Jan, 2014

使用关系决策树扩展启发式规划

PDF
TL;DR本文提出了一种基于机器学习的启发式计划搜索控制方法，通过学习搜索启发式计划的控制策略，实现了减少计算节点评估的目的，并通过两种方法（使用分类器作为行动策略和将分类器应用于生成前瞻状态）有效提高搜索效率，解决了现有启发式计划算法在可伸缩性方面的不足。
heuristic planningnode evaluationsmachine learningrelational classificationsearch control
发现论文，激发创造
  • 学习广义关系启发式网络进行模型无关规划

    利用深度神经网络学习适用于不同对象及数量的通用启发式方法，以解决当前计算复杂性问题所依赖的手工编码符号动作模型和启发式函数生成器效率不高的问题。实证评估表明，由此方法计算的通用启发函数可轻松应用于不同对象、数量显著大于训练数据的问题。

    Jul, 2020

  • 朝向学习领域独立规划启发式方法

    利用机器学习获取领域无关的启发式函数以提高自动规划在不同领域系统中的实际应用。

    Jul, 2017

  • 使用神经网络学习特定搜索空间启发式算法

    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

  • 学习排名以合成规划启发式方法

    研究领域特定规划的学习启发式，通过学习排名问题，引入了新的方法来计算捕获近似计划中的时间交互的特征。在最近的国际规划竞赛问题上进行的实验表明，RankSVM 学习启发式优于原始启发式和通过普通回归学习的启发式。

    Aug, 2016

  • 优化规划启发式算法，以排序而非估算目标开销

    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

  • 回归传统：用传统机器学习学习可靠的启发式方法

    当前的学习规划方法在几个领域中仍无法与经典规划器达到竞争力的性能，并具有较差的综合性能。本研究提出了一种构建新颖的图表示的提升规划任务，并使用 WL 算法从中生成特征的方法。这些特征与传统机器学习方法结合使用，其参数数量比最先进的深度学习规划模型少 2 个数量级，训练速度快 3 个数量级。我们的新方法 WL-GOOSE 可可靠地从头开始学习启发式，并在公平竞争环境中优于 $h^{ext {FF}}$ 启发式。在 10 个领域中 WL-GOOSE 在覆盖率上优于或与 LAMA 持平，在计划质量上优于 LAMA 的 4 个领域。WL-GOOSE 是第一个在学习规划模型中取得这些成就的模型。此外，我们还研究了我们的新型 WL 特征生成方法、先前的理论化学习架构和用于规划的描述逻辑特征之间的联系。

    Mar, 2024

  • 从前像样本中学习启发式函数以进行古典规划

    本文提出了一种基于回归的监督学习算法 (RSL)，用于学习每个实例的神经网络定义的启发式函数，以解决经典计划问题，并证明了它在覆盖率和训练时间方面优于以前的计划启发式功能。

    Jul, 2022

  • 启发式规划的定理证明

    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

  • 学习使用不确定拓扑地图进行规划

    本文采用一种数据驱动的策略和基于图像的规划，应用于 3D 环境中的导航系统，通过机器学习方法实现了图像哈希表上的最短路径规划，比传统符号算法更优秀。

    Jul, 2020

  • 关系神经网络能解决哪些规划问题？

    本论文通过建立关系性神经网络的电路复杂度分析与目标回归搜索之间的联系，揭示了策略学习中的规划问题有三类，同时证明了电路宽度和深度与物体数量和规划周期成正比，从而得出了设计策略学习神经网络的实用性。

    Dec, 2023