IJCAIJul, 2018

使用有序二元决策图上的传播进行随机约束优化

PDF
TL;DR本研究提出了一种基于 SC-ProbLog 的新方法来解决 SCOPs（Stochastic Constraint Optimization Problems）。相比先前使用 PLP 技术创造 OBDD 的方法，我们的方法更具高效性和领域一致性，并基于约束编程方法开发了一个新的传递器。
发现论文，激发创造
  • 分布式约束优化的逻辑和约束逻辑编程

    本文旨在探究利用基于逻辑编程技术的基础设施，通过使用一种通用约束求解器（此处为约束逻辑编程系统）来处理代理层次的约束求解，以解决分布式约束优化问题，并通过初步实验表明其在性能和可扩展性方面较目前最先进的 DCOP 系统有所提高，为解决 DCOP 问题提供更先进的技术手段（例如搜索策略和复杂约束) 。

    May, 2014

  • 随机约束编程：一种基于场景的方法

    介绍了一种基于情景树的随机约束编程模型，可以将该模型编译为传统的约束编程模型，提高了在决策问题和不确定性下决策的能力和效率。

    Mar, 2009

  • 约束层次蒙特卡罗信念状态规划

    优化在约束部分可观察马尔可夫决策过程中的规划，使用层次分解和在线基于搜索的约束选项信念树搜索算法来扩展大型机器人领域中的规划问题。

    Oct, 2023

  • 有序析取的逻辑编程

    该研究介绍了基于排序析取的逻辑程序设计，结合了响应集编程的想法，它有助于设计和配置应用，并可作为定性决策的基础。

    Jul, 2002

  • 随机约束编程

    介绍了随机约束编程的模型，该模型旨在解决涉及不确定性和概率的组合决策问题，通过提出一种包含决策变量和随机变量的约束编程序语义及算法解决不同假设条件下的不确定性决策问题，结合了传统约束满足、随机整数编程和随机可满足性理论的方法。

    Mar, 2009

  • 自适应概率信赖约束下的连续高维信念空间规划

    研究了基于信念空间规划的在线决策问题，在信息收集等场景下，介绍了一种自适应的方法来寻求最大可行回报，应用这种方法可以在保证准确率的前提下显著加速在线决策过程，并进行了大量现实模拟来验证此方法的优越性。

    Feb, 2023

  • 深度关注信念传播：融合推理与学习以解决约束优化问题

    通过将 Belief Propagation、门控循环单元和图注意力网络无缝地整合进消息传递框架中，我们提出了一种名为 DABP 的深度注意力置信传播模型，它可以推断得到优化后的权重和阻尼因子，通过无需昂贵的训练标签，可有效避免常见的分布问题进行自我监督学习，并通过实验表明它显著优于现有的基线模型。

    Sep, 2022

  • 受限贝叶斯优化在部分观测下的平衡改进和可证收敛性

    在部分可观测约束优化问题（POCOPs）中，我们通过改进的收集函数设计在优化期间引入平衡探索，并提出了一种使用不同似然度的高斯过程嵌入模型作为部分可观测约束的替代模型。实证研究结果表明，我们的方法在解决 POCOPs 问题上具有竞争力。

    Dec, 2023

  • CLP (BN)：用于概率知识的约束逻辑编程

    通过约束逻辑编程的框架，提出了一种新方法 CLP (BN)，用于表达贝叶斯网络，该方法使用唯一的新符号 Skolem 函数表示具有未知值的对象，与 PRMs 和概率逻辑程序相关。

    Oct, 2012

  • 混合约束下的动态规划优化

    通过引入 DPMC 和 DPO，结合动态规划和代数决策图技术实现了精确求解更为一般化的最大概率解释问题 Boolean MPE，并在随机生成的混合子句 - 异或范式公式实验中显著优于目前的 MaxSAT 状态最优求解器。

    May, 2022