FF 规划系统:通过启发式搜索进行快速计划生成
提出了一种名为 Probabilistic-FF 的新的概率规划算法,该算法结合了 Conformant-FF 的技术和加权模型计数技术,可在具有概率部分不可观测性的问题上进行推理,并在各种概率域中显示出良好的可扩展性。
Oct, 2011
本文介绍了一种扩展了忽略删除列表的启发式搜索算法并将其应用于数值规划的方法,称为 Metric-FF,可提高数值任务的计划效率。
Jun, 2011
Fast Downward 是一种基于启发式搜索的经典计划系统,它使用多值计划任务的另一种表示来计算其启发函数,称为因果图启发式函数,这与传统的基于忽略运算符负交互作用的 HSP 启发式函数非常不同。
Sep, 2011
本文介绍了两种方法用于从以往的经验中学习机器人规划领域的结构信息并将其应用于未来的搜索优化,其中,在该研究中,提出的方法已经成功应用于第四届国际规划竞赛,从而大大降低了搜索的时间复杂度。
Sep, 2011
本研究介绍了一种利用启发式算法解决定理证明和计划制定问题的方法,并将其应用于 situation calculus 中。该方法通过使用 A * 搜索算法排列一系列情境,并利用删除松弛法控制启发式规划器,获得较短的计划方案,并探索较少的状态。实验表明,该方法可以应用于较大规模的问题。
Mar, 2023
该论文提出了一种启发式搜索算法来解决一阶马尔可夫决策过程,其方法结合了一阶状态抽象和启发式搜索,以避免对所有状态进行评估,并通过可达性引导来限制搜索。该方法在国际计划竞赛中取得了较好的成绩。
Sep, 2011
本研究提出了一种新的基于指针的 GP 解空间、评估和启发式函数,以及 BFGP 算法,为了实现 GP 的启发式搜索,避免了提前 grounding state 或 action 所带来的问题,能有效处理大型状态变量集合和大量数值域的情况。
Jan, 2023
建议并评估了一种系统,该系统学习了一种用于基于正向搜索的满足经典规划的神经网络启发式函数。我们的系统从头开始学习目标估计器,并生成训练数据。通过反向回归搜索或通过反向搜索从给定或猜测的目标状态生成培训数据。
Jun, 2023
本文针对广义规划领域,在引入启发式搜索方法的前提下,提出首个本地启发式搜索方法,定义基于程序的解空间,以实现不同实例规划和不同实例规划大小的独立运行,同时定义 BFGP 算法进行最佳优先搜索,并由不同评估和启发式功能作为指导。
May, 2022
本论文重新审视了启发式函数在规划中的模仿学习中的必要和充分条件,并针对给定的前向搜索算法的变体提出了一族基于排名的损失函数。另外,从学习理论的角度讨论了为什么优化成本 - 目标 h * 是不必要困难的。实验比较在多样化的问题集上明确地支持了得出的理论。
Oct, 2023