级联A*：近似启发式搜索的并行方法

三指标指派问题的近似肌肉引导束搜索

Approximate Muscle Guided Beam Search for Three-Index Assignment Problem

Software School, Dalian University of Technology（大连理工大学软件学院）

三指标指派问题（AP3）作为一个著名的NP难问题，在物流领域引起了广泛的研究。然而，现有的物流要么获得竞争力较低的解决方案，要么消耗太多的时间。在本文中，一个新的启发式命名为近似肌肉引导的束搜索（AMBS）的开发，以实现良好的折衷解决方案的质量和运行时间。通过将近似肌肉与束搜索相结合，可以显著减小解空间的大小，从而可以大幅减少搜索解的时间。实验结果表明，该算法能够获得具有竞争力质量的解，并且可以应用于大规模的算例。本文的工作不仅提出了一种新的有效的启发式算法，而且为提高束搜索的效率提供了一种很有前途的方法。

2017-03-06cs.AI

超越单步更新：基于有限视野搜索的启发式强化学习方法

Beyond Single-Step Updates: Reinforcement Learning of Heuristics with Limited-Horizon Search

针对现有基于强化学习的启发式方法依赖单步Bellman更新的局限，提出结合有限视野搜索的通用启发式学习框架，通过融合边代价与搜索前沿状态启发值优化更新过程。

2025-11-13cs.AI

一种用于遮挡鲁棒多目标跟踪的近似动态规划框架

An Approximate Dynamic Programming Framework for Occlusion-Robust Multi-Object Tracking

Arizona State University（亚利桑那州立大学）

提出ADPTrack框架，利用动态规划处理后续帧生成暂定轨迹以减少遮挡错误，在MOT17上IDF1提升0.7%，尤其适用于固定摄像机场景。

2024-05-24cs.AIcs.CV

十五难题--一种混合三种启发式方法的新方法

The Fifteen Puzzle- A New Approach through Hybridizing Three Heuristics Methods

Charmo University（查尔莫大学）；Erbil Polytechnic University（埃尔比勒理工大学）；University of Kurdistan Hewler（库尔德斯坦赫乌勒大学）；Torrens University（托伦斯大学）；Yonsei University（延世大学）

15难题是困扰数学爱好者几个世纪的经典难题之一。这主要是因为状态空间非常大，大约有1013个状态需要探索，并且已经应用了几种算法来解决十五个谜题实例。针对这一大的状态空间，采用双向A*（BA*）搜索算法，结合曼哈顿距离（MD）、线性冲突（LC）和步行距离（WD）三种算法，对十五道难题进行求解。上述三种算法将以一种可以显着减少算法生成状态数量的方式进行混合。此外，所有这些算法只需要25 KB的存储空间，但有助于算法有效地减少生成的状态数和扩展更少的节点。我们的BA* 搜索实现可以显著降低空间复杂度，并保证最优或接近最优的解决方案。

2023-01-06cs.AI

最短路径计算的FastMap算法

The FastMap Algorithm for Shortest Path Computations

University of Southern California（南加州大学）；University of California, Irvine（加利福尼亚大学尔湾分校）

提出了一种新的预处理算法，用于将给定的边加权无向图的节点嵌入到欧氏空间中。这个空间中任意两个节点之间的欧几里得距离近似于给定图中它们之间的最短路径的长度。之后，在运行时，可以使用欧几里得距离作为启发式，使用A * 搜索来计算任何两个节点之间的最短路径。我们的预处理算法，称为FastMap，灵感来自同名的数据采掘算法，并在近线性时间内运行。因此，FastMap比使用半定规划产生欧几里得嵌入的竞争方法快几个数量级。FastMap还产生可接受的和一致的算法，因此保证了最短路径的生成。此外，FastMap适用于许多传统的启发式算法（如曼哈顿距离启发式算法）没有很好定义的一般无向图。从经验上讲，我们证明了使用FastMap启发式的A * 搜索与使用其他最先进的启发式算法（如差分启发式）的A * 搜索具有竞争力。

2017-12-21cs.AI

使用多智能体 A* 近似求解 Dec-POMDP

Approximate Dec-POMDP Solving Using Multi-Agent A*

Radboud University（拉德堡德大学）；Ruhr-University Bochum（波鸿鲁尔大学）

针对有限视野 Dec-POMDP，本文提出基于聚类滑动窗口记忆、搜索树剪枝和新启发式的多智能体 A* 近似算法，并给出长视野上界算法，提升了可扩展性且在多个基准上优于现有方法。

2024-05-09cs.AI

节点分裂：一种生成贝叶斯网络上界的方案

Node Splitting: A Scheme for Generating Upper Bounds in Bayesian Networks

University of California, Los Angeles（加州大学洛杉矶分校）

在本文中，我们制定的迷你桶算法近似推理的精确推理的近似模型分裂节点的贝叶斯网络。新的提法导致了一些理论和实践的影响。首先，我们表明，分支定界搜索算法，使用minibucket边界可能会大大减少搜索空间。第二，我们表明，拟议的配方启发新的minibucket物流，并允许我们从一个新的角度来分析现有的物流。最后，我们表明，这种新的配方允许迷你桶近似受益于最近的进展，精确的推理，允许一个显着增加这些近似的范围。

2012-06-20cs.AI

求解飞行方块谜题的基于类的启发式选择

Class-Based Heuristic Selection for Solving the Flying Block Puzzle

Faculty of Computer Engineering（计算机工程学院）；University of Tehran（德黑兰大学）；K. N. Toosi University of Technology（霍加·纳绥尔·丁·图西大学）；Department of Electrical and Computer Engineering（电气与计算机工程学院）；University of Kurdistan（库尔德斯坦大学）

针对启发式搜索在空间规划中的性能问题，提出CBHA*算法，在146个飞行方块谜题基准实例上大幅提升成功率、减少节点扩展，为高效空间规划提供了可推广的自适应启发式机制。

2026-08-31cs.AI

移动视界近似分支-归约方法用于深度分类树

A Moving-Horizon Approximate Branch-and-Reduce Method for Deep Classification Trees

University of British Columbia（不列颠哥伦比亚大学）

本文提出移动视界近似分支-归约方法，结合全局优化与启发式近似，高效训练大规模连续特征上的深度分类树，在精度和可扩展性上优于现有方法。

2026-10-01cs.AIcs.LGmath.OC

A* 中启发式学习的可微损失函数

A Differentiable Loss Function for Learning Heuristics in A*

Czech Technical University in Prague（布拉格捷克理工大学）

由深度神经网络实现的A* 算法的启发式函数的优化通常通过最小化目标值的成本估计的平方根损失来完成。本文认为，这并不一定会导致更快的搜索A* 算法，因为它的执行依赖于相对值，而不是绝对值。作为缓解措施，我们提出了L* 损失，它限制了A* 搜索中过度扩展状态的数量。L* 损失，当用于最先进的深度神经网络的优化，以在迷宫域（如推箱子和具有传送的迷宫）中进行自动规划时，显著提高了已解决问题的比例、已建立计划的质量，并将扩展状态的数量减少到约50%

2022-09-12cs.AIcs.LG

通过无监督图神经网络求解肾脏交换问题

Solving the Kidney-Exchange Problem via Graph Neural Networks with No Supervision

King’s College London（伦敦国王学院）；A*STAR（新加坡科技研究局）

针对NP难的肾脏交换问题，提出无监督GNN结合确定性搜索启发式的两阶段方法，实验表明其解质量优于整数规划、贪心启发式和单独GNN，平均价值为确定性启发式的1.1倍。

2023-04-19cs.AIcs.LG

基于神经图表示与强化学习的近似子图匹配

Approximate Subgraph Matching with Neural Graph Representations and Reinforcement Learning

IEEE Publication Technology Group（IEEE出版技术组）

本文提出基于强化学习的近似子图匹配算法，利用图变压器提取图表示并结合PPO优化策略，提升匹配效果与效率。

2026-03-18cs.AIcs.LG