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

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

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

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

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

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

通过学习来自 Scratch 的方法，我们提出了第一种能够学习无领域依赖规划启发式的方法。我们通过将规划问题的删除松弛表示的超图映射到通过超图从当前状态到目标的最小成本路径的成本估计来学习启发式。我们将图形网络推广到超图上学习，通过训练从最优成本计划中得到的状态 / 价值对来学习规划启发式。我们的实验表明，生成的 STRIPS-HGN 体系结构能够学习出与 LM-cut 等现有删除松弛启发式竞争的启发式，并且我们学习的启发式能够推广到不同的问题和领域。

Nov, 2019

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

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

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