본 연구는 분산 환경에서 다중 에이전트 경로 계획을 위한 분산 목표 할당 문제를 다룬다. 에이전트는 격자 시각화 및 시나리오 데이터를 포함하는 환경의 구조화된 표현을 기반으로 목표에 대한 우선 순위를 독립적으로 생성한다. 에이전트는 목표 순위를 교환하고, 고정된 결정적 갈등 해결 규칙(예: 에이전트 인덱스 순서)에 의해 할당이 결정된다. 탐욕적 휴리스틱, 최적 할당, 그리고 대규모 언어 모델(LLM) 기반 에이전트를 완전 관찰 가능한 격자 세계 설정에서 체계적으로 비교한다. 잘 설계된 프롬프트와 관련 정량적 정보를 제공받은 LLM 기반 에이전트는 거의 최적의 makespan을 달성하고 기존 휴리스틱보다 일관되게 우수한 성능을 보인다.
