Asymmetric distributed constraint optimization problems (ADCOPs) have emerged as an important formalism in multi-agent community due to their ability to capture personal preferences. However, the existing search-based complete algorithms for ADCOPs only exploit local knowledge to calculate lower bounds, which leads to inefficient pruning and prohibits them from solving large scale problems. On the other hand, inference-based complete algorithms (e.g., DPOP) for distributed constraint optimization problems are able to aggregate the global cost promptly but cannot be directly applied into ADCOPs due to a privacy concern. Thus, in this paper, we investigate the possibility of combining inference and search to effectively solve ADCOPs at an acceptable loss of privacy. Specifically, we propose a hybrid complete ADCOP algorithm called PT-ISABB which uses a tailored inference algorithm to provide tight lower bounds and upper bounds, and a tree-based complete search algorithm to guarantee the optimality. Furthermore, we introduce two suboptimal variants of PT-ISABB based on bounded-error approximation mechanisms to enable trade-off between theoretically guaranteed solutions and coordination overheads. We prove the correctness of PT-ISABB and its suboptimal variants. Finally, the experimental results demonstrate that PT-ISABB exhibits great superiorities over other state-of-the-art search-based complete algorithms and its suboptimal variants can quickly find a solution within the user-specified bounded-error.

中文翻译：

---

基于混合树的非对称分布约束优化算法

由于非对称分布式约束优化问题（ADCOP）能够捕获个人偏好，因此已成为多代理社区中的一种重要形式形式。但是，现有的针对ADCOP的基于搜索的完整算法仅利用本地知识来计算下界，这会导致修剪效率低下，并阻止他们解决大规模问题。另一方面，用于分布式约束优化问题的基于推理的完整算法（例如DPOP）能够迅速汇总全球成本，但由于隐私问题而不能直接应用于ADCOP。因此，在本文中，我们研究了将推理和搜索相结合以在可接受的隐私损失下有效解决ADCOP的可能性。特别，我们提出了一种称为PT-ISABB的混合完整ADCOP算法，该算法使用量身定制的推理算法来提供严格的下限和上限，并使用基于树的完整搜索算法来保证最优性。此外，我们基于有界误差近似机制引入了PT-ISABB的两个次优变体，以实现理论上有保证的解决方案与协调开销之间的权衡。我们证明了PT-ISABB及其次优变体的正确性。最后，实验结果表明，PT-ISABB相对于其他基于搜索的最先进的完整算法显示出极大的优势，其次优的变体可以在用户指定的误差范围内快速找到解决方案。以及基于树的完全搜索算法以确保最优性。此外，我们基于有界误差近似机制引入了PT-ISABB的两个次优变体，以实现理论上有保证的解决方案与协调开销之间的权衡。我们证明了PT-ISABB及其次优变体的正确性。最后，实验结果表明，PT-ISABB相对于其他基于搜索的最先进的完整算法显示出极大的优势，其次优的变体可以在用户指定的误差范围内快速找到解决方案。以及基于树的完全搜索算法以确保最优性。此外，我们基于有界误差近似机制引入了PT-ISABB的两个次优变体，以实现理论上有保证的解决方案与协调开销之间的权衡。我们证明了PT-ISABB及其次优变体的正确性。最后，实验结果表明，PT-ISABB相对于其他基于搜索的最先进的完整算法显示出极大的优势，其次优的变体可以在用户指定的误差范围内快速找到解决方案。我们证明了PT-ISABB及其次优变体的正确性。最后，实验结果表明，PT-ISABB相对于其他基于搜索的最先进的完整算法显示出极大的优势，其次优的变体可以在用户指定的误差范围内快速找到解决方案。我们证明了PT-ISABB及其次优变体的正确性。最后，实验结果表明，PT-ISABB相对于其他基于搜索的最先进的完整算法显示出极大的优势，其次优的变体可以在用户指定的误差范围内快速找到解决方案。