Hospital Capacity Planning Using Discrete Event Simulation Under Special Consideration of the COVID-19 Pandemic
TH Köln(科隆工业大学);Bartz und Bartz GmbH(Bartz und Bartz有限公司)
我们为特别考虑COVID-19大流行的医院提供了一个资源规划工具,称为babsim.hospital。它为危机处理团队提供了许多优势,例如,与他们自己的当地规划进行比较,模拟当地事件,模拟几种情况(最坏/最好的情况)。这对医疗专业人员有好处,例如,在地方、地区、州和联邦一级分析大流行,考虑特殊风险群体,验证住院时间和转移概率的工具。最后,在行政、管理方面也有潜在的优势,例如,评估个别医院的情况,考虑当地事件,考虑相关资源,如床位、呼吸机、房间、防护服和人员规划,例如,医护人员。babsim.hospital以非常有效的方式结合了模拟、优化、统计和人工智能过程。其核心是一个离散的、基于事件的仿真模型。
2020-12-14 cs.AI stat.AP
Task Modifiers for HTN Planning and Acting
Lehigh University(理海大学);Wright State University(莱特州立大学)
在动态环境中,智能体改变其目标以响应意外事件的能力是可取的。为了提供这种能力,分层任务网络(HTN)的规划,我们提出了一个扩展的范式称为任务修改器,这是功能,接收任务列表和状态,并产生一个新的任务列表。我们专注于一个特定类型的问题,其中计划和执行是交织和处理外源事件的能力是至关重要的。为了确定这种方法的有效性,我们评估了我们的任务修改器实现在两个环境中的性能,其中之一是一个模拟,从传统的HTN域有很大的不同。
2022-02-09 cs.AI
A context-aware knowledge acquisition for planning applications using ontologies
Universitat Politècnica de València(瓦伦西亚理工大学)
自动规划技术得到了长足的发展。设计一个规划模型,使自动代理能够在真实的执行环境中智能地对意外事件做出反应,仍然是一个挑战。本文描述了一种域独立的方法,允许代理对其执行环境和任务进行上下文感知,获取保证相关且更重要的是可管理的新信息,并通过使用本体和语义操作将这些信息集成到其模型中,以自主地制定新目标,从而导致在机会的背景下处理意外事件的更像人类的行为。
2019-04-19 cs.AI
Planning, Scheduling, and Uncertainty in the Sequence of Future Events
Artificial Intelligence Technology Group(人工智能技术组);FMC Corporation(FMC公司)
工厂环境中的调度由于计算复杂性和时间不确定性而变得复杂。总之,这两个因素保证了构建最佳时间表的过程将是昂贵的,并且执行该时间表的机会将是微小的。任务执行时间的时间不确定性可以通过几种方法来抵消:通过仔细的工程来消除不确定性,在确定性丢失时恢复确定性,通过使用更精确的传感器来减少不确定性,以及量化和限制剩余的不确定性。不幸的是,这些方法只集中在不确定性的来源,并未能应用知识的任务,这是调度。一个完整的解决方案必须根据生产世界的发展状态调整要执行的活动的时间表。视觉导向组装的例子来说明,最小承诺的原则,在创建一个计划,在表示的时间表,并在执行的时间表,使机器人智能和有效地操作,即使在存在相当大的不确定性的未来事件的顺序。
2013-03-27 cs.AI
A Language for Planning with Statistics
University of Rochester(罗切斯特大学)
当一个计划者必须决定是否有足够的证据来基于概率做出决策时,它面临着样本量问题。目前使用概率的计划者不需要处理这个问题,因为他们不从观察中产生概率。本文提出了一种基于事件的语言,其中计划者的概率计算从二项式随机变量所产生的观察到的一种类型的事件的比率到另一个。这样的概率是有误差的,所以计划者必须反思它们的有效性。关于这些事件的概率的推论可以用统计学来作出。可以使用区间估计来推断近似的有效性。区间估计允许规划者避免做出仅由规划者的证据弱支持的选择。
2013-03-20 cs.AI
The Epistemic Planning Domain Definition Language: Official Guideline
Free University of Bozen-Bolzano(博尔扎诺自由大学);University of Oxford(牛津大学)
本文提出EPDDL语言,通过抽象事件模型统一描述知识规划任务,解决现有规划器碎片化问题,提升可比性与可重复性。
2026-04-29 cs.AI
VLM-DEWM: Dynamic External World Model for Verifiable and Resilient Vision-Language Planning in Manufacturing
School of Intelligent Engineering and Automation(智能工程与自动化学院)
VLM-DEWM通过动态外部世界模型提升制造中视觉语言规划的可验证性和抗毁性,显著提高状态跟踪精度和恢复成功率。
2026-02-17 cs.AI cs.RO
Augmenting Stream Constraint Programming with Eventuality Conditions
Brown University(布朗大学);The Chinese University of Hong Kong(香港中文大学)
流约束编程是约束编程框架家族中的一个新成员,其中可变域是有限字母表上的无限流的集合。以前的工作表明,它的适用性,以现实世界的规划和控制问题的有前途的结果。在本文中,出于对规划应用程序建模的动机,我们通过引入1)“直到”约束(一种新的构造,来自线性时态逻辑)和2)流上的@运算符(一种语法糖,我们提供了一种更有效的求解算法)来提高框架的表达能力。对于这两个结构,我们提出了相应的新的解决算法,并证明其正确性。我们目前的传教士和食人族的逻辑难题和网格上的标准路径规划应用程序的竞争力的实验结果,通过比较与Apt和品牌的方法验证不测事件的条件,使用CP的方法。
2018-08-06 cs.AI
On the Planning Abilities of Large Language Models : A Critical Investigation
Arizona State University(亚利桑那州立大学);Colorado State University(科罗拉多州立大学)
本文批判性调查了大型语言模型的规划能力,发现其自主生成可执行计划的能力有限,但在LLM-Modulo设置中作为外部规划器和验证器的启发式指导来源展现出更大潜力。
2023-11-06 cs.AI
Solving Relational MDPs with Exogenous Events and Additive Rewards
Cycorp Inc.(Cycorp公司);Tufts University(塔夫茨大学);Oregon State University(俄勒冈州立大学)
我们形式化一个简单而自然的子类服务域的关系规划问题,以对象为中心,独立的外源事件和附加奖励捕获,例如,库存控制问题。针对这一子类,我们提出了一个新的符号规划算法,这是第一个算法,具有明确的性能保证关系MDP与外源事件。特别是,在某些技术条件下,我们的规划算法提供了一个单调的最优价值函数的下限。为了支持该算法,我们提出了新的评估和减少技术的广义一阶决策图,一个知识表示的实值函数关系世界状态。我们的规划算法使用一组焦点状态,作为训练集,简化和近似的符号解决方案,因此可以看到执行学习规划。初步的实验评估证明了我们的方法的有效性。
2013-06-27 cs.AI cs.LG
A rule-based system proposal to aid in the evaluation and decision-making in external beam radiation treatment planning
Eldorado Research Institute(埃尔多拉多研究所);University of Campinas(坎皮纳斯大学)
作为巴西卫生部启动的一项计划的一部分,该计划旨在增加用于全国放射治疗的直线加速器的可用性,瓦里安医疗系统公司赢得了投标,并签署了一项技术合作协议,邀请巴西科学技术机构参与技术转让计划。因此,埃尔多拉多研究所和坎皮纳斯大学生物医学工程中心在这项工作中联合提出了拟议规则引擎背后的概念,以帮助放射治疗计划的评估和决策。通常,确定给定患者的辐射剂量是一个复杂而密集的过程,这需要肿瘤学家团队的大量领域知识和主观经验。为了帮助他们在这个复杂的任务,此外,提供一个辅助工具,经验不足的肿瘤学家,它提出了一个项目的概念,将利用一个混合的面向数据的方法的软件系统。建议的规则引擎将应用推理机制和表达式评估,以验证和认可的外部射束放射治疗计划的质量考虑,首先,三维适形放射治疗(3DCRT)技术。
2018-11-29 cs.AI cs.SE
Predicting Future Actions of Reinforcement Learning Agents
University of Cambridge(剑桥大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Mila(米拉研究所)
针对强化学习智能体未来动作与事件预测需求,对比三类智能体在内部状态法和仿真法下的预测效果,发现显式规划型的内部规划信息预测价值更高且动作预测鲁棒性更优,为提升现实部署的交互性与安全性提供支撑。
2024-10-29 cs.AI
Mastering Board Games by External and Internal Planning with Language Models
Google DeepMind(谷歌DeepMind);Google(谷歌);ETH Zürich(苏黎世联邦理工学院)
本研究通过外部搜索(引导MCTS)和内部搜索(生成线性化搜索树)结合领域知识,显著提升了LLM在棋盘游戏中的规划能力,在国际象棋中达到大师级水平,并展示了方法的通用性。
2025-05-23 cs.AI cs.CL cs.LG
Neural Story Planning
Georgia Institute of Technology(佐治亚理工学院)
自动情节生成是一个挑战,即生成一系列事件,这些事件将被读者视为一个连贯故事的情节。传统的符号规划者从目标状态规划故事,并保证逻辑因果情节的连贯性,但依赖于手工制作的行动库及其先决条件和效果。这种封闭的世界设置限制了象征性规划者可以产生的长度和多样性。另一方面,预先训练的神经语言模型可以生成具有极大多样性的故事,但通常无法以指定的方式结束故事,并且可能难以保持连贯性。在本文中,我们提出了一种方法来故事情节生成,统一的因果规划与神经语言模型。我们建议使用从大语言模型中提取的常识知识,以向后链接的方式递归地扩展故事情节。具体来说,我们的系统推断故事中事件的先决条件,然后是导致这些条件成为现实的事件。我们进行了自动评估,以衡量叙事连贯性,如回答故事中不同事件是否与其他事件有因果关系的问题的能力。结果表明,我们提出的方法产生更多的连贯的情节比几个强基线。
2022-12-16 cs.AI cs.CL
Schema-Aware Planning and Hybrid Knowledge Toolset for Reliable Knowledge Graph Triple Verification
Harbin Institute of Technology(哈尔滨工业大学);Huawei Technologies Co., Ltd.(华为技术有限公司);Bay Area International Business School, Beijing Normal University(北京师范大学湾区国际商学院)
本文提出SHARP,一种无需训练的自主代理,通过动态策略规划、主动调查和证据推理改进知识图谱三元组验证的稳定性与解释性,实验证明其在FB15K-237和Wikidata5M-Ind上准确率提升显著。
2026-10-20 cs.AI
Balancing Explicability and Explanation in Human-Aware Planning
Arizona State University(亚利桑那州立大学)
人类感知规划要求智能体在其决策过程中意识到回路中人类的意图、能力和心理模型。这可能涉及生成对人类观察者可解释的计划以及在无法生成此类计划时提供解释的能力。这导致了“多模型规划”的概念,其目的是将人类期望的影响纳入规划者的审议过程-无论是以可解释的任务规划或解释的形式产生。在本文中,我们把这两个概念结合在一起,并展示了一个规划师如何可以占这些需求,并实现了权衡在计划生成过程本身通过模型空间搜索方法MEGA。这实际上提供了一个全面的角度来看,它意味着什么决策代理是“人类意识”,将现有的规划原则下的一个单一的计划生成过程的保护伞。我们将我们的讨论,特别是记住最近的工作,可解释的规划和解释生成,并说明这些概念的修改版本的两个众所周知的规划域,以及演示的机器人参与一个典型的搜索和侦察任务与外部主管。
2018-02-03 cs.AI
LLMs Can't Plan, But Can Help Planning in LLM-Modulo Frameworks
School of Computing and AI, Arizona State University(亚利桑那州立大学计算与人工智能学院)
本文提出 LLM-Modulo 框架,论证 LLM 本身无法规划或自验证,但可作为通用近似知识源与外部基于模型的验证器双向紧密集成,从而超越单纯格式翻译,实现更好的神经符号规划与推理。
2024-06-12 cs.AI cs.LG
Event Representation Learning Enhanced with External Commonsense Knowledge
Research Center for Social Computing and Information Retrieval(社会计算与信息检索研究中心);Harbin Institute of Technology(哈尔滨工业大学)
先前的工作已经提出了有效的方法来学习事件表示,可以捕获文本语料库的语法和语义信息,证明了它们对脚本事件预测等下游任务的有效性。另一方面,从原始文本中提取的事件缺乏常识性知识,例如事件参与者的意图和情感,这对于区分事件对(当它们的表面实现仅存在细微差异时)是有用的。为了解决这个问题,本文提出利用外部常识知识的意图和情绪的事件。三个事件相关任务的实验,即,事件相似性、脚本事件预测和股市预测的实验结果表明,该模型在硬相似性任务上获得了更好的事件嵌入,提高了78%,在给定上下文下对后续事件的推理更加精确,对股市波动的预测精度也更高.
2020-06-24 cs.AI cs.CL cs.LG
Have I done enough planning or should I plan more?
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
人们关于如何分配有限的计算资源的决定对人类智能至关重要。这种元认知能力的一个重要组成部分是决定是否继续思考该做什么,并继续进行下一个决定。在这里,我们展示了人们通过学习和反向工程的基础学习机制获得这种能力。使用一个过程跟踪范式,具体化人类规划,我们发现,人们很快适应他们执行多少规划的成本和效益的规划。为了发现底层的元认知学习机制,我们增加了一组具有元认知特征的强化学习模型,并进行贝叶斯模型选择。我们的研究结果表明,元认知能力,以调整规划量可能会通过一个政策梯度机制,这是指导沟通规划的价值元认知伪奖励。
2022-01-03 cs.AI cs.LG
Tokenize the World into Object-level Knowledge to Address Long-tail Events in Autonomous Driving
NVIDIA(英伟达);UC Berkeley(加州大学伯克利分校);University of Southern California(南加州大学);Stanford University(斯坦福大学)
本文提出TOKEN多模态大语言模型,通过将世界标记化为对象级知识并优化表示与推理对齐,有效缓解长尾场景下的数据稀缺问题,显著提升自动驾驶规划性能。
2024-07-01 cs.AI cs.RO
When Do Tools and Planning Help Large Language Models Think? A Cost- and Latency-Aware Benchmark
College of Engineering(工程学院);University of Michigan-Dearborn(密歇根大学-迪尔伯恩分校)
研究通过对比不同配置评估工具和规划对大语言模型性能的影响,发现工具增强能显著提升准确性但增加延迟,而复杂工具协调易导致模型退化。
2026-03-05 cs.AI cs.CL
A modular framework for extreme weather generation
IBM Research(IBM研究院)
极端天气事件对社会产生巨大影响,随着气候变化,预计将变得更加频繁和严重。在这种情况下,复原力规划对于减轻风险和应对这些极端事件至关重要。机器学习技术可以通过生成可用于评估可能的减缓行动的现实极端天气事件情景,在抗灾规划中发挥关键作用。本文提出了一个模块化的框架,依赖于可互换的组件,以产生极端天气事件的情况。我们讨论了每个组件的可能的替代方案,并显示初步结果,比较两种方法的任务生成降水情景。
2021-02-05 cs.AI cs.LG
Vaiage: A Multi-Agent Solution to Personalized Travel Planning
针对传统旅行规划平台静态、缺乏适配性的问题,提出基于图结构多智能体框架Vaiage,以LLMs为核心实现自适应端到端规划,实验验证其在行程质量上优于基线版本。
2025-05-16 cs.AI cs.MA
Crowd Safety Manager: Towards Data-Driven Active Decision Support for Planning and Control of Crowd Events
Delft University of Technology(代尔夫特理工大学);Mobility Innovation Centre Delft(代尔夫特交通创新中心);Impact & Innovation Center Delft(代尔夫特影响与创新中心);Argaleo B.V.(Argaleo有限公司)
本文提出Crowd Safety Manager框架,结合3D Digital Twin与AI风险识别,引入Bowtie模型评估事件风险,并利用XGBoost基于Resono数据实现多天提前预报,有效提升人群管理。
2023-07-31 cs.AI cs.LG stat.ML
Nova: An Iterative Planning and Search Approach to Enhance Novelty and Diversity of LLM Generated Ideas
Westlake University(西湖大学);Zhejiang University(浙江大学);China Life R&D Center(中国人寿研发中心);Carnegie Mellon University(卡内基梅隆大学);Southeast University(东南大学);University of Oxford(牛津大学)
本文提出 Nova 迭代规划与搜索框架,通过有计划地检索外部知识提升 LLM 研究想法的新颖性和多样性,并在自动与人工评估中显著优于现有方法。
2024-10-27 cs.AI cs.CL
Learning, Planning, and Control in a Monolithic Neural Event Inference Architecture
Cognitive Modeling Group Computer Science Department University of Tübingen(图宾根大学认知建模组计算机科学系)
该研究提出了一种单体神经事件推理架构REPRISE,通过学习动态系统的时序事件预测模型,结合回顾和前瞻推理,实现对传感器运动动态的高效预测与控制。
2019-05-02 cs.AI cs.LG cs.SY
Visualizations for an Explainable Planning Agent
Computer Science Department, Arizona State University(亚利桑那州立大学计算机科学系);IBM T. J. Watson Research Center(IBM T.J.沃森研究中心)
在本文中,我们报告了一个可解释的人工智能规划(XAIP)代理,可以支持人类在循环决策的可视化功能。为了与端到端自动规划系统建立信任和共同点,对这些代理人提出透明度和可解释性要求尤为重要。可视化代理的内部决策过程是实现这一目标的关键一步。这可能包括外部化代理的“大脑”-从其感官输入开始,逐步由它做出更高阶的决定,以驱动其规划组件。我们还展示了规划师如何引导可解释规划的最新技术,以将计划可视化作为计划解释问题,从而提供简洁的基于模型的可视化计划。我们在仪表化会议空间中的智能助理的自动规划组件的背景下演示了这些功能。
2018-02-08 cs.AI cs.CY cs.HC