《大规模、动态与分布式多智能体实时系统协调》124页

带时空约束的联盟形成问题（CFSTP）旨在刻画任务分配与联盟形成的交叉场景。该模型中，数十个异构智能体部署于数公里区域执行数千项任务（每项任务具有截止时间与工作量）。为最大化任务完成量，智能体需通过组建、解散与重组联盟实现协作。本论文首先深入分析前瞻性联盟形成算法（CFLA）——当前最先进的CFSTP算法，揭示其核心局限，进而提出扩展版本CFLA2。研究表明CFLA2无法完全消除CFLA缺陷，因此开发新型算法"基于集群的任务调度"（CTS），首次实现即时性、高效性与收敛性保障的统一。实证验证CTS相较CFLA与CFLA2的优越性，并提出简化并行版本S-CTS。在RoboCup救援仿真生成的任务场景中，S-CTS性能媲美高性能二进制最大和（Binary Max-Sum）与分布式随机算法（DSA），同时速度提升两个数量级。随后，提出CFSTP最小化数学规划模型，将其简化为动态分布式约束优化问题，并设计CTS分布式版本D-CTS。构建模拟消防员调度的测试框架，验证D-CTS在大规模动态环境中的有效性。最后，针对"任务解决越快、效益越大"场景，提出"多智能体联盟路由调度问题"（MARSC）——涵盖CFSTP与带时间窗团队定向问题（TOPTW）的通用模型。建立二进制整数规划模型，提出首创新型算法"任意时精准并行节点遍历"（ANT），该算法同时适用于MARSC与CFSTP。此外定义近似变体ANT-ε。基于扩展版CTS与实时系统常用"最早截止期优先"技术，在本土化测试框架中验证两类算法性能。

章节概要
第二章 针对1.3节界定领域综述多智能体联盟形成任务分配研究，目标有二：详述研究领域选择依据；论证现有模型虽接近研究目标，但无法全面满足，从而引出第六章MARSC提案。
第三章 奠定后续章节理论基础：CFSTP的约束规划模型、CFLA算法及原始混合整数规划模型。
第四章 提出CFLA改进算法CFLA2；设计新型最优CFSTP算法CTS；定义并行变体S-CTS；基于RoboCup救援仿真对比评估CTS、Binary MaxSum与DSA算法性能。
第五章 构建CFSTP最小二进制整数规划模型并简化为DynDCOP形式；设计CTS分布式版本D-CTS；基于伦敦消防队记录的大规模真实场景测试框架进行实证评估。
第六章 构建适用于实时领域的通用模型MARSC（涵盖CFSTP与TOPTW）；设计首个任意时精准并行MARSC算法ANT及其近似变体ANT-ε。
结论 总结研究优势与局限，提出未来研究方向清单。