Jun, 2020

使用动态算法配置学习启发式选择

PDF
TL;DR通过动态算法配置和强化学习，可以使用多个启发式方法进行规划，并考虑内部搜索动态，以选择最有用的启发式方法，在一定程度上可以大幅提高启发性搜索的性能。
satisficing planningheuristic searchalgorithm selectiondynamic algorithm configurationreinforcement learning
发现论文，激发创造
  • 深度强化学习用于动态算法选择：关于差分进化的原理验证研究

    通过深度强化学习动态算法选择框架，本文提出了一种旨在解决单一算法在解决不同问题实例时的有效性差异的方法，该方法利用一组算法的互补优势，并在优化过程中动态调度它们以解决特定问题。

    Mar, 2024

  • 自动动态算法配置

    文章主要介绍了一个新兴的自动化动态算法配置（DAC）领域，总结了相关先前的研究成果和现有的解决方法，并进行了以进化优化、人工智能规划和机器学习为例的实证案例研究。

    May, 2022

  • Dyna-H: 一种应用于角色扮演游戏策略决策系统的启发式计划强化学习算法

    本论文提出了一种基于启发式规划策略的路径规划方法，该方法在模型自由的在线强化学习中比传统的单步 Q 学习和 Dyna-Q 算法都表现出色，可以用于角色扮演游戏中的最优轨迹规划。

    Jan, 2011

  • 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

  • 通过模仿学习启发式搜索

    使用 SaIL 特有的算法，训练启发式策略来遍历搜索树中的节点，以减少搜索次数。实验证明 SaIL 算法在实时规划环境中优于现有算法，这为学习体现 ' 快速找到可行解并随时间增量调整 ' 的启发式方法铺平了道路。

    Jul, 2017

  • 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

  • 动作 - 状态依赖的动态模型选择

    The paper introduces a reinforcement learning-based method for model selection in the presence of changing circumstances, particularly in the context of portfolio management with rebalancing costs, demonstrating superior performance compared to hindsight-based model selection.

    Jul, 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

  • 在计划空间规划中学习和调优元启发式算法

    本文介绍了两种方法来改善 POCL 规划器的性能，包括使用有监督学习算法优化 POCL 规划器和使用在线误差最小化方法进一步提高模型的信息量。实验证明，这些学习方法可扩展规划器的性能，特别是在处理较大问题时更为有效。

    Jan, 2016