Newest papers

PACT: Plan-Augmented Coordination via Trace-Graphs for Dynamic Multi-Agent Combinatorial Optimization

Xiao Zhou, Alex Schutz, Victor-Alexandru Darvariu, Nick Hawes · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26671 · cited by 0 works (OpenAlex) · open-access PDF

Russian

Многоагентные подходы были недавно исследованы в качестве средства улучшения масштабируемости усиления обучения для нейронной комбинаторной оптимизации. Существующие методы предполагают, что вся информация об экземплярах проблем известна заранее. Однако реальные проблемы часто динамичны: соответствующая информация постепенно раскрывается, когда агенты принимают действия (например, прибывая к краю в проблеме маршрутизации только для того, чтобы обнаружить, что это непроходимо). В таких случаях существующие методы не координируют агентов, чтобы исследовать и эксплуатировать прогрессивно раскрытую информацию. Для решения возникающей проблемы координации мы внедряем PACT (План-Увеличенная координация через трасс-графи). PACT увеличивает окружающую среду с вспомогательными узлами, представляющими планы агентов, которые связаны с

Machine translation (Meta M2M100); the English original follows.

Abstract

Multi-agent approaches have been investigated recently as a means of improving the scalability of reinforcement learning for neural combinatorial optimization. Existing methods assume that all problem instance information is known upfront. However, real-world problems are often dynamic: relevant information is progressively revealed as the agents take actions (e.g., arriving at an edge in a routing problem only to discover it is untraversable). In such cases, existing methods fail to coordinate agents to explore and exploit the progressively revealed information. To address the arising coordination challenge, we introduce PACT (Plan-Augmented Coordination via Trace-graphs). PACT augments the environment graph with auxiliary nodes representing the plans of agents, which are connected to the resource nodes to indicate future dependencies. The proposed message-passing scheme over the augmented graph grounds inter-agent coordination in the environment and enables proactive, rather than reactive, conflict resolution. We show that PACT improves solution quality in dynamic problems relative to baselines and exhibits the best transfer to larger instances on which, remarkably, it outperforms centralized oracles with privileged access to instance uncertainty.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Scalability, Exploit, Graph, Reinforcement learning, Distributed computing

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange