异构成本联盟形成算法

收敛有保证的分布式任务分配

面向预算约束下异构能力任务的分配，采用联盟形成博弈建模，通过合作交换与基于异构成本的对数线性学习，在完全分布式框架中实现优于已有算法的求解质量。

Yang, Weiyi · 刘晓路 · He, Lei · Du, Yonghao · Vo, Bao Quoc · 陈英武

Expert Systems with Applications 2024

技术优势

完全分布式

每个智能体依据本地信息自主加入或退出联盟，不依赖中央协调，避免了单点故障与通信瓶颈。

收敛有保证

基于对数线性学习算法，理论上保证收敛到最优联盟划分，使系统行为可预测且性能可证明。

适配异构成本与预算

通过合作交换策略和异构成本学习策略，专门兼容不同智能体的成本差异与预算约束，适用于实际任务分配场景。

综合表现更优

数值实验表明，在求解HCTAB问题上，该算法优于现有的任务分配算法与学习算法，实际求解质量更高。

应用场景

• 多机器人任务分配：在预算与能力异构约束下分配任务并保证收敛，无需中央规划器。
• 群体机器人调度：完全分布式框架使大规模群体无需中心节点即可自主形成有效联盟完成任务。
• 工业机器人多机协同：异构成本建模让不同能力与成本的工业机器人按预算约束协作，提升整体任务执行效率。
• 分布式智能体决策：提供收敛保证的对数线性学习，为分布式智能体决策提供可证明的理论基础。