启发式规划的定理证明
LatPlan 通过无标签图像数据学习领域无关的经典计划器模型,提出了基于可信性的启发式方法 PBH,可以显著提高图像拼图和汉诺塔领域的有效解决方案数量。
Jun, 2023
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
该论文提出了一种将概率论和第一阶逻辑相结合的方法,在有限域内具有 Herbrand 解释的情况下,定义了概率证明定理及其推广问题,然后提出了能够同时拥有图模型推理和一阶定理证明的完整能力的方法,并开发了一种高效算法。实验表明,当逻辑结构存在时,该算法远优于目前已有的方法。
Feb, 2012
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
我们提出了三种新颖的图表示方法,用于使用图神经网络(GNN)指导搜索,以学习与领域无关的启发式。我们还提供了对我们模型表达能力的理论分析,证明其中一些比 STRIPS-HGN(唯一的其他现有的学习领域无关启发式模型)更强大。我们的实验表明,我们的启发式算法可以广泛适用于训练集之外的更大问题,并远远超过 STRIPS-HGN 的启发式算法。
Dec, 2023
本篇论文研究条件规划问题,从传统规划的角度出发,探索运用可满足性算法,采用量化布尔公式表达的方法,解决条件规划中存在的不确定性和非确定性问题,并给出实验结果。
May, 2011
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
本文针对广义规划领域,在引入启发式搜索方法的前提下,提出首个本地启发式搜索方法,定义基于程序的解空间,以实现不同实例规划和不同实例规划大小的独立运行,同时定义 BFGP 算法进行最佳优先搜索,并由不同评估和启发式功能作为指导。
May, 2022
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