结构诱导探索：实现多机器人路径规划的平衡与可扩展性

多机器人路径规划是由于其组合复杂性以及需要在全球效率与机器人间公平任务分配之间取得平衡而面临挑战的基本问题。传统的群体智能方法虽然在小规模实例上有效，却常常提前收敛并难以应对复杂环境。本文提出一种结构诱导探索框架，将结构先验知识融入蚁群优化（ACO）的搜索过程中。该方法利用任务的空间分布在初始化时诱导出结构先验，从而约束搜索空间。然后设计信息素更新规则，以强调结构性意义的连接，并纳入负载感知目标，以协调总旅行距离与单个机器人的工作负荷。进一步，通过显式的重叠抑制策略，确保任务在团队中保持独特性和平衡。本文在覆盖广泛实例规模和机器人团队配置的多样化基准场景上验证了所提框架的有效性。结果表明，与代表性元启发式基线方法相比，框架在路由紧凑性、稳定性和工作负载分布方面均实现了持续的改进。除了性能提升外，该方法还提供了一个可扩展且可解释的框架，可轻易应用于物流、监视和搜救等需要可靠大规模协调的应用场景。