多智能体路径规划研究进展

发布时间：2022-04-27 20:06

　　多智能体路径规划是一类寻找多个智能体从起始位置到目标位置且无冲突的最优路径集合的问题,针对该问题的研究在物流、军事和安防等领域有着大量的应用场景。对国内外关于多智能体路径规划问题的研究进展进行系统整理和分类,按照结果最优性的不同,多智能体路径规划算法被分为最优算法和近似算法2类。最优的多智能体路径规划算法主要分为基于A*搜索、基于代价增长树、基于冲突搜索和基于规约的4种算法。近似的多智能体路径规划算法主要分为无边界次优的算法和有边界次优的算法2类。基于上述分类,分析各种算法的特点,介绍近年来具有代表性的研究成果,并对多智能体路径规划问题未来的研究方向进行展望。 

【文章页数】：10 页

【文章目录】：
0 概述
1 多智能体路径规划
    1.1 问题定义
    1.2 问题属性
2 最优多智能体路径规划算法
    2.1 A*搜索的扩展
        2.1.1 多智能体路径规划中的A*搜索
        2.1.2 A*搜索的缺陷和改进
    2.2 代价增长树搜索
        2.2.1 高层次搜索
        2.2.2 低层次搜索
        2.2.3 剪枝加速
    2.3 基于冲突的搜索
        2.3.1 约束与一致路径
        2.3.2 高层次搜索
        2.3.3 低层次搜索
        2.3.4 改进的基于冲突搜索
    2.4 基于规约的方法
3 近似的多智能体路径规划算法
    3.1 无边界次优的多智能体路径规划算法
        3.1.1 基于搜索的无边界次优算法
        3.1.2 基于规则的无边界次优算法
        3.1.3 基于规约的无边界次优算法
        3.1.4 其他无边界次优算法
    3.2 有边界次优的多智能体路径规划算法
        3.2.1 基于A*的有边界次优算法
        3.2.2 基于代价增长树搜索的有边界次优算法
        3.2.3 基于冲突搜索的有边界次优算法
        3.2.4 基于规约的有边界次优算法
4 研究展望
5 结束语


【参考文献】：
期刊论文
[1]基于多智能体系统的飞机滑行路径规划[J]. 唐勇,何东林,朱新平.  江苏大学学报(自然科学版). 2019(05)
[2]基于强化学习的多Agent路径规划方法研究[J]. 王毅然,经小川,田涛,孙运乾,从帅军.  计算机应用与软件. 2019(08)
[3]基于改进遗传算法的智能仓储多移动机器人协同调度[J]. 范媛,李文锋,贺利军.  武汉理工大学学报(信息与管理工程版). 2019(03)
[4]基于保留区域的分布式多机器人路径规划[J]. 曹其新,黄先群,朱笑笑,邹风山.  华中科技大学学报(自然科学版). 2018(12)
[5]动态修改路径的多机器人路径规划[J]. 晁永生,孙文磊.  机械科学与技术. 2018(10)
[6]多机器人最优路径规划研究[J]. 舒翔翔.  信息与电脑(理论版). 2017(15)
[7]多机器人系统及其路径规划方法综述[J]. 付梦家,游晓明.  软件导刊. 2017(01)
[8]基于改进蚁群算法的多机器人路径规划研究[J]. 顾军华,孟慧婕,夏红梅,董永峰.  河北工业大学学报. 2016(05)
[9]基于分层强化学习及人工势场的多Agent路径规划方法[J]. 郑延斌,李波,安德宇,李娜.  计算机应用. 2015(12)
[10]多智能体寻路系统在计算机游戏上的应用[J]. 黄进,黄宗文,凌子燕.  电脑知识与技术. 2012(13)



本文编号：3649088