Optimierung Richtungen Gewichten in Leitungsgraphen für Multi-Agenten-Routenplanung

In der lebenslangen Multi-Agenten-Routenplanung (LMAPF) werden Agenten kontinuierlich neue Ziele zugewiesen, sobald sie ihre aktuellen Aufgaben abgeschlossen haben. Um die Bewegung dieser Agenten zu steuern, setzen Forscher auf sogenannte Guidance Graph Optimization (GGO)-Methoden, die einen bidirektionalen, gewichteten Graphen optimieren. In diesem Graphen stellen gerichtete Kanten die möglichen Aktionen – Bewegung oder Warten – dar, während die Kantengewichte die Kosten dieser Aktionen widerspiegeln.

Ein Problem bei herkömmlichen GGO-Ansätzen ist, dass die Kantengewichte lediglich eine weiche Orientierung bieten: ein hoher Wert schreckt Agenten ab, verhindert jedoch nicht, dass sie die Kante benutzen. Um strengere Richtlinien zu schaffen, erweitert die aktuelle Arbeit das Konzept zu Mixed Guidance Graph Optimization (MGGO). Dabei werden sowohl die Kantengewichte als auch die Richtungen der Kanten optimiert, sodass Agenten gezielt bestimmte Wege einhalten oder meiden müssen.

MGGO wird in zwei Varianten vorgestellt. Die erste Methode führt die Optimierung in zwei getrennten Phasen durch: zunächst werden die Richtungen festgelegt, anschließend die Gewichte angepasst. Die zweite Variante nutzt Quality Diversity-Algorithmen, um ein neuronales Netzwerk zu trainieren, das gleichzeitig Richtungen und Gewichte generiert. Zusätzlich wird ein neuer Ansatz integriert, der Verkehrs­muster berücksichtigt, um richtungsbewusste Leitungsgraphen zu erzeugen.

Durch diese Fortschritte erhalten Agenten in lebenslangen Szenarien nicht nur weiche, sondern auch klare Anweisungen, was die Effizienz und Sicherheit der Pfadplanung erheblich verbessert. Die vorgestellten MGGO-Methoden eröffnen damit neue Möglichkeiten für die Optimierung von Multi-Agenten-Systemen in dynamischen Umgebungen.