Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

Tăng tốc tìm kiếm tiêu điểm trong tìm đường dẫn đa tác nhân với giới hạn dưới chặt chẽ hơn

Created by
  • Haebom

Tác giả

Yimin Tang, Zhenghong Yu, Jiaoyang Li, Sven Koenig

Phác thảo

Bài báo này đề xuất DECBS, một thuật toán xấp xỉ mới cho bài toán Tìm Đường Dẫn Đa Tác Nhân (MAPF). MAPF là một bài toán NP-khó, trong đó nhiều tác nhân tìm thấy đường dẫn đến đích mà không có va chạm. Các thuật toán xấp xỉ ràng buộc hiện có, chẳng hạn như ECBS và EECBS, sử dụng các kỹ thuật tìm kiếm tiêu điểm để cân bằng hiệu quả tính toán và chất lượng giải pháp. Tuy nhiên, tìm kiếm tiêu điểm thông thường gặp phải vấn đề về sự tăng trưởng chậm của giá trị giới hạn dưới (LB) trong giai đoạn đầu, hạn chế không gian tìm kiếm. DECBS giải quyết vấn đề này bằng cách đầu tiên xác định giá trị LB tối đa và thực hiện tìm kiếm tốt nhất dựa trên giá trị này. Kết quả thực nghiệm cho thấy DECBS vượt trội hơn ECBS trong hầu hết các trường hợp và tương thích với các kỹ thuật tối ưu hóa hiện có. Cụ thể, khi mật độ tác nhân từ trung bình đến cao, DECBS đạt được cải thiện thời gian chạy trung bình 23,5% so với ECBS trong cùng điều kiện giới hạn dưới tối ưu và tối ưu hóa. Nó cũng giảm các nút CT chiều cao khoảng 30% và các nút tìm kiếm tiêu điểm chiều thấp khoảng 50%.

Takeaways, Limitations

Takeaways:
Một thuật toán xấp xỉ hiệu quả, DECBS, dành cho vấn đề tìm đường của nhiều tác nhân được trình bày.
Đã Xác nhận giảm thời gian thực hiện và số lượng nút tìm kiếm so với thuật toán ECBS hiện tại (đặc biệt hiệu quả trong môi trường mật độ cao).
Cung cấp tiềm năng cải thiện hiệu suất bổ sung thông qua khả năng tương thích với các kỹ thuật tối ưu hóa hiện có.
Limitations:
Hiệu suất cải thiện của thuật toán đề xuất không nhất quán trong mọi trường hợp (nó vượt trội trong hầu hết các trường hợp, nhưng không phải trong mọi trường hợp).
Hiệu suất cải thiện của DECBS thay đổi tùy thuộc vào mật độ tác nhân (hiệu quả hơn trong môi trường có mật độ cao).
Cần phải xác minh thêm về khả năng khái quát hóa của các kết quả thực nghiệm được trình bày trong bài báo.
👍