Deep Memory Search: A Metaheuristic Approach for Optimizing Heuristic Search
Assiut University（艾斯尤特大学）；Umm Al-Qura University（乌姆阿尔古拉大学）；Texas A&M University-San Antonio（德克萨斯农工大学圣安东尼奥分校）；College of Computer and Information Systems（计算机与信息系统学院）；Higher Colleges of Technology（高等技术学院）
本文提出深度启发式搜索（DHS），将元启发式搜索建模为记忆驱动的多层搜索过程，利用无模型记忆表示提升大规模动态搜索空间中的探索与利用效率，并在多种启发式优化问题上取得显著性能提升。
2024-10-22 cs.AI cs.LG
Novelty Heuristics, Multi-Queue Search, and Portfolios for Numeric Planning
Australian National University（澳大利亚国立大学）
该研究面向数值规划，提出结合数值新颖性启发式、曼哈顿距离启发式、多队列搜索与启发式组合的方法，以在不依赖提升启发式信息量的情况下增强搜索性能。
2024-04-11 cs.AI
Tree of Thoughts as a Classical Heuristic Search Problem: Formal Foundations and Design Patterns
Guni Sharon
本文通过经典启发式搜索术语统一分类法，将基于LLM的推理映射到搜索组件，并识别出系统搜索和前瞻性策略两种设计模式。
2026-08-06 cs.AI cs.LG
The (Un)Scalability of Heuristic Approximators for NP-Hard Search Problems
Texas A&M University（德州农工大学）；University of Southern California（南加州大学）
A* 算法通常用于解决NP难的组合优化问题。当给定完全信息启发式函数时，A* 在分支因子和最小代价路径边数的时间多项式中求解了许多NP-难的最小代价路径问题，因此，高精度地逼近它们的完全信息启发式函数是NP-难的.因此，我们检查最近的出版物，提出使用神经网络为此目的。我们支持我们的主张，这些方法不扩展到大的实例大小的理论和实验。我们的第一个实验结果为三个代表性的NP-难最小成本路径问题表明，使用神经网络近似完全知情的启发式功能，具有高精度可能会导致网络的规模，规模指数的实例大小。因此，研究团体可能会从研究将启发式搜索与机器学习集成的其他方法中受益。
2022-12-07 cs.AI cs.LG
Inconsistency and Accuracy of Heuristics with A* Search
Indiana University South Bend（印第安纳大学南本德分校）；MathWorks（迈斯沃克）
启发式搜索的许多研究表明，使用的启发式的准确性有积极的影响，提高搜索的性能。在另一个方向上，历史研究认为，启发式搜索算法的性能，如A* 和IDA*，可以通过要求启发式算法是一致的来提高-任何完美的启发式算法都能满足的属性。然而，最近的一些研究表明，不一致算法也可以用来实现这些启发式搜索算法的大的改进。这些结果给我们留下了一个自然的问题：在构建算法时，我们应该关注算法的哪个属性，准确性或一致性/不一致性？虽然有研究的启发式的准确性与假设的一致性，没有研究的不一致性和准确性的启发式是已知的，我们的知识。在这项研究中，我们调查的不一致性和准确性之间的关系，与A* 搜索。我们的分析结果揭示了这两个属性之间的相关性。然后，我们运行的背包问题的域上的一个家庭的实际的economistics实验。我们的实证结果表明，在许多情况下，更准确的算法也有更高的不一致性，并导致更少的节点扩展A*。
2013-07-08 cs.AI
Experience-Based Heuristic Search: Robust Motion Planning with Deep Q-Learning
fortiss GmbH（福蒂斯有限公司）；Technische Universität München（慕尼黑工业大学）
当使用传统的基于搜索或优化的运动规划器时，用于自动驾驶的交互感知规划需要探索组合解空间。通过深度强化学习，也可以为高维问题导出此类问题的最佳驱动策略。然而，这些方法仅在统计意义上保证所得到的策略的最优性，这阻碍了它们在安全关键系统（例如自动驾驶车辆）中的使用。因此，我们提出了基于经验的启发式搜索算法，它克服了基于深度强化学习的规划器的统计失败率，并且仍然从预先学习的最优策略中受益。具体来说，我们展示了如何将深度Q网络形式的经验作为启发式集成到启发式搜索算法中。我们基准我们的算法在半结构化代客泊车场景的路径规划领域。在那里，我们分析了这种估计的准确性，并证明了我们的方法的计算优势和鲁棒性。我们的方法可以鼓励进一步研究基于学习的规划在自动驾驶汽车领域的适用性。
2021-02-05 cs.AI cs.RO
Learning Variable Ordering Heuristics for Solving Constraint Satisfaction Problems
Shandong University（山东大学）；Singapore Institute of Manufacturing Technology（新加坡制造技术研究院）；Nanyang Technological University（南洋理工大学）；Southwest Jiaotong University（西南交通大学）
回溯搜索算法是求解约束满足问题的常用算法。回溯搜索的效率在很大程度上取决于变量排序算法。目前，最常用的化妆品是基于专业知识手工制作的。在本文中，我们提出了一种基于深度强化学习的方法来自动发现新的变量排序算法，这些算法更适合于给定的CSP实例类。我们表明，直接优化的搜索成本是很难引导，并建议优化的预期成本达到一个叶节点的搜索树。为了捕捉变量和约束之间的复杂关系，设计了一种基于图神经网络的CSP表示方案，可以处理不同大小和约束条件的CSP实例。随机CSP实例上的实验结果表明，学习的策略在最小化搜索树大小方面优于经典的手工算法，并且可以有效地推广到比训练中使用的更大的实例。
2021-12-25 cs.AI cs.LG
Bidirectional Heuristic Search Reconsidered
自25年前首次发表以来，对双向启发式搜索的评估一直是不正确的。长期以来，这种搜索策略并没有达到预期的效果，而且人们对它背后的原因存在着很大的误解，虽然人们仍然普遍认为双向启发式搜索存在搜索边界相互穿越的问题，但我们证明了这种猜想是错误的。基于这一发现，我们提出了一个新的通用方法，双向启发式搜索和一个新的方法来动态地提高启发式值，是可行的双向搜索。这些方法与传统的和最近提出的方法相结合，以促进更好的全面理解。我们的新方法的实验结果表明，双向启发式搜索可以非常有效地进行，也与有限的内存。这些结果表明，双向启发式搜索似乎是更好地解决某些困难的问题比相应的单向搜索。这为长期被忽视的搜索策略的有用性提供了一些证据。总之，我们表明，双向启发式搜索是可行的，因此建议重新考虑。
1997-12-01 cs.AI
Bidirectional Bounded-Suboptimal Heuristic Search with Consistent Heuristics
本文针对一致启发式下的有界次优双向搜索问题，基于最优算法BAE*设计其有界次优变体，并通过实验对比其他相关算法，揭示各算法在不同条件下的性能优劣。
2025-11-13 cs.AI
Counting-Based Search: Branching Heuristics for Constraint Satisfaction Problems
Dynadec Europe
设计一种跨问题域可靠的约束规划启发式搜索算法是近年来的一个重要研究课题。本文主要研究一类候选算法：基于计数的搜索。这样的算法试图做出分支决策，通过确定每个单独约束的解决方案与该决策一致的比例来保留大多数解决方案。而大多数通用搜索算法在约束编程依赖于本地信息的水平上的个别变量，我们的搜索算法是基于更多的全球信息的约束水平。我们设计了几个算法，用于计算特定家庭的约束的解决方案的数量，并提出了一些搜索算法利用这些信息。本文的实验部分考虑了八个问题域，从完善的基准难题到排班和运动调度。初步的实证分析确定启发式maxSD作为一个强大的候选人，我们的建议。然后，我们评估后者对最先进的，包括最新的通用搜索算法，重新启动，和基于差异的树遍历。实验结果表明，基于计数的搜索一般优于其他通用算法。
2014-01-18 cs.AI
Generalized Planning as Heuristic Search
Universitat Pompeu Fabra（庞培法布拉大学）
虽然启发式搜索是经典规划中最成功的方法之一，但这种规划范式并不直接适用于广义规划（GP）。传统上，规划作为启发式搜索通过在接地状态空间中搜索来解决顺序规划的计算。另一方面，GP旨在计算类似算法的计划，可以分支和循环，并推广到一组（可能是无限的）经典规划实例。本文将规划作为启发式搜索的一种范式，应用于规划问题的特殊性，提出了第一种求解规划问题的原生启发式搜索方法。首先，本文定义了一个新的GP解决方案空间，这是独立的规划实例的数量在GP问题，这些实例的大小。其次，本文定义了不同的评价和启发式函数，用于指导我们的GP解决方案空间中的组合搜索。最后，本文定义了一个GP算法，称为最佳优先广义规划（BFGP），实现了最佳优先搜索的解决方案空间的指导下，我们的评价/启发式功能。
2021-03-26 cs.AI
Cascading A*: a Parallel Approach to Approximate Heuristic Search
本文提出了一种新的近似启发式搜索算法：CascadingA *，它是一种通过“包络球”概念将A* 和IDA* 结合起来的两阶段算法。新算法CA* 是一种高效的、能够产生近似解和任意时间解的、并行友好的算法。
2016-05-03 cs.AI
A Formalism for Optimal Search with Dynamic Heuristics (Extended Version)
本文提出了一种形式化的动态启发式搜索方法，通过通用算法框架研究A*的动态建模，并展示了其通用最优性结果，同时将经典规划方法视为其特殊案例。
2025-12-09 cs.AI
Multiple-Goal Heuristic Search
Technion（以色列理工学院）
本文提出了一个新的框架，随时启发式搜索的任务是实现尽可能多的目标，尽可能在分配的资源。我们展示了传统的距离估计算法对于这种类型的任务的不足，并提出了更适合于多目标搜索的替代算法。特别是，我们引入了边际效用启发式，估计成本和效益探索一个搜索节点下面的子树。我们开发了两种方法的边际效用启发式的在线学习。一种是基于局部相似性的兄弟节点的部分边际效用，和其他广义边际效用的状态特征空间。我们应用我们的自适应和非自适应多目标搜索算法的几个问题，包括重点爬行，并显示其优于现有的方法。
2011-09-29 cs.AI
Computing Programs for Generalized Planning as Heuristic Search
Universitat Pompeu Fabra（庞培法布拉大学）
虽然启发式搜索是经典规划中最成功的方法之一，但这种规划范式并不直接适用于广义规划（GP）。本文将规划作为启发式搜索的一种范式，应用于规划问题的特殊性，提出了第一种求解规划问题的原生启发式搜索方法。首先，本文定义了一个基于程序的解决方案空间GP是独立的规划实例的数量在GP问题，这些实例的大小。其次，本文定义了BFGP算法的GP，实现了最佳优先搜索在我们的程序为基础的解决方案空间，并指导不同的评价和启发式功能。
2022-05-12 cs.AI
A Parallel CPU-GPU Framework for Batching Heuristic Operations in Depth-First Heuristic Search
针对深度优先搜索算法（如IDA*、BTS）启发式计算难以批量处理的问题，提出并行CPU-GPU框架，CPU并行化树搜索、GPU并行化启发式评估，开发CB-DFS框架提升性能，在魔方和滑动拼图任务验证有效性。
2025-11-16 cs.AI cs.DC
Generalized Planning as Heuristic Search: A new planning search-space that leverages pointers over objects
Universitat Pompeu Fabra（庞培法布拉大学）；Universitat Politècnica de València（瓦伦西亚理工大学）
作为启发式搜索的规划是经典规划最成功的方法之一，但不幸的是，它并没有简单地扩展到广义规划（GP）。GP的目的是计算算法的解决方案，是有效的一组经典的规划实例从一个给定的域，即使这些实例不同的对象的数量，状态变量的数量，其域的大小，或其初始和目标配置。GP的泛化要求使得通常由启发式规划器实现的状态空间搜索变得不切实际。本文将规划作为启发式搜索范式，以适应GP的泛化要求，提出了第一个原生的GP启发式搜索方法。首先，本文介绍了一个新的基于指针的解决方案空间GP是独立的经典规划实例的数量在GP问题和这些实例的大小（即对象的数量，状态变量和它们的域大小）。其次，本文定义了一组评估和启发式功能，指导我们的新GP解决方案空间的组合搜索。这些评估和启发式函数的计算不需要预先建立基础状态或动作。因此，我们的GP作为启发式搜索方法可以处理具有大数值域的大型状态变量集，例如~整数最后，本文定义了一个升级版本的GP称为最佳优先广义规划（BFGP），实现了最佳优先搜索在我们的基于指针的解决方案空间，并指导我们的评价/启发式功能GP的新算法。
2023-01-26 cs.AI
A Heuristic Search Algorithm for Solving First-Order MDPs
提出了一种求解一阶MDP（FOMDP）的启发式搜索算法。我们的方法结合了一阶状态抽象，避免单独评估状态，和启发式搜索，避免评估所有的状态。首先，我们直接在FOMDP上应用状态抽象，避免了命题化。这种抽象被称为一阶状态抽象。其次，引导一个可接受的启发式，搜索仅限于从初始状态可达的那些状态。我们证明了上述技术的有用性，用于解决FOMDPs的系统，称为FCPlanner，进入概率轨道的国际规划竞赛（IPC'2004）。
2014-08-09 cs.AI
The FF Planning System: Fast Plan Generation Through Heuristic Search
我们描述并评估FF规划系统中使用的算法技术。像HSP系统一样，FF依赖于前向状态空间搜索，使用通过忽略删除列表来估计目标距离的启发式算法。与HSP的启发式不同，我们的方法不假设事实是独立的。我们介绍了一种新的搜索策略，结合爬山与系统搜索，我们展示了如何其他强大的启发式信息可以被提取和使用修剪的搜索空间。FF是最近AIPS-2000规划竞赛中最成功的自动规划器。我们审查的竞争结果，其他基准领域的数据，并调查的原因FF的运行时性能相比，HSP。
2011-06-03 cs.AI
Anytime Heuristic Search
Mississippi State University（密西西比州立大学）；Palo Alto Research Center（帕洛阿尔托研究中心）
我们描述了如何将启发式搜索算法A* 转换成一个随时算法，该算法发现一系列改进的解决方案，并最终收敛到一个最优解。我们采用的方法是使用加权启发式搜索来快速找到一个近似解，然后继续加权搜索，以找到改进的解决方案，以及改善当前解决方案的次优性的界限。当可用于解决搜索问题的时间是有限的或不确定的，这创建了一个随时启发式搜索算法，允许搜索时间和解决方案质量之间的灵活权衡。我们分析所得到的任何时间A* 算法的属性，并考虑其在三个领域的性能;滑动瓦片拼图，CIPPS规划，和多序列比对。为了说明这种方法的通用性，我们还描述了如何将内存高效的搜索算法递归最佳优先搜索（RBFS）到一个随时算法。
2011-10-12 cs.AI
Combining Monte Carlo Tree Search and Heuristic Search for Weighted Vertex Coloring
LERIA（LERIA实验室）
本研究将蒙特卡洛树搜索（MCTS）与贪心、局部搜索等启发式策略相结合，替代传统随机模拟以求解加权顶点着色问题，并通过基准实验验证了各变体策略的优势与局限。
2025-03-03 cs.AI
Heuristic Search for Multi-Objective Probabilistic Planning
The Australian National University（澳大利亚国立大学）；LAAS-CNRS（法国国家科学研究中心分析与系统结构实验室）
针对多目标随机最短路径问题，提出 MOLAO* 与 MOLRTDP 启发式搜索算法及多种领域无关启发式，用于计算非支配策略覆盖集。
2023-03-25 cs.AI
Heuristic with elements of tabu search for Truck and Trailer Routing Problem
National Research University Higher School of Economics（国立研究型大学高等经济学院）
车辆路径问题是物流和运输领域中的一个著名问题，它在现实生活中的许多情况下都会发生，这就解释了这类问题的多样性。这是一个NP难的组合优化问题，几乎不可能找到精确的最优解。在这项工作中，站点相关的卡车和拖车路径问题的硬，软时间窗和分裂的库存被认为是（SDTTRPTWSD）。在这篇文章中，我们开发了一个启发式的禁忌搜索解决SDTTRPTWSD的元素。启发式算法使用邻域的概念，并在搜索过程中访问不可行的解决方案。一个贪婪的启发式构造一个初始解。
2016-09-29 cs.AI
Avoiding and Escaping Depressions in Real-Time Heuristic Search
用于解决硬实时的【形】搜索问题的启发式算法具有凹陷区域。这样的区域是搜索空间的有界区域，其中启发式函数与达到解的实际成本相比是不准确的。早期实时的【形】搜索算法，如LRTA*，很容易陷入这些区域，因为它们的状态的启发式值可能需要多次更新，这导致昂贵的解决方案。最先进的实时的【形】搜索算法，如LSS-LRTA* 或LRTA*（k），改进了LRTA* 的机制来更新启发式，从而提高了性能。然而，这些算法并没有引导搜索避开凹陷区域。本文介绍了抑郁症的避免，一个简单实时的【形】搜索原则，以引导搜索避免已被标记为启发式抑郁症的一部分的状态。我们提出了两种方法，其中抑郁避免可以实现：标记和避免和移动到边界。我们在LSS-LRTA* 和RTAA* 的基础上实现了这些策略，产生了4种新的实时的【形】启发式搜索算法：aLSS-LRTA*，daLSS-LRTA*，aRTAA* 和daRTAA*。当目标是通过运行一次实时的【形】搜索算法找到一个单一的解决方案时，我们表明，daLSS-LRTA* 和daRTAA* 有时优于他们的前辈一个数量级。在四种新算法中，daRTAA* 在每个计划事件允许的平均时间上给出了固定的最后期限，从而产生了最佳解决方案。我们证明了我们的算法具有良好的理论性质：在有限的搜索空间，他们找到一个解决方案，如果一个存在，并收敛到一个最佳的一些试验后。
2014-01-23 cs.AI
Front-to-End Bidirectional Heuristic Search with Near-Optimal Node Expansions
University of Denver（丹佛大学）；University of Alberta（阿尔伯塔大学）；University of Regina（里贾纳大学）
众所周知，任何可容许的单向启发式搜索算法必须扩展所有的状态，其$f$ -值小于最优解成本时，使用一致的启发式。这种状态被称为“肯定扩展”（s.e.）。最近的一项研究表明，用于具有一致搜索的双向搜索的状态对：如果一对状态是S. E.则必须扩展两个状态中的至少一个。本文推导出一个下限，VC，所需的最小数量的扩展，以覆盖所有的s.e.对，提出了一种新的可容许的前端到端双向启发式搜索算法--近优双向搜索（Near-Optimal Bidirectional Search，NBS），该算法保证了不超过2 VC的扩展。我们进一步证明，没有容许的前端到端算法有一个最坏的情况下优于2 VC。实验结果表明，NBS与现有的双向搜索算法竞争或优于现有的双向搜索算法，并且通常优于A*。
2017-05-23 cs.AI
Search-Space Characterization for Real-time Heuristic Search
University of Alberta（阿尔伯塔大学）
最近实时的【形】启发式搜索算法在视频游戏寻路中表现出出色的性能。然而，它们的应用迄今仅限于这一领域。我们的目的是促进更广泛的应用实时的【形】形搜索，通过培养更好地了解最近的算法的性能。我们首先介绍了八个独立于算法的搜索空间的复杂性措施，并将其值与算法性能。的复杂性措施的统计显示，是显着的预测算法性能在一组商业视频游戏地图。然后，我们将这种分析扩展到更广泛的搜索空间中，首次将数据库驱动的实时的【形】搜索应用到视频游戏寻路之外的领域。在这样做的过程中，我们深入了解算法的性能和可能的增强，以及到搜索空间的复杂性。
2013-08-15 cs.AI
mGPT: A Probabilistic Planner Based on Heuristic Search
ICREA（加泰罗尼亚研究与高级研究所）；Universitat Pompeu Fabra（庞培法布拉大学）
我们描述的版本的GPT规划器中使用的概率轨道的第四届国际规划竞赛（IPC-4）。这个版本称为mGPT，通过提取和使用不同类别的下界以及各种搜索算法来解决PPDDL语言中指定的马尔可夫决策过程。从确定性松弛提取的下限，其中的替代概率的影响，一个动作被映射到不同的，独立的，确定性的行动。贪婪搜索算法使用这些下限来集中更新，并在从初始状态和贪婪策略可到达的所有状态上提供一致的价值函数。
2011-09-09 cs.AI
Structure-Based Local Search Heuristics for Circuit-Level Boolean Satisfiability
University College Dublin（都柏林大学学院）；University of Helsinki（赫尔辛基大学）
这项工作的重点是提高国家的最先进的随机局部搜索（SLS）解决布尔可满足性（SAT）的实例所产生的现实世界中的工业SAT应用领域。最近推出的SLS方法CRSat已被证明是显着改善以前建议的SLS技术在解决这样的现实世界的情况下，通过结合基于证明的本地搜索有限的布尔约束传播的非子句公式表示形式的布尔电路。在这项工作中，我们研究的可能性，进一步提高CRSat的性能，通过利用电路级的结构知识，开发新的搜索crisistics的CRSat。为此，我们引入并实验性地评估了各种搜索策略，其中许多策略是由最初在完全不同的上下文中开发的电路级策略驱动的，例如，用于电子设计自动化应用。据我们所知，大多数的算法是新颖的，在SLS的SAT的背景下，更一般地说，SLS的约束满足问题。
2011-09-09 cs.AI
Correlation Heuristics for Constraint Programming
School of Computing National University of Singapore（新加坡国立大学计算机学院）
有效的通用搜索策略是约束编程中的一个重要组成部分。我们引入了一个新的想法，即使用变量之间的相关性来指导搜索。变量相关性的测量和维护使用域的变化在约束传播。我们提出了两个变量的相关矩阵，crbs-sum和crbs-max的基础上。我们评估我们的相关算法与众所周知的算法，即DOM/WDEG，基于影响的搜索和基于活动的搜索。在大量基准测试集上的实验表明，我们的相关算法与其他算法相比具有竞争力，并且在许多系列上都是最快的。
2018-05-24 cs.AI
Adaptively Informed Trees (AIT*): Fast Asymptotically Optimal Path Planning through Adaptive Heuristics
基于知情采样的规划算法利用问题知识以获得更好的搜索性能。这些知识通常表示为解决方案成本的启发式估计，并用于排序搜索。这种知情搜索的实际改进取决于启发式的准确性。选择一个合适的启发式是困难的。适用于整个问题域的启发式方法通常定义简单，评估成本低，但对于特定的问题实例可能没有好处。特定于问题实例的启发式通常很难定义或评估成本很高，但会使搜索本身变得微不足道。本文提出了自适应信息树（AIT*），一个几乎必然渐近最优的基于抽样的规划器的基础上BIT*。AIT* 通过使用非对称双向搜索来同时估计和利用特定于问题的启发式，从而使其搜索适应每个问题实例。这使得它能够快速找到初始解并收敛到最优解。AIT* 与RRT-Connect一样快速地解决了测试问题，同时也向最佳方向收敛。
2020-03-05 cs.RO
Heuristic Search Value Iteration for POMDPs
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
提出了一种新的POMDP规划算法--启发式搜索值迭代算法（HSVI），HSVI是一种随时返回策略和关于最优策略的可证明的后悔上界的算法. HSVI通过结合两种众所周知的技术获得了强大的功能：注意力聚焦搜索算法和价值函数的分段线性凸表示。HSVI算法的可靠性和收敛性已经得到了验证。从文献中的一些基准问题，HSVI显示加速比大于100相对于其他国家的最先进的POMDP值迭代算法。我们还将HSVI应用到一个新的漫游者探索问题，比文献中大多数POMDP问题大10倍。
2012-07-11 cs.AI
On Backtracking in Real-time Heuristic Search
Athabasca University（阿萨巴斯卡大学）；University of Alberta（阿尔伯塔大学）
实时的【形】启发式搜索算法适用于需要在恒定时间内做出决策的位置代理。自从近二十年前Korf的原始工作以来，已经提出了许多扩展。最有趣的扩展之一是回溯的想法，其中代理决定返回到以前访问过的状态，而不是向前移动。经验表明，这一想法对各种绩效指标产生了重大影响。这些研究是在具有使用回溯的特定实时的【形】搜索算法的特定经验测试平台上进行的。因此，所观察到的趋势在多大程度上具有一般回溯的特征尚不清楚。本文首次对实时的【形】启发式搜索中的回溯问题进行了完整的理论研究。特别是，我们提出的解决方案的成本指数和线性的参数调节回溯量的上界。这些结果适用于广泛的一类实时的【形】启发式搜索算法，其中包括许多现有的算法作为一个小的子类。
2009-12-16 cs.AI
Mean-based Heuristic Search for Real-Time Planning
Laboratoire d’Informatique de Paris Descartes（巴黎笛卡尔大学信息学实验室）；Université Paris Descartes（巴黎笛卡尔大学）
在本文中，我们介绍了一种新的启发式搜索算法的基础上的平均值的实时规划，称为MHSP。它包括将UCT的原理与启发式搜索相结合，以在经典规划的背景下获得实时的【形】规划器。UCT是一种基于强盗的算法，在计算机游戏中，特别是在计算机围棋中，它给出了非常好的结果。MHSP评估不同的规划问题，并与现有的算法进行在线搜索和学习。此外，我们的研究结果突出的能力MHSP返回计划在一个实时的【形】方式，往往是一个最优的计划，随着时间的推移，这是更快，更好的质量相比，现有的算法在文献中。
2018-10-22 cs.AI
Heuristic Search as Evidential Reasoning
University of California（加利福尼亚大学）
BPS，贝叶斯问题求解器，应用概率推理和决策理论控制灵活，资源受限的问题解决。本文重点讨论了BPS中的贝叶斯推理机制，并将其与传统的启发式搜索技术进行了对比。通过执行声音推断，BPS可以以显著更少的计算工作量胜过传统技术。对八个问题的实证测试表明，BPS算法在几百个节点扩展后，比现有最好的算法在几百万个节点扩展后做出更好的决策
2013-03-27 cs.AI
FluCaP: A Heuristic Search Planner for First-Order MDPs
International Center for Computational Logic（国际计算逻辑中心）；Technische Universität Dresden（德累斯顿工业大学）
提出了一种求解一阶马尔可夫决策过程的启发式搜索算法。我们的方法结合了一阶状态抽象，避免单独评估状态，和启发式搜索，避免评估所有的状态。首先，在现有的系统，开始与命题化的FOMDP，然后执行状态抽象的命题化的版本，我们直接应用状态抽象的FOMDP避免命题化。这种抽象被称为一阶状态抽象。其次，引导一个可接受的启发式，搜索被限制到那些状态，从初始状态可达。我们证明了上述技术解决FOMDPs的有用性与系统，称为FluCaP（以前，FCPlanner），进入概率轨道的2004年国际规划竞赛（IPC 2004），并表现出优于其他规划师的一阶项所代表的问题。
2011-09-29 cs.AI
Abstract Interpretation for Generalized Heuristic Search in Model-Based Planning
Massachussetts Institute of Technology（麻省理工学院）
基于模型的领域通用规划者通常通过放松或抽象符号世界模型来构建搜索策略，从而获得其通用性。我们说明了如何抽象的解释可以作为一个统一的框架，这些抽象为基础的启发式搜索，扩展范围的启发式搜索更丰富的世界模型，利用更复杂的数据和功能（如集，几何），甚至模型的不确定性和概率的影响。这些理论也可以与学习相结合，允许代理通过抽象派生的信息在新的世界模型中快速启动规划，这些信息后来通过经验进行了改进。这表明抽象解释在构建通用推理系统中可以发挥关键作用。
2022-08-05 cs.AI cs.PL
Scaling-up Generalized Planning as Heuristic Search with Landmarks
Universitat Pompeu Fabra（庞培法布拉大学）
地标是经典规划中最有效的搜索策略之一，但在广义规划中却被忽视。广义规划（GP）通常被视为在给定的算法解空间中的组合搜索，其中候选解被评估为他们解决的问题。这种类型的解决方案评估忽略了在规划实例的表示中不显式的任何子目标信息，从而导致候选广义规划的空间中的高原。此外，GP中的节点扩展是一个运行时的瓶颈，因为它需要评估整个批次的经典规划实例中的GP问题的每个子节点。在本文中，我们定义了一个里程碑计数启发式GP（认为子目标信息，没有明确表示在规划实例），和一种新的启发式搜索算法GP（我们称之为PGP），逐步处理GP问题的规划实例的子集。我们的两个正交的贡献进行了分析，在消融研究，表明，都提高了国家的最先进的GP作为启发式搜索，并且都受益于对方组合使用时。
2022-05-10 cs.AI
HyFlex: A Benchmark Framework for Cross-domain Heuristic Search
University of Nottingham（诺丁汉大学）
启发式搜索方法的自动化设计是计算机科学、人工智能和运筹学中的一个活跃的研究领域。为了使这些方法更普遍地适用，重要的是消除或减少人类专家在设计有效的方法来解决给定的计算搜索问题的过程中的作用。开发这种方法的研究人员往往受到限制的问题域的数量上测试他们的自适应，自配置算法，这可以解释为固有的困难，实现其相应的域特定的软件组件。本文介绍了HyFlex，一个软件框架的跨域搜索方法的发展。该框架具有一个共同的软件界面，用于处理不同的组合优化问题，并提供了算法组件，是特定的问题。这样，算法设计者不需要对问题域有详细的了解，从而可以集中精力设计自适应通用启发式搜索算法。四个硬组合问题完全实现（最大可满足性，一维装箱，置换流水车间和人员调度），每个包含一组不同的实例数据（包括现实世界的工业应用）和一组广泛的问题特定的算法和搜索操作。该框架构成了第一届国际跨领域启发式搜索挑战赛（CHeSC）的基础，目前国际研究界正在使用该框架。总之，HyFlex代表了启发式搜索通用性的一个有价值的新基准，自适应跨域算法很容易开发，并进行可靠的比较。
2011-07-27 cs.AI
MAA*: A Heuristic Search Algorithm for Solving Decentralized POMDPs
INRIA Lorraine, LORIA（洛林信息科学研究所）；University of Massachusetts（马萨诸塞大学）
本文提出了多智能体A*（MAA*）算法，它是求解有限时域分散部分可观测马尔可夫决策问题（DEC-POMDP）的第一个完整的最优启发式搜索算法.该算法适用于计算在随机环境中，如多机器人协调，网络交通控制，或分布式资源分配的代理的合作组的最优计划。有效地解决这些问题是不确定性规划领域的一个重大挑战。我们的解决方案是基于经典的启发式搜索和分散控制理论的合成。实验结果表明，MAA* 具有明显的优势。我们介绍了一个随时变MAA*，并结束了讨论有前途的扩展，如解决无限地平线问题的方法。
2012-07-04 cs.AI
Dynamic Partial Removal: A Neural Network Heuristic for Large Neighborhood Search
WaterMirror Inc.（水镜公司）
本文提出了一种新的神经网络设计，学习大邻域搜索（LNS）的启发式。LNS由一个破坏算子和一个修复算子组成，它们指定了一种方法来执行邻域搜索以解决组合优化问题。本文提出的方法采用分层递归图卷积网络（HRGCN）作为LNS启发式算法，即动态部分删除，具有自适应破坏和大规模搜索的潜力，以及在空间和时间的角度来看上下文感知的优势。该模型可推广应用于各种组合优化问题，特别是约束条件较紧的问题。本文以车辆路径问题为例，将该模型应用于车辆路径问题。实验结果表明，该方法在同样的问题上也优于传统的LNS算法。源代码可从\href{https://github.com/water-mirror/DPR}{https://github.com/water-mirror/DPR}获得。
2020-05-19 cs.AI cs.NE
A*+BFHS: A Hybrid Heuristic Search Algorithm
University of California, Los Angeles（加州大学洛杉矶分校）
我们提出了一个新的算法A*+BFHS解决问题的单位成本运营商A* 和IDA* 失败，由于内存限制和/或存在许多不同的路径之间的同一对节点。A*+BFHS是基于A* 和广度优先启发式搜索（BFHS）的。A*+BFHS结合了两种算法的优点，即A* 的节点排序，BFHS的内存节省，以及两种算法的重复检测。在简单的问题上，A*+BFHS的行为与A* 相同。在困难的问题上，它比A* 慢，但节省了大量的内存。与BFIDA* 相比，A*+BFHS在各种规划领域将搜索时间和/或内存需求降低了数倍。
2021-12-16 cs.AI
Marvin: A Heuristic Search Planner with Online Macro-Action Learning
University of Strathclyde（思克莱德大学）
本文介绍了参加第四届国际规划竞赛（IPC 4）的规划师马文。Marvin使用动作序列记忆技术来生成宏动作，然后在搜索解决方案时使用这些宏动作。我们提供了一个概述其架构和搜索行为，详细介绍了所使用的算法。我们还实证证明了其功能在各个规划领域的有效性，特别是由于使用宏动作，其搜索行为的新功能，以及ADL和派生谓词的本地支持对性能的影响。
2011-10-12 cs.AI
Heuristic Search For Physics-Based Problems: Angry Birds in PDDL+
Palo Alto Research Center（帕洛阿尔托研究中心）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）
本文研究了如何使用独立于域的规划器和组合搜索来玩愤怒的小鸟，这是一个成熟的AI挑战问题。为了对游戏进行建模，我们使用PDDL+，这是一种用于混合离散/连续域的规划语言，支持持续过程和外源事件。本文描述了模型，并确定关键的设计决策，降低问题的复杂性。此外，我们提出了几个特定于域的增强，包括搜索和搜索技术类似的首选运营商。它们一起减轻了组合搜索的复杂性。我们评估我们的方法，通过比较其性能与专用域特定的求解器在一系列的愤怒的小鸟水平。结果表明，我们的性能与这些特定领域的方法在大多数水平上，即使没有使用我们的特定领域的搜索增强。
2023-03-29 cs.AI
A Formal Characterization of the Local Search Topology of the Gap Heuristic
University of Toronto（多伦多大学）
煎饼难题是一个经典的优化问题，已成为启发式搜索算法的标准基准。在本文中，我们提供了关于煎饼谜题间隙启发式局部搜索拓扑的完整证明。首先，我们表明，在任何非目标状态，其中没有移动，将减少差距的数量，有一个移动，将保持差距的数量不变。然后，我们将任何不能在单个动作中减少间隙数量的状态分为两组：需要2个动作来减少间隙数量的状态，以及需要3个动作来减少间隙数量的状态。
2017-05-12 cs.AI
Local Optima Networks, Landscape Autocorrelation and Heuristic Search Performance
University of Málaga（马拉加大学）；University of Lausanne（洛桑大学）；University of Nottingham（诺丁汉大学）；INRIA Lille - Nord Europe（法国国家信息与自动化研究所里尔-北欧洲分所）；University of Nice Sophia-Antipolis（尼斯索菲亚·安提波利斯大学）
适应度景观分析的最新发展包括局部最优网络（LON）的研究和基本景观理论的应用。本文代表了第一步，结合这两个工具，探索他们的能力，预测搜索算法的性能。我们的分析基于二次分配问题（QAP），并对600多个不同类型的生成实例进行了大量的统计研究。我们的研究结果揭示了有趣的网络措施，自相关措施和启发式搜索算法的性能之间的联系。
2012-10-15 cs.AI cs.NE
An Improved Tabu Search Heuristic for Static Dial-A-Ride Problem
Nanyang Technological University（南洋理工大学）
随着自主车辆技术的快速发展，多车辆路径问题变得越来越重要。打电话乘车问题是车辆路径问题的一个变种，它处理的是如何将客户的需求分配给车辆，如何安排车辆的上下客时间，以及如何在保证客户满意度的前提下，以最小的出行成本为目标来满足客户的需求。本文提出了一种改进的禁忌搜索（ITS）启发式算法来求解静态电话预约问题（DARP），其目标是在短时间内获得高质量的解。两个新的技术，初始化启发式，并提出了时间窗口调整，以实现更快的收敛到全局最优。使用文献中的DARP测试实例对所提出的求解方法进行了各种数值实验，并验证了收敛速度。
2018-02-14 cs.AI math.OC
Opti Code Pro: A Heuristic Search-based Approach to Code Refactoring
Toronto Metropolitan University（多伦多都会大学）
本文提出一种基于启发式搜索的代码重构方法，通过近似问题引导重构过程实现高内聚低耦合，并在随机状态和Java项目上验证有效性。
2023-05-12 cs.AI cs.SE
Best-First Heuristic Search for Multicore Machines
University of New Hampshire（新罕布什尔大学）；Palo Alto Research Center（帕洛阿尔托研究中心）
为了利用现代多核处理器，必须开发基本算法的并行版本。在本文中，我们比较了不同的方法来并行最佳优先搜索在共享内存设置。我们提出了一种新的方法，PBNF，使用抽象来划分状态空间，并检测重复的状态，而不需要频繁的锁定。PBNF允许在必要时进行推测性扩展，以保持线程繁忙。我们确定和修复潜在的活锁条件，在我们的方法，证明其正确性，使用时序逻辑。我们的方法是通用的，允许它很容易地扩展到次优和随时启发式搜索。在一个实证的比较上的CNOPS规划，网格寻路，和使用8核机器的滑动瓦片拼图问题，我们表明，A*，加权A* 和任何时候加权A* 使用PBNF实现比以前的并行搜索建议的改进版本产生更快的搜索。
2014-01-16 cs.AI cs.DC
HiMAP: Learning Heuristics-Informed Policies for Large-Scale Multi-Agent Pathfinding
KAIST（韩国科学技术院）；Omelet
本文提出HiMAP，一种基于启发式指导模仿学习的去中心化大规模多智能体路径规划方法，通过小规模训练与推理技术提升成功率和可扩展性。
2024-02-23 cs.AI cs.LG cs.MA
Offline Imitation Learning Through Graph Search and Retrieval
UC Berkeley（加州大学伯克利分校）
提出GSR算法，通过图搜索和检索从次优演示中学习，在模拟和真实机器人操作任务中显著提升成功率和熟练度，克服了离线深度强化学习的不稳定性。
2024-07-22 cs.AI cs.LG cs.RO
Adversarial Imitation Learning via Random Search in Lane Change Decision-Making
Chung-Ang University（中央大学）
随着高级驾驶员辅助系统（ADAS）功能变得越来越复杂，自动驾驶需要适当协调ADAS功能之间的交互和通信的策略。本文提出了一种基于无导数优化的模仿学习方法，用于协调适当的ADAS功能的决策者。该方法能够在多车道高速公路的LIDAR数据的及时决策。基于仿真的评估验证了所提出的方法呈现出预期的性能。
2021-09-11 cs.RO
Follow The Rules: Online Signal Temporal Logic Tree Search for Guided Imitation Learning in Stochastic Domains
Carnegie Mellon University（卡内基梅隆大学）
本工作提出利用蒙特卡洛树搜索（MCTS）结合信号时序逻辑（STL）鲁棒性值，将STL规则在线集成到示范学习策略中，以提高约束满足度，并在通用航空轨迹规划中实现比基线高60%的性能。
2023-03-06 cs.RO
Deploying Ten Thousand Robots: Scalable Imitation Learning for Lifelong Multi-Agent Path Finding
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系）
针对大规模终身多智能体路径规划中学习类方法性能不足的问题，提出融合通信模块、冲突消解与全局引导的模仿学习求解器SILLM，在多场景下超越现有基线与赛事冠军，且经真实与虚拟机器人验证有效。
2025-05-18 cs.AI cs.LG cs.MA
Silver-Bullet-3D at ManiSkill 2021: Learning-from-Demonstrations and Heuristic Rule-based Methods for Object Manipulation
JD Explore Academy（京东探索研究院）
本文介绍了我们为SAPIEN ManiSkill挑战2021中的以下两个轨道设计的系统的概述和比较分析：无交互轨道：无交互轨道目标，用于从预先收集的演示轨道中学习策略。我们研究了两种基于模仿学习的方法，即，使用经典的监督学习技术和基于离线强化学习的方法来模仿该轨道的观察到的行为。此外，物体和机器人手臂的几何和纹理结构通过基于transformer的网络来促进模仿学习。无限制轨道：在这条赛道上，我们设计了一个启发式的基于规则的方法（HRM）触发高质量的对象操作分解成一系列的子任务的任务。对于每个子任务，采用简单的基于规则的控制策略来预测可以应用于机器人手臂的动作。为了简化我们系统的实现，所有源代码和预训练模型都可以在\url{https://github.com/caiqi/Silver-Bullet-3D/}上获得。
2022-06-13 cs.CV cs.LG cs.MM
