往往不能推广到不同的搜索算法。最重要的是，这些方法通常需要对要解决的问题有充分的了解，这不适合于分布式环境，因为由于地理限制或隐私问题，集中化是不现实的。为了解决通用性问题，我们提出了一种新的有向无环图表示模式的DCOP和利用图注意力网络（GATs）嵌入图形表示。然后，我们的模型GAT-PCM以离线方式使用最佳标记数据进行预训练，以便构建有效的算法来提升广泛的DCOP算法，其中评估部分分配的质量至关重要，例如局部搜索或回溯搜索。此外，为了实现分散的模型推理，我们提出了一个分布式嵌入模式的GAT-PCM，每个代理交换嵌入的向量，并显示其合理性和复杂性。最后，我们通过将其与局部搜索或回溯搜索算法相结合来证明我们的模型的有效性。广泛的实证评估表明，GAT-PCM增强算法显着优于国家的最先进的方法在各种基准。预训练模型可在https://github.com/dyc941126/GAT-PCM上获得。
2021-12-15 cs.AI cs.LG
GDBA Revisited: Unleashing the Power of Guided Local Search for Distributed Constraint Optimization
本文提出DGLS框架，通过改进约束惩罚机制和协调更新方案，提升分布式约束优化的性能。
2026-01-12 cs.AI cs.DM
Distributed Constraint Problems for Utilitarian Agents with Privacy Concerns, Recast as POMDPs
LAMIH UMR CNRS 8201, University of Valenciennes（瓦朗谢纳大学 LAMIH UMR CNRS 8201）；Kobe University（神户大学）；Kyushu University（九州大学）；Florida Institute of Technology（佛罗里达理工学院）
传统上，隐私一直是分布式问题解决的主要动机。分布式约束满足问题（DisCSP）和分布式约束优化问题（DCOP）是解决各类分布式问题的基本模型。尽管已经提出了几种方法来量化和保护这些问题中的隐私，但没有一种方法可以免除限制。在这里，我们通过假设计算是在功利主义代理之间进行的来解决这个问题。我们引入了一个功利主义的方法，每个国家的效用估计为达成协议的共享变量的分配和隐私损失的成本之间的差异的奖励。我们调查扩展到求解器，其中代理集成的效用函数来指导他们的搜索，并决定执行哪些操作，从而定义他们的政策。我们表明，这些扩展的求解器成功地显着减少隐私丢失的解决方案的质量没有显着下降。
2017-03-20 cs.AI
Dynamic Decision Process Modeling and Relation-line Handling in Distributed Cooperative Modeling System
Macau University of Science and Technology（澳门科技大学）
分布式协同建模系统（DCMS）通过基于网络的分布式建模和多模板聚合，解决了涉及多个不同观点的参与者的复杂决策问题。本论文的目的在于扩充系统以支援动态决策过程。首先，本文讨论了马尔可夫决策过程的特点和最优策略发现，并简要介绍了动态贝叶斯决策网络，它本质上等同于MDP。在此基础上，讨论并实现了离散型和连续型随机变量的马尔可夫过程预测，并给出了几种不同的多指标间的相关性分析，以帮助决策者认识指标间的相互作用，设计出合适的决策方案。介绍了澳门工业的历史数据，作为推广DCMS的基础。另外还对DCMS中的图形类层次结构进行了重新安排，从而方便了曲线关系线的实现，使模板建模更加清晰、友好。
2014-03-01 cs.AI
A privacy-preserving, distributed and cooperative FCM-based learning approach for cancer research
Universidad Pablo de Olavide（巴勃罗·德·奥拉维德大学）；Tessella（泰塞拉公司）
本文提出一种隐私保护的分布式协作式FCM学习方法，通过联邦学习提升癌症检测模型性能，在保障数据隐私合规的同时取得与文献相当的成果。
2025-03-05 cs.AI cs.DC
Swarm robotics in wireless distributed protocol design for coordinating robots involved in cooperative tasks
University of Calabria（卡拉布里亚大学）；Middlesex University London（伦敦密德萨斯大学）
在未探测区域探测地雷是一个优化问题，其中需要在最短的时间内发现并拆除随机分布在整个区域的多个地雷。我们提出了一种策略，探索一个未知的领域，使用基于蚂蚁行为的stigmergy方法，和一种新的基于群的协议，以招募和协调机器人解除地雷合作。仿真测试表明，我们提出的基于蚂蚁的任务机器人协调（ATRC）的有效性，只有探索任务，探索和招募策略。多个最小化的目标被认为是：机器人的招聘时间和整个区域的探索时间。我们讨论，通过模拟，不同的情况下，不同的网络和现场条件下，由机器人执行。结果表明，所提出的分散方法使机器人群体能够在没有任何中央控制的情况下智能地执行协作任务。
2018-04-22 cs.AI cs.RO
Accelerating Exact and Approximate Inference for (Distributed) Discrete Optimization with GPUs
University of Michigan（密歇根大学）；New Mexico State University（新墨西哥州立大学）；University of California, Irvine（加利福尼亚大学尔湾分校）
离散优化问题是人工智能的核心问题。成本函数网络的聚合成本的优化出现在各种问题中，包括（W）CSP，DCOP，以及随机变量中的优化，例如在信念网络中找到最可能解释（MPE）的任务。基于推理的算法是解决离散优化问题的强大技术，可以单独使用或与其他技术结合使用。然而，它们的适用性往往受到其计算密集型性质和空间要求的限制。本文提出了一种新的推理为基础的技术，利用现代大规模并行架构，如图形处理单元（GPU），以加快精确和近似推理为基础的离散优化算法的分辨率的设计和实现。本文研究了所提出的算法在集中式和分布式优化上下文中。该文件表明，GPU的使用提供了显着的优势，在运行时间和可扩展性方面，实现了两个数量级的加速，并显示出相当大的减少执行时间（高达345倍的速度）相对于顺序版本。
2017-06-16 cs.AI cs.DC
Empowering Computing and Networks Convergence System with Distributed Cooperative Routing
Purple Mountain Laboratories（紫金山实验室）；Beijing University of Posts and Telecommunications（北京邮电大学）；Carleton University（卡尔顿大学）
针对计算与网络融合系统中计算和网络资源综合调度不足的问题，提出分布式协作路由框架，通过跨平面协作路由兼顾异构服务器计算效率与网络拥塞，确保截止时间并最小化计算成本。
2024-02-04 cs.AI cs.NI
Cooperative Multi-Agent Reinforcement Learning Based Distributed Dynamic Spectrum Access in Cognitive Radio Networks
National University of Defense Technology（国防科技大学）；Auckland University of Technology（奥克兰理工大学）；Shenzhen University（深圳大学）；University of British Columbia（不列颠哥伦比亚大学）
随着5G和物联网的发展，大量的无线设备需要共享有限的频谱资源。动态频谱接入（DSA）是一种很有前途的范例，以弥补由历史的命令和控制的频谱分配方法所带来的频谱利用率低下的问题。本文研究了一个典型的多信道认知无线电网络中多用户分布式DSA问题。该问题被表示为一个分散的部分可观测马尔可夫决策过程（Dec-POMDP），提出了一种基于协作多智能体强化学习（MARL）的集中式离线训练和分布式在线执行框架.我们采用深度递归Q网络（DRQN）来解决每个认知用户的状态的部分可观测性。最终目标是学习一种协作策略，使认知无线电网络的总吞吐量最大化，在分布式的方式没有协调认知用户之间的信息交换。最后，我们通过大量的实验验证了该算法在各种设置。仿真结果表明，该算法收敛速度快，性能接近最优。
2021-06-17 cs.AI cs.GT cs.NI
Wireless Ad Hoc Federated Learning: A Fully Distributed Cooperative Machine Learning
University of Tokyo（东京大学）
隐私敏感数据存储在自动驾驶汽车、智能设备或传感器节点中，这些设备可以四处移动，并相互进行机会性接触。在许多研究中，这些节点之间的联邦主要是在具有集中式机制的联邦学习的背景下讨论的。然而，由于多供应商问题，这些节点不希望为此目的依赖于由第三方运营的特定服务器。在本文中，我们提出了一个无线ad hoc联邦学习（WAFL）-一个完全分布式的合作机器学习组织的节点物理附近。WAFL可以从存储在本地分布式节点中的非IID数据集开发通用模型，通过机会性节点到节点接触来交换和聚合它们。在我们对各种机会网络进行的基于基准的评估中，WAFL的准确率为94.8-96.3%，高于自我训练的84.7%。我们的所有评估结果表明，WAFL可以训练和收敛的模型参数从高度分区的非IID数据集在机会网络没有任何集中的机制。
2022-10-07 cs.AI cs.LG cs.NI
Real-time Vehicle-to-Vehicle Communication Based Network Cooperative Control System through Distributed Database and Multimodal Perception: Demonstrated in Crossroads
Zhejiang University（浙江大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Michigan（密歇根大学）
本文提出基于V2V通信的网络协同控制系统VVCCS，结合分布式数据库和多模态感知，在Qcar平台上实现宏观交通规划与碰撞避免，并通过十字路口演示验证其在复杂城市环境中的潜力。
2024-10-23 cs.AI cs.RO cs.SY
