Selección de Solver Anytime para problemas de Multi Agent Path Finding con Machine Learning.

Abstract

En este estudio, se propone y desarrolla un metasolver basado en Machine Learning para problemas de Multi Agent Path Finding (MAPF), con el objetivo de seleccionar el solver más adecuado en función de las características específicas del problema y el límite de tiempo proporcionado por el usuario. El enfoque busca mejorar el rendimiento del Single Best Solver y aproximarse al rendimiento del Virtual Best Solver. Para ello, se recopiló un conjunto de datos amplio y variado, y se seleccionaron y modificaron algoritmos de última generación que pudieran manejar eficientemente el tiempo límite. Se identificaron características relevantes y se construyó un modelo de Machine Learning preciso y robusto utilizando el algoritmo XGBoost. El modelo se evaluó en términos de la métrica ˆm y se comparó con otros métodos del estado del arte. Los resultados demuestran que el enfoque propuesto es efectivo y consistente, superando el rendimiento del Single Best Solver y aproximándose al desempeño del Virtual Best Solver.