[论文解读] GRASP for the Coalition Structure Formation Problem

Nicola Di Mauro, Teresa M. A. Basile+2 more|arXiv (Cornell University)|Apr 16, 2010

Game Theory and Voting Systems参考文献 9被引用 3

一句话总结

本文提出 GRASP-CSF，一种高效的贪心自适应搜索方法，可在多智能体系统中快速找到近似最优的联盟结构。通过结合构造阶段与局部搜索阶段，其在时间受限环境下对高维问题的求解速度比精确算法（如 IDP）快达 1,000 倍，表现尤为出色。

ABSTRACT

The coalition structure formation problem represents an active research area in multi-agent systems. A coalition structure is defined as a partition of the agents involved in a system into disjoint coalitions. The problem of finding the optimal coalition structure is NP-complete. In order to find the optimal solution in a combinatorial optimization problem it is theoretically possible to enumerate the solutions and evaluate each. But this approach is infeasible since the number of solutions often grows exponentially with the size of the problem. In this paper we present a greedy adaptive search procedure (GRASP) to efficiently search the space of coalition structures in order to find an optimal one. Experiments and comparisons to other algorithms prove the validity of the proposed method in solving this hard combinatorial problem.

研究动机与目标

• 解决多智能体系统中 NP 完全的联盟结构形成（CSF）问题，由于解空间呈指数级增长，穷举搜索不可行。
• 开发一种快速的、可任意时间返回高质量解的算法，以满足时间约束下的需求，这对反应式智能体系统至关重要。
• 在大规模 CSF 问题中，优于现有精确算法与启发式算法，在解的质量与计算时间方面均表现更优。
• 评估 GRASP 作为随机局部搜索方法在联盟形成这类组合优化问题中的有效性。

提出的方法

• GRASP-CSF 采用两阶段方法：第一阶段通过贪心随机自适应过程构建初始联盟结构，第二阶段通过局部搜索优化解。
• 算法使用随机贪心选择策略，在构建阶段优先考虑高价值联盟，从而降低对次优划分的偏倚。
• 局部搜索采用分裂、合并、提取和交换等邻域算子，探索相邻的联盟结构并逃离局部最优。
• 算法配置了最大迭代次数限制（例如 20 次），以确保终止，并在需要时保证恢复最优解。
• 解的质量通过相对质量衡量：V(C)/V(C*)，其中 C* 为最优联盟结构。
• 实验使用均匀与非均匀的价值分布，每种智能体数量（14–20 个）下共 10 个问题实例，时间与质量指标在多次运行后取平均。

实验结果

研究问题

• RQ1 GRASP 能否有效应用于联盟结构形成问题的任意时间算法，在时间限制下逐步提供更优的解？
• RQ2 GRASP-CSF 是否能在比当前最先进的精确算法（如 IDP 和 IP）更快的速度下找到最优联盟结构？
• RQ3 与模拟退火和 Sandholm 等人的算法相比，GRASP-CSF 在解的质量与速度方面表现如何？
• RQ4 随着智能体数量的增加，该算法的性能扩展程度如何？

主要发现

• GRASP-CSF 平均在 0.05 秒内找到最优解，而 IDP 最多需要 47.8 秒，因此在 20 个智能体的问题中，GRASP-CSF 的速度最快可达 IDP 的 1,000 倍。
• 对于 20 个智能体，GRASP-CSF 平均仅用 0.0499 秒即达到最优解，而 IDP 需要 47.8 秒。
• 算法在前 3 次迭代内即达到近似最优解（相对质量 > 0.99），10 次迭代后平均解质量超过 0.995。
• GRASP-CSF 在解质量方面始终优于模拟退火与 Sandholm 等人的算法，且在所有测试问题规模（14–20 个智能体）下，相对误差更低。
• 随着问题规模增大，GRASP-CSF 与 IDP 之间的性能差距进一步扩大，表明所提方法具有更优的可扩展性。
• 即使最大迭代次数固定为 20，GRASP-CSF 在全部 10 个实例中对 18–20 个智能体的问题均实现了 100% 的最优解恢复，展现出强大的鲁棒性与可靠性。