36、大数据高效数据分析方法与多负载智能体路径规划

大数据高效数据分析方法与多负载智能体路径规划

1. 多模型线性回归数据分析方法

多模型线性回归（MMLR）是一种新的数据处理方法，具有高可解释性、高预测精度和高效模型构建的优点。它能够处理大数据集的DPRVR问题，在一些通用假设下，其预期时间复杂度为$O(M_0(N + k^3 + \frac{k^2}{\epsilon^2}))$，低于现有的分段回归方法。

若数据能通过线性函数拟合，算法2的预期时间复杂度为$O(M_0(N + k^3 + \frac{k^2}{\epsilon^2}))$。这种假设在低维情况（如$k ≤ 7$）中较为常见。对于许多数据集，可以通过对数据进行合理归一化来控制$\sigma$和$L$的值，使数据满足假设条件。

2. 多负载智能体取货与送货问题

近年来，许多商业平台为提高自动化仓库的运营效率，开始部署多负载智能体。多智能体取货与送货（MAPD）问题是终身多智能体路径规划（MAPF）问题的一个变体，在一般的MAPD问题中，智能体通常是单负载的，一次只能完成一个任务。但多负载智能体可以同时完成多个任务，现有的MAPD解决方案并不适用于多负载智能体场景。

现有的MAPD研究主要集中在任务分配和路径规划两个阶段，但存在以下两个问题：
- 忽略多负载智能体 ：大多数现有工作只考虑单负载智能体，而多负载智能体的调度更为复杂，不仅要考虑完成分配任务的路径，还要考虑智能体已有任务的路径。
- 任务分配与路径规划分离 ：多数现有解决方案只解决任务分配或路径规划中的一个问题，忽略了两者之间的相互影响，导致实际效果不佳。