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

本文提出了基于 C++ 程序的广义规划（GP）问题及其解法的新型表示方法，该表示方法可以正式证明广义计划的终止，并指定其相对于世界对象数量的渐近复杂度。利用 C++ 广义计划的复杂度特征，可以应用组合搜索按照复杂度的顺序枚举可能的 GP 解的空间。实验结果表明，我们称之为 BFGP++ 的该方法的实现比以往的 GP 作为启发式搜索方法更加优越，用于表示为编译器风格程序的广义计划的计算。最后，C++ 程序在传统规划实例上的执行是无冗余和无搜索的，因此我们的 C++ 表示允许我们在数千个对象的大型测试实例上自动验证计算出的解决方案，而通用的经典规划器则会在预处理或搜索中卡住。

Jun, 2022

本文提出了一种用于广义规划的地标计数启发式算法，可以考虑规划实例中未显式表示的子目标信息，进一步提升启发式搜索的效率和实现。

May, 2022

介绍了基于规划程序的行动新颖性排名概念以及新颖性优化的 GP 算法，采用基于最佳优先搜索 BFS（v） 和其渐进变体 PGP（v）的方法，引入来自行动方案的提高可行性行动，并提出了新的评估函数和结构化程序限制，以扩展搜索范围。经实验证明，新算法 BFS（v）和 PGP（v）在标准通用计划基准测试中优于现有算法。

Jul, 2023

引入一种新的搜索框架来解决规划问题，该框架能够在解决特定规划问题时在几种前向搜索方法之间交替使用，使用可训练的随机策略来选择搜索方法，进而优化搜索策略，实验结果表明该框架优于传统的最佳优先搜索和均匀策略方法。

Oct, 2018

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

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

基于前向状态空间搜索的启发式搜索算法是实现 FF 规划系统的主要技巧，该系统因比 HSP 系统更具优越性能而赢得了最近 AIPS-2000 规划竞赛的冠军。

Jun, 2011

本文提供了一种用于计划修改的领域无关算法，该算法基于生成式规划的搜索图，旨在将规划与修改相结合。该算法具有完备性和系统性，并可以在搜索过程中应用计划改进算子，也可以从计划中收回限制和步骤。

Jan, 1995

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