[论文解读] Distributed Heuristic Forward Search for Multi-Agent Systems

Raz Nissim, Ronen I. Brafman|arXiv (Cornell University)|Jun 25, 2013

Logic, Reasoning, and Knowledge参考文献 34被引用 16

一句话总结

本文提出 MAD-A*，一种用于多智能体系统的分布式启发式前向搜索算法，通过在智能体间分配计算来实现高效且保护隐私的规划，同时尊重私有信息。该算法通过利用问题结构来减少搜索空间并避免信息泄露，从而在性能上优于集中式和现有分布式规划器。

ABSTRACT

This paper describes a number of distributed forward search algorithms for solving multi-agent planning problems. We introduce a distributed formulation of non-optimal forward search, as well as an optimal version, MAD-A*. Our algorithms exploit the structure of multi-agent problems to not only distribute the work efficiently among different agents, but also to remove symmetries and reduce the overall workload. The algorithms ensure that private information is not shared among agents, yet computation is still efficient -- outperforming current state-of-the-art distributed planners, and in some cases even centralized search -- despite the fact that each agent has access only to partial information.

研究动机与目标

• 开发一种尊重多智能体系统固有结构的分布式规划算法，其中每个智能体控制其私有的动作和信息。
• 通过防止智能体在搜索过程中共享私有状态或动作细节，确保隐私。
• 在仅拥有局部信息的情况下，实现与集中式搜索相当或更优的性能。
• 为缺乏可信第三方的系统提供一种可扩展且稳健的集中式规划替代方案。
• 为未来研究在分布式搜索中量化隐私损失并增强隐私保障奠定基础。

提出的方法

• 该算法采用前向搜索的分布式形式，每个智能体基于其私有动作和先决条件维护自己的本地搜索空间。
• 智能体通过公共动作和中间公共状态进行协调，仅交换规划所必需的状态信息。
• 使用启发式函数引导搜索，智能体计算本地成本估计，并传播动作成本的上界。
• 该算法采用源自分布式搜索的剪枝技术，以减少冗余探索并提高效率。
• 使用私有动作来满足公共动作的先决条件，智能体在不泄露私有细节的情况下计算应用公共动作的成本上界。
• 该方法支持最优（MAD-A*）和非最优搜索变体，后者通过避免披露 g-值来防止信息泄露。

实验结果

研究问题

• RQ1 能否设计一种分布式前向搜索算法，在多智能体规划中实现与集中式搜索相当的性能，同时保护智能体隐私？
• RQ2 当智能体对彼此的动作和状态访问有限时，如何在分布式规划中保护私有信息？
• RQ3 可采用何种机制在不泄露私有动作序列或内部状态的情况下，计算公共动作的成本边界？
• RQ4 分布式搜索在多大程度上可以利用问题结构来减少整体搜索空间并提高效率？
• RQ5 如何在不显著降低性能或解质量的前提下，将隐私保护技术集成到分布式搜索中？

主要发现

• 尽管每个智能体仅掌握部分信息，MAD-A* 仍优于当前最先进的分布式规划器，甚至在某些情况下优于集中式搜索算法。
• 该算法通过利用多智能体问题的分布式结构，并通过协调动作应用消除对称性，有效减少了搜索空间。
• 在整个搜索过程中，私有信息得到保护，因为智能体不共享内部状态、动作序列或先决条件。
• 该方法能够高效计算涉及私有动作的公共动作应用成本的上界。
• 该研究揭示了一种新颖的剪枝技术，该技术源于分布式搜索，展示了其在集中式规划中的更广泛应用潜力。
• 实证结果表明，隐私泄露（如推断私有状态模型）是可能的，但程度有限，尤其是在通过少量展开节点快速求解的问题中。