Benchmarking Large Neighborhood Search for Multi-Agent Path Finding

多智能体路径规划（MAPF）旨在为一组代理安排无碰撞的目标到达路径。基于大邻域搜索（LNS）的Anytime MAPF求解器由于其灵活性和可扩展性而受到关注。邻域选择策略对MAPF-LNS的成功至关重要，并提出了大量方法。然而，存在几个缺陷阻碍了这些新方法的全面评估，主要包括：1）低于实际或不正确的基准性能；2）缺乏统一的评估设置和标准；3）缺乏用于监督学习方法的代码库或可执行模型。为了克服这些挑战，我们在相同的基准测试和超参数搜索设置上对着名方法进行公平比较。此外，我们提出了一种简单的邻域选择策略，在具有大量代理的大地图上提高了运行时效率。我们的基准评估为现有的基于学习的方法提供了新的挑战，并在机器学习与MAPF-LNS集成时提供了未来研究的机会。代码和数据可在https://github.com/ChristinaTan0704/mapf-lns-benchmark上获得。

本论文旨在解决多智能体路径规划（MAPF）中的冲突避免问题，通过比较不同邻域选择策略的性能，提出一个简单的邻域选择策略来提高大地图和大数量智能体的运行效率。

论文提出了一种基于大邻域搜索（LNS）的MAPF-LNS求解器，采用不同的邻域选择策略来提高求解效率。此外，论文提出了一种简单的邻域选择策略，能够有效提高大地图和大数量智能体的运行效率。

论文在同一基准测试和超参数搜索设置下，对多个突出的MAPF-LNS方法进行了公平比较，并提供了代码和数据。论文还提出了一个简单的邻域选择策略，能够有效提高求解效率。此外，论文为现有的基于学习的方法提供了新的挑战，并为未来的研究提供了机会。代码和数据可在https://github.com/ChristinaTan0704/mapf-lns-benchmark上获得。

最近相关研究包括：“A Survey of Multi-Agent Pathfinding”和“Learning Multi-Agent Path Finding with a Deep Recurrent Network”。