Decentralized Multi-Agent Goal Assignment for Path Planning using Large Language Models

一、文章主要内容总结该研究聚焦于多智能体系统中去中心化目标分配问题，核心是在完全可观测的网格环境中，让多个智能体独立生成目标偏好排序，通过固定冲突解决规则（如智能体索引优先级）完成目标分配，最终最小化所有智能体到达目标的总耗时（makespan）。研究背景：集中式目标分配在智能体数量增加或环境动态变化时存在计算不可行问题，去中心化成为更具扩展性的替代方案，但需解决智能体独立决策与全局优化的平衡难题。研究设计：环境设定：20×20随机生成网格，包含2-6个智能体、对应数量目标及15-30个障碍物，智能体拥有环境全信息。对比方法：包括贪心算法（选择最近目标）、随机分配、集中式最优解，以及基于GPT-4.1和LLaVA的大语言模型（LLM）智能体。提示工程：为LLM设计结构化提示，包含网格图像、场景描述、目标距离表（部分实验）及思维链（CoT）引导，要求生成目标排序并考虑团队目标。核心流程：智能体独立生成目标偏好→交换排序结果→按预设规则解决冲突→确定唯一目标分配→智能体通过BFS算法沿最短路径移动。实验结果：GPT-4.1（含距离表+分步重排序）表现最佳，平均makespan为15.12，接近最优解（13.93），显著优于贪心算法（17.93）和随机分配（20.54）。缺乏距离信息时LLM性能下降，LLaVA表现最差（27.