Recientemente, los sistemas multiagente se han vuelto comunes como tecnologías esenciales para diversos problemas prácticos. Un problema esencial en los sistemas multiagente es la automatización colaborativa de las operaciones de recogida y entrega en almacenes. La tarea de comisionamiento del almacén implica encontrar artículos específicos en un almacén y moverlos a una ubicación determinada utilizando robots. Esta tarea se define como un problema de asignación de tareas espaciales (SPATAP) basado en un proceso de decisión de Markov (MDP). Se considera un sistema multiagente descentralizado en lugar de un sistema que gestiona y optimiza agentes de manera centralizada. La investigación existente sobre SPATAP que involucra modelar el entorno como un MDP y aplicar búsquedas en árboles de Monte Carlo ha demostrado que este enfoque es eficiente. Sin embargo, no ha habido suficiente investigación en escenarios en los que a todos los agentes se les proporciona un plan común a pesar de que sus acciones se deciden de manera independiente. Así, los estudios anteriores no han considerado comportamientos cooperativos de robots con diferentes objetivos, y el problema donde cada robot tiene diferentes metas no ha sido estudiado extensamente. En términos del elemento cooperativo, el enfoque de intercambio de artículos no ha sido considerado de manera efectiva en estudios previos. Por lo tanto, en este artículo, nos centramos en el problema de que a cada robot se le asigne una tarea diferente para optimizar el porcentaje de recogida y entrega de artículos a tiempo en situaciones sociales. Proponemos un método de planificación de acciones basado en la búsqueda en árboles de Monte Carlo y un método de intercambio de artículos entre agentes. También generamos un simulador para evaluar los métodos propuestos. Los resultados de las simulaciones demuestran que la tasa de logro mejora en almacenes pequeños y medianos. Sin embargo, la tasa de logro no mejoró en almacenes grandes porque la distancia promedio desde el depósito hasta los artículos aumentó.