[论文解读] Multi-agent Path Planning and Network Flow

Jingjin Yu, Steven M. LaValle|arXiv (Cornell University)|Apr 25, 2012

Vehicle Routing Optimization Methods被引用 26

一句话总结

本文在碰撞自由单位距离图（CUGs）上的多智能体路径规划与网络流问题之间建立了理论与算法上的联系，使组合网络流和线性规划技术得以应用。证明了在CUGs上进行排列不变的多智能体路径规划总能在 n + V − 1 个时间步内实现可行解，并提出了一种 O(nVE) 时间复杂度的算法来计算此类解，同时提供了高效方法以优化时间与距离目标，这些目标被证明为Pareto最优且无法同时最优优化。

ABSTRACT

This paper connects multi-agent path planning on graphs (roadmaps) to network flow problems, showing that the former can be reduced to the latter, therefore enabling the application of combinatorial network flow algorithms, as well as general linear program techniques, to multi-agent path planning problems on graphs. Exploiting this connection, we show that when the goals are permutation invariant, the problem always has a feasible solution path set with a longest finish time of no more than $n + V - 1$ steps, in which $n$ is the number of agents and $V$ is the number of vertices of the underlying graph. We then give a complete algorithm that finds such a solution in $O(nVE)$ time, with $E$ being the number of edges of the graph. Taking a further step, we study time and distance optimality of the feasible solutions, show that they have a pairwise Pareto optimal structure, and again provide efficient algorithms for optimizing two of these practical objectives.

研究动机与目标

• 建立CUGs上多智能体路径规划与网络流问题之间的正式联系。
• 证明在CUGs上进行排列不变的多智能体路径规划总能在有界时间范围内实现可行解。
• 设计一种高效的 O(nVE) 算法，用于计算具有有界完成时间的无碰撞路径。
• 优化实际目标如时间与距离，并分析其权衡关系。
• 探讨目标替换与Pareto最优性在多智能体路径规划中的影响。

提出的方法

• 通过时间展开网络构造，将CUGs上的多智能体路径规划问题转化为动态网络流问题。
• 应用改进的最大流算法，为所有智能体计算可行且无碰撞的路径。
• 采用时间展开图结构，其中每个顶点按时间步进行复制，边表示有效的智能体移动。
• 使用最小费用最大流来优化总时间与总距离等目标。
• 利用时间展开网络的仅向前结构，确保多项式时间可解性。
• 提出一个框架以处理目标替换，并分析时间与距离目标之间的Pareto最优权衡。

实验结果

研究问题

• RQ1 CUGs上的多智能体路径规划能否被约化为网络流问题，这种约化具有何种含义？
• RQ2 在CUGs上进行排列不变的多智能体路径规划中，可行解的完成时间（最长结束时间）的最紧上界是什么？
• RQ3 能否设计出高效算法以同时优化时间与距离目标，其内在权衡是什么？
• RQ4 目标替换与路径结构如何影响多智能体路径规划解的最优性与复杂度？
• RQ5 网络流与线性规划在实现多智能体系统可扩展、最优或近似最优解中起到什么作用？

主要发现

• 本文证明，CUGs上任意排列不变的多智能体路径规划问题，其可行解的完成时间至多为 n + V − 1 个时间步，其中 n 为智能体数量，V 为顶点数。
• 提供了一种 O(nVE) 时间复杂度的算法来计算此类可行解，其中 E 为图中的边数。
• 时间与距离目标被证明为Pareto最优，即无法在不恶化另一项目标的前提下改进其中一项。
• 在时间展开网络上使用最小费用最大流，可在 O(nVE log V) 时间内高效优化总时间目标。
• 最短总距离目标（目标24）与时间与距离目标（20, 21, 27）不相容，即无法同时优化。
• 在允许目标替换的前提下，目标20、21与27可同时优化，且优化目标27（总距离）可确保其他目标的最优性。