arXiv cs.AI· Raziyeh Moghaddas, Fabio Caraffini·· 3 天前AI 评分18
DCC-Incomplete：面向分布式约束满足的动态冲突聚类与轻量学习修复求解器
Dynamic Conflict Clustering with Lightweight Learning and Strategic Repair for Distributed Constraint Satisfaction
AI 导读
研究者提出修复型 DCSP 求解器 DCC-Incomplete，将未解部分归入冲突簇，并通过协调层把通信限制在同一冲突区域内的智能体之间。在带预设可满足解的分布式图着色基准上，其记忆引导重启将成功率从 37.50% 提升至 61.11%，中位运行时间从 0.565s 降至 0.367s，每条约束的中位通信量从 12.493 条消息降至 6.503 条。
正文 · AI 翻译
摘要：分布式约束满足问题（DCSP）对多智能体系统中的分布式决策进行建模，其中智能体为局部变量赋值，同时满足共享约束。然而，许多 DCSP 求解器仍然依赖广泛、重复的点对点通信，且在很大程度上是被动的，对策略性协调或学习的支持有限。这增加了通信开销，可能导致停滞，并降低困难实例的成功率。因此，我们提出 Dynamic Conflict Clustering-Incomplete（DCC-Incomplete），一种基于修复的求解器，它结合了以冲突为中心的分解、结构化协调、策略性修复和轻量级学习以实现停滞恢复。DCC-Incomplete 将问题中未解决的部分分组为冲突簇，并通过协调层将通信限制在同一冲突区域内的智能体之间。它还引入了记忆引导重启，使智能体和簇能够基于相邻冲突状态暂停、修改和调整修复。在带有植入可满足赋值的分布式图着色基准上对 DCC-Incomplete 进行的全面评估表明，其记忆引导重启将成功率从 37.50% 提高到 61.11%，将中位运行时间从 0.565s 降低到 0.367s，并将每条约束的中位通信量从 12.493 条消息减少到 6.503 条消息。这些结果表明，动态冲突聚类与轻量级策略性和学习引导的修复相结合，提高了不完整 DCSP 求解中的通信效率和鲁棒性。
| Subjects: | Multiagent Systems (cs.MA); Artificial Intelligence (cs.AI); Discrete Mathematics (cs.DM) |
| Cite as: | arXiv:2610.15658 [cs.MA] |
| (or arXiv:2610.15658v1 [cs.MA] for this version) | |
| https://doi.org/10.48550/arXiv.2610.15658 arXiv-issued DOI via DataCite (pending registration) |
Submission history
From: Fabio Caraffini PhD [view email]
[v1]
Sun, 11 Oct 2026 14:35:35 UTC (7,061 KB)
来源：arXiv cs.AI · arxiv.org