面向多目标多智能体路径搜索的子维扩展

传统的多智能体路径规划器通常确定一条优化单一目标（如路径长度）的路径。然而，许多应用可能需要在规划过程中同时优化多个目标，例如完成时间与燃料消耗。这些准则往往不易直接比较，且有时相互竞争。直接将标准多目标搜索算法应用于多智能体路径搜索可能效率低下，因为可能解的空间规模（即帕累托最优集）会随智能体数量（搜索空间维数）呈指数增长。本文提出一种方法，通过利用我们先前基于称为子维扩展的框架的多智能体工作来规避这一所谓的维数灾难。子维扩展应用于 A* 的一个例子称为 M*，而 M* 仅限于单一目标函数。我们结合主导性与子维扩展的原理创建了名为多目标 M*（MOM*）的新算法，该算法仅在智能体必须相互“交互”时才动态耦合它们进行规划。MOM* 高效计算多智能体的完整帕累托最优集，并自然地在帕累托最优集的次优近似与计算效率之间进行权衡。我们的方法能够为具有数百个解的问题实例找到完整帕累托最优集，而标准多目标 A* 算法在限定时间内无法找到。