ECBS的兩個缺點：
1.容易陷入局部搜索，當結點N在進行擴展的時候，N的cost會逐漸增大，hc的值逐漸減小，當cost增大到一定程度且不滿足次優界限時，算法會接着搜索cost比N小一點，hc比N大一點的下個節點，如此循環直到找到解，這中cost和hc的負相關性會導致聚焦搜索反復放棄節點的擴展，卡在局部區域，永遠沒有機會探索其它部分。
2.在進行擴展中，節點的沖突數不斷減少，代價逐漸增加，導致次優的節點的hc的值較大，而Focal中每次都是選取hc小值進行擴充，因此，次優節點想要擴充到需要等到Focal中的節點快清空，但是由於一般會存在很多cost值差不多的節點，因此Focal很難清空，這就導致次優解一直得不到消耗，從而使上層的最優解下界幾乎不怎么增加，這就使得整個計算不能保證在合理的時間范圍內計算完成。
缺點1和2都涉及到負相關性，缺點很相似，但是一個是涉及成本，一個是涉及下界。
ECBS中函數定義：
N表示上層節點，n表示下層節點；
表示當前節點的狀態和其它Agent發生了沖突的Agent數量；
表示節點N中的路徑中的沖突數；
兩者共用一個公式：
表示節點N的最優解下界；
標准A*算法的啟發式
；
表示節點N的所有Agent的路徑cost之和；
在下層，按d(n)排序，在上層hc(N)按排序。
Explicit Estimation Search (EES)
EES是一種有界次優搜索算法，它解決了聚焦搜索因為負相關導致的一些問題。
ESS引入了第三個函數f^用來估計當前給定節點的解決方案的成本，結合了對cost和hc和估計，用來預測展開哪些次優節點能更快找到解決方案。如果當前次優內的節點都不滿足擴充條件，則它通過最小的f值來提高當前的邊界。
ESS需要維護三個列表：CLEANUP , OPEN和 FOCAL
CLEANUP是A*算法中一個有序隊列，按照啟發式f進行排序，OPEN是A*算法另外一個有序隊列，按照評估函數f^來排序，FOCAL中的從OPEN中選取，並且要滿足f^<=w*f^(bestf^)，其中fˆ(N) =cost(N) + hˆ(N)，這里的 hˆ(N)指的是cost-to-go；
。。。
Explicit Estimation CBS(EECBS)
上層中，需要維護三個列表：
CLEANUP：按照函數lb進行排序
OPEN：按照代價函數f^進行排序，這個函數估計了CT節點以下的解決方案的最小成本，fˆ(N) =cost(N) + hˆ(N)
FOCAL：包含OPEN中所有滿足fˆ(N)≤w·fˆ(best fˆ)的節點，並按照hc進行排序
EECBS選擇節點的規則如下：
if cost(besthc)<=w lb(bestlb) ,then select besthc from FOCAL
else if cost(bestf^)<=w lb(bestlb) ,then select bestf^ from OPEN
else select bestlb from CLEANUP
在線學習，求解hˆ(N)
步距誤差公式：
成本誤差公式：
bc(n)表示子節點中f^最小的節點；
c(n,bc(n))表示從節點n移動到bc(n)的cost；
因為在EECBS中沒有可接受成本h(n)，所以需要對公式修改；
在EECBS中被定義如下：
注釋：bc(N)表示節點N中最優子節點，在N的所有子節點中，cost最小為最優子節點，若cost相同，則沖突數hc最小的為最優子節點。