医疗 Co-MAPF 的 Python 工程实现思路

第四章 基于 Python 开源生态的工程实现框架

理论研究最后还是要回到能跑的代码上。对医疗 Co-MAPF 这类问题，我更倾向于先借力现成的 Python 开源库，再围绕业务约束做扩展，而不是一开始就从零写求解器。这样省时间，也更容易把精力放在医院场景真正难的部分：连续时间、冲突处理和系统集成。

4.1 基础框架评估与总体集成架构

从零实现一个鲁棒的 Co-MAPF 求解器，工程量其实很大。更现实的做法，是先选一个成熟的 MAPF 开源库作为底座，再往上加医疗调度需要的约束和接口。

比较合适的起点有两个：

1. msaudulhassan/mapf：这个项目把 CBS、优先级规划（Prioritized Planning）和时空 A* 都拆得比较清楚，代码读起来不费劲。它的优势不在功能堆得多，而在结构干净，适合拿来理解底层机制，顺手做一些轻量扩展。
2. atb033/multi_agent_path_planning：功能更完整，除了 CBS，还实现了 SIPP 和基于速度障碍法（VO）的分布式规划。对我来说，最实用的是它原生支持连续时间规划（SIPP），同时带 YAML 场景输入/输出和可视化工具，做实验原型会省很多杂活。

如果目标是尽快搭出原型，尤其是要面对动态、连续时间场景，我会优先选 atb033/multi_agent_path_planning。它离一个可演示、可调试的系统更近，后面再把求解器封装成微服务，通过 RESTful API 接到医疗调度系统里，路径规划和业务系统之间也能分得更清楚。