IJCAIJun, 2019

谨慎缩放：具有节点扩展保证的线性内存启发式搜索

PDF
TL;DR介绍并分析了两种无需参数的线性存储器树搜索算法，理论证明在树搜索空间中，不会比 A * 算法更多地扩展节点，并且实验结果支持理论，证明了我们算法的实用性和稳健性。
发现论文，激发创造
  • LiteSearch: 高效的 LLM 树搜索

    通过考虑搜索进展和价值网络的引导，本研究介绍了一种新颖的有引导的树搜索算法，用于在可接受的计算成本内提高性能。实验结果显示，该方法不仅具有竞争力的性能，而且相对于基准方法而言计算成本显著降低。

    Jun, 2024

  • SLOPE: 带学习的最优剪枝扩展搜索

    通过学习最佳剪枝扩展的搜索方法（SLOPE），在限制的计算环境下，我们实现了对最优路径附近区域的探索，降低了内存和计算成本。

    Jun, 2024

  • 前后端双向启发式搜索与近似最优节点扩展

    本文提出了保证做不超过 2VC 扩展的前沿至末端双向启发式搜索算法，并证明了没有前沿至末端的可接受启发式搜索算法的最差情况比 2VC 更好。实验结果表明，该算法可以竞争或优于现有的双向搜索算法，通常也优于 A*。

    Mar, 2017

  • 指数 - 二进制状态空间搜索

    本文提出了一种新的迭代加深搜索算法，称为指数二进制状态空间搜索，该算法交织指数和二进制搜索以找到所需的成本界限，从而将最坏情况下的开销从多项式降低到对数级别，并可用于有界深度优先搜索以改进 IDA * 和广度优先启发式搜索的最坏情况性能。

    Jun, 2019

  • Dec-POMDP 中增量聚类和扩展以加速最优规划

    文章介绍了分散式不完全可观察马尔可夫决策过程（Dec-POMDPs）的最优解决方法，其中引入了广义多智能体 A * 算法（GMAA*），合成了增量聚类与增量展开，并提出了新的混合启发式表示，能够优化解决大规模 Dec-POMDPs 的问题。

    Feb, 2014

  • 共识最大化树搜索的再探讨

    本文针对在计算机视觉中的鲁棒拟合策略 —— 全局最大值求解的问题，提出了两种新的加速策略：避免冗余路径的加速策略和对新的枝剪枝策略。实验证明，这两种新技术可以极大地加速 A * 树搜索，使其在过去几乎无法实现的一些输入上具有合理的效率。

    Aug, 2019

  • 具有上下文模型的 Levin 树搜索

    本文介绍了一种基于 Levin Tree Search (LTS) 算法的 LTS+CM 算法，使用参数化的上下文模型并在具有凸保证的基础上优化策略。此算法在 Sokoban，The Witness 和 24 滑动方块 (STP) 等多个问题上表现优异，能够解决魔方等问题，且相对于之前的机器学习技术有很大的进步。

    May, 2023

  • 如何在强化学习中结合树搜索方法

    研究了强化学习中的有限时间先见策略，提出使用树路径回报备份根节点后代的值来增强现有方法，以解决值函数传播不收缩的问题。

    Sep, 2018

  • 研究涉及搜索和重新搜索

    深度优先策略、最佳优先策略、极小化极大游戏、AB 算法是本研究的主要关键词，该研究结论指出最佳优先策略并不比深度优先搜索更高效。

    Mar, 2024

  • 学习修剪：加速重复计算

    该研究提出了一种能够学习最大程度地修剪搜索空间的算法，从而在解决多次相似的计算问题时，能够大幅减少运行时间并保证准确解决问题。

    Apr, 2019