研究涉及搜索和重新搜索
本文介绍了利用最新的三种项目调度算法(即 Recursive Search,Steepest Ascent Approach 和 Hybrid Search)进行经验性能分析,并采用 Generalized Linear Models 统计建模技术进行结果分析的研究。结果表明,这些算法在计算成本、重启搜索开销和结果差异方面存在显著差异。
Jul, 2022
本文提出了一种平衡生成质量和多样性的确定性搜索算法,并在四个自然语言生成任务中进行了实验,结果表明该算法相较于强基准表现更具多样性和自然性,同时维持高生成质量。
Nov, 2022
本文介绍了一种新的分支启发式方法和一种称作 ALDS 的搜索技术。在 SAT 2009 竞赛上的表现表明,这两种技术结合在一起可以极大地降低搜索树的大小。
Feb, 2014
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
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
本论文将 A * 启发式搜索算法转化为逐步改进的任意时间算法,采用加权启发式搜索找到近似解,继续 weighted search 以找到更好的解并改善当前解的低下性,形成了一个能够在搜索时间和解决方案质量之间灵活权衡的任意启发式搜索算法,具有较高的适用性和广泛性。
Oct, 2011
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
该论文通过引入一种名为 Bee Search 的新的最佳优先从底向上搜索算法,解决了现有的基于成本指导的底向上搜索算法在信息损失和成本函数排序方面的问题。实证结果表明,Bee Search 在更复杂的领域特定语言(DSLs)中优于现有的成本指导的 BUS 算法,在简单的 DSLs 中与先前的方法表现相当好。此外,我们的新成本函数在字符串操作任务上优于先前的成本函数。
Oct, 2023
通过将传统搜索方法与深度神经网络(DNN)相结合,对 Sokoban 进行了研究,发现 DNN 的策略和价值网络对于搜索具有出色的引导启发作用,特别是策略网络能够避免探索指数大小子树以实现左重尾的多项式缩放,因此随机重启在 DNN-based 搜索方法中也至关重要。
Jun, 2022