Planning and Scheduling in Hybrid Domains Using Answer Set Programming
University of Arkansas at Pine Bluff(阿肯色大学松崖分校)
在本文中,我们提出了一个行动的回答集编程为基础的方法来解决规划和调度问题的混合域-域表现出离散和连续的行为。我们使用动作语言H表示域,然后将得到的理论转化为A-Prolog程序。通过这种方式,我们减少了寻找解决方案的问题,规划和调度问题的计算答案集的A-Prolog程序。我们从文献中引用了一个计划和调度的例子,并展示了如何在H。我们将展示如何将所得到的H理论转化为一个等价的A-Prolog程序。我们计算得到的程序使用的混合求解器称为EZCSP松散集成的约束求解器与答案集求解器的答案集。求解器允许我们推理实数上的约束,并计算复杂计划和调度问题的解决方案。结果表明,我们的方法可以适用于任何规划和调度问题的混合域。
2013-01-08 cs.AI
Calibrated Uncertainty for Informative Path Planning in Aquatic Environmental Monitoring
University of Sevilla(塞维利亚大学)
本研究针对水生环境监测中的信息路径规划,提出用深度集成替代高斯过程以提供校准的不确定性,实验表明该方法将重建误差降低83%,且蒙特卡洛树搜索在低计算成本下达到最优规划性能。
2026-10-07 cs.AI cs.IR
An Information-Theoretic Approach to Persistent Environment Monitoring Through Low Rank Model Based Planning and Prediction
Cornell University(康奈尔大学)
机器人可用于在人类难以穿越的地区收集环境数据。然而,限制仍然存在于区域的大小,机器人可以直接观察每单位时间。我们介绍了一种方法,选择有限数量的观察点在一个大的区域,我们可以预测的状态,在该地区的未观测点。我们结合了一个低秩模型的目标属性与信息最大化的路径规划,以预测整个区域的属性的状态。我们的方法是不可知的目标属性和机器人监控平台的选择。我们在两个真实环境数据集上模拟评估了我们的方法,每个数据集都包含来自一百万到两百万个可能的采样位置的观测结果。我们比较了一个随机采样器和四个变化的基线采样器从生态学文献。我们的方法优于基线方面的平均Fisher信息增益每个样本,并在大多数试验中进行平均重建误差。
2020-09-02 cs.AI cs.RO
Capturing (Optimal) Relaxed Plans with Stable and Supported Models of Logic Programs
Tampere University(坦佩雷大学)
本文建立松弛规划与逻辑程序语义的联系,提出用稳定模型双射刻画可排序动作子集,并用因果与诊断两种支持模型编码计算最优松弛计划,诊断编码在 STRIPS 基准上优于现有方法。
2023-06-08 cs.AI
ROMAS: A Role-Based Multi-Agent System for Database monitoring and Planning
Ant Group(蚂蚁集团);JD Group(京东集团)
针对当前多智能体系统在复杂数据分析任务中缺乏自我规划、自我监控及协作能力的问题,提出了支持低代码开发和一键部署的ROMAS系统,通过角色导向协作机制有效提升了数据库交互能力与多场景下的分析表现。
2024-12-18 cs.AI cs.DB cs.MA
Non Deterministic Logic Programs
非确定性应用出现在许多领域,包括随机优化、多目标优化、随机规划、偶然随机规划、强化学习、部分可观测马尔可夫决策过程中的强化学习和条件规划。我们提出了一个逻辑编程框架,称为非确定性逻辑程序,以及声明性语义和定点语义,允许表示和推理固有的非确定性的现实世界的应用程序。对非确定性逻辑程序语言框架进行了非单调否定扩展,定义了两种可供选择的语义:稳定非确定性模型语义和良基非确定性模型语义,并研究了它们之间的关系。这些语义继承了确定性正常逻辑程序的确定性稳定模型语义和确定性良基语义,并将其归结为确定性逻辑程序的无否定语义。我们展示了应用程序的非确定性逻辑程序框架的条件规划问题。
2013-04-26 cs.AI
A Bilinear Programming Approach for Multiagent Planning
University of Massachusetts(马萨诸塞大学)
多智能体规划和协调问题是常见的,并且已知计算困难。我们表明,广泛的两个代理问题可以制定为双线性规划。我们提出了一个连续的近似算法,显着优于覆盖集算法,这是国家的最先进的方法,这类多智能体问题。由于该算法是针对双线性规划的,因此更具有一般性,实现起来也更简单。新的算法可以在任何时候终止,不像覆盖集算法,它有利于推导出一个有用的在线性能界限。它也更有效,平均将最优解的计算时间减少了大约四个数量级。最后,我们介绍了一种自动降维方法,提高了算法的有效性,将其适用性扩展到新的领域,并提供了一种新的方法来分析一个子类的双线性规划。
2014-01-15 cs.AI
Representation and Synthesis of C++ Programs for Generalized Planning
Universitat Pompeu Fabra(庞培法布拉大学);Florida Universitària(佛罗里达大学);VRAIN - Valencian Research Institute for Artificial Intelligence, Universitat Politècnica de València(瓦伦西亚理工大学瓦伦西亚人工智能研究所(VRAIN))
本文介绍了一种新的表示广义规划(GP)问题,和他们的解决方案,作为C++程序。我们的C++表示允许正式证明广义计划的终止,并指定其渐近复杂性w.r.t.世界物体的数量。描述C++广义计划的复杂性使得能够应用组合搜索,该搜索按复杂性顺序枚举可能的GP解决方案的空间。实验结果表明,我们的实现这种方法,我们称之为BFGP++,优于以前的GP作为启发式搜索方法的计算表示为编译器风格的程序的广义计划。最后但并非最不重要的是,在经典规划实例上执行C++程序是一个确定性的无接地和无搜索的过程,因此我们的C++表示允许我们在数千个对象的大型测试实例上自动验证计算的解决方案,其中现成的经典规划器要么陷入预处理,要么陷入搜索。
2022-06-29 cs.AI
Novelty and Lifted Helpful Actions in Generalized Planning
School of Computing and Information Systems, The University of Melbourne(墨尔本大学计算与信息系统学院)
本文针对广义规划问题,提出了基于动作新颖性排名的求解器BFS($v$)和PGP($v$),并引入提升的有用动作、新评估函数与程序限制以扩大搜索规模,实验证明其优于现有最先进方法。
2023-07-03 cs.AI
Feature Engineering for Agents: An Adaptive Cognitive Architecture for Interpretable ML Monitoring
Barcelona Supercomputing Center(巴塞罗那超级计算中心);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Emory University(埃默里大学)
针对传统ML监测输出可解释性低的问题,提出融合特征工程与LLM的认知架构,通过重构、分解、编译三步模拟特征工程,提升输出可解释性与确定性,实验验证其在多领域准确率优于基线。
2025-06-11 cs.AI cs.LG
Safe Path Planning and Observation Quality Enhancement Strategy for Unmanned Aerial Vehicles in Water Quality Monitoring Tasks
University of Electronic Science and Technology of China(电子科技大学);North China University of Technology(华北理工大学)
本文提出一种动态光照阴影干扰避障路径规划方法,通过动态预测模型和改进的IFDS算法,结合MPC框架和DFAA机制,提升无人机在复杂光照环境下的观测质量和飞行安全性。
2025-12-24 cs.AI cs.RO cs.SY
Evolutionary Programmer: Autonomously Creating Path Planning Programs based on Evolutionary Algorithms
Beijing University of Aeronautics and Astronautics(北京航空航天大学)
进化算法以其灵活性和有效性在无人机路径规划中得到了广泛的应用。然而,它们对环境的变化非常敏感,不能适应所有的情况。由于这个缺点,以前成功的规划者经常在新场景中失败。本文提出了一种新的机器学习方法-进化程序设计方法来解决这一问题。具体来说,将最常用的进化算法分解为一系列的算子,构成了系统的算子库。新方法将算子重新组合为一个集成规划器,从而选择最合适的算子以适应不断变化的环境。与一般的机器程序设计方法不同,该方法以高度集成的指令集中于特定的任务,从而缓解了指令复杂性导致的搜索空间过大的问题。在此基础上,提出了一种64位序列来表示路径规划器,并采用改进的遗传算法进行进化。最后,最合适的规划器创建通过利用以前的规划器和各种随机生成的信息。
2022-03-30 cs.AI cs.NE
Learning Compositional Neural Programs with Recursive Tree Search and Planning
InstaDeep;DeepMind;Sorbonne Universite(索邦大学)
我们提出了一种新的强化学习算法AlphaNPI,它结合了神经程序员解释器(NPI)和AlphaZero的优点。NPI以模块化、层次化和递归化的形式贡献结构偏差,有助于降低样本复杂度、提高泛化能力和增强可解释性。AlphaZero提供了强大的神经网络引导搜索算法,我们用递归来增强它。AlphaNPI仅假设具有稀疏奖励的分层程序规范:当程序执行满足规范时为1,否则为0。使用该规范,AlphaNPI能够首次使用RL有效地训练NPI模型,完全消除了对执行跟踪形式的强监督的需求。实验表明,AlphaNPI可以像以前的强监督NPI变体一样进行排序。AlphaNPI代理还在具有两个磁盘的汉诺塔谜题上进行了训练,并被证明可以推广到具有任意数量磁盘的谜题
2021-04-13 cs.AI
SocraticRepair: Planning-Guided Socratic Tutoring for Program Debugging and Misconception Repair
University of Warwick(华威大学);Warwick Manufacturing Group(华威制造集团)
本研究提出SocraticRepair框架,通过微调Qwen2.5-Coder-7B-Instruct构建面向Python编程的规划引导式苏格拉底辅导系统,可提升教学质量并减少过早透露解决方案的问题。
2026-10-14 cs.AI cs.LG
Informative Planning and Online Learning with Sparse Gaussian Processes
University of Southern California(南加州大学)
环境监测的一大挑战是要观察的现象的时空变化。为了在这样的设置中实现持续感测和估计,具有时变的底层环境模型是有益的。在这里,我们提出了一种规划和学习方法,使自主海洋车辆执行持久的海洋监测任务,通过学习和完善的环境模型。为了缓解大规模数据积累所造成的计算瓶颈,我们提出了一个框架,该框架在旨在收集信息最丰富的数据的规划组件和稀疏高斯过程学习组件之间进行迭代,其中环境模型和超参数通过利用仅提供最大贡献的数据子集在线学习。我们的模拟与地面实况海洋数据表明,该方法是准确和有效的。
2016-09-24 cs.AI cs.LG cs.RO
Shadow Program Inversion with Differentiable Planning: A Framework for Unified Robot Program Parameter and Trajectory Optimization
ArtiMinds Robotics(ArtiMinds机器人公司);Institute for Artificial Intelligence, University of Bremen(不来梅大学人工智能研究所)
本文提出SPI-DP一阶优化器,通过引入可微分无碰撞运动规划器DGPMP2-ND并集成到梯度优化方法中,实现机器人程序参数与轨迹的统一优化,兼顾任务目标与运动约束,支持人类理解修改程序并在实际场景验证。
2025-02-12 cs.AI cs.RO
Write Once, Plan Many: Building Reusable Visual Planning Systems from One Scene
MIT(麻省理工学院);MIT-IBM Watson AI Lab(MIT-IBM沃森人工智能实验室)
该研究提出无需训练的框架,从单个场景与领域规范构建可复用视觉规划系统,在15个领域变体中平均规划成功率达99.3%,优于现有基线。
2026-10-13 cs.AI
Property-Guided LLM Program Synthesis for Planning
Federal University of Rio Grande do Sul(里约格朗德杜斯尔大学);University of Oxford(牛津大学);Linköping University(林奈大学)
本文研究了一种基于属性的LLM程序合成方法,通过检查候选程序是否满足形式定义的属性来指导LLM生成更高质量的程序,从而减少生成和评估成本。
2026-05-18 cs.AI cs.LG
Strategic Planning for Network Data Analysis
Arizona State University(亚利桑那州立大学);IBM T. J. Watson Research Center(IBM托马斯·J·沃森研究中心)
随着用于网络安全、恶意软件检测和其他关键任务的网络流量监控软件变得越来越自动化,警报和支持数据收集的速度以及底层模型的复杂性经常超过人类的处理能力。这些应用程序中的许多需要复杂的模型和组成规则,以便提出影响整个系统运行的决策。在本文中,我们激发了新的“战略规划”问题-从世界上收集数据,并应用域的底层模型,以提出将以自动化的方式监控系统的决策之一。我们描述了我们使用的自动规划方法来解决这个问题,包括我们用来解决它的方式,将扩展到一个实时的需求,现实世界的情况下的技术。然后,我们提出了一个PDDL模型的一个这样的应用场景相关的网络管理和监控,然后由一个新的集成系统,该系统是建立接受生成的计划,并继续执行过程中的描述。最后,我们提出了两个不同的自动化规划和他们不同的能力与我们的集成系统,无论是在六个月的网络数据窗口,并使用模拟器的评估。
2013-05-12 cs.AI
Bridging POMDPs and Bayesian decision making for robust maintenance planning under model uncertainty: An application to railway systems
ETH Zürich(苏黎世联邦理工学院);Swiss Federal Railways SBB(瑞士联邦铁路);Technical University of Munich(慕尼黑工业大学);Pennsylvania State Univ.(宾夕法尼亚州立大学)
结构健康监测(SHM)描述了用于推断结构状况的可量化指标的过程,其可以用作支持关于基础设施资产的操作和维护的决策的输入。由于关键结构的寿命很长,这个问题可以被看作是一个连续的决策问题,在规定的范围。部分可观测马尔可夫决策过程(POMDPs)提供了一个正式的框架来解决潜在的最优规划任务。然而,两个问题可能会破坏POMDP解决方案。首先,需要一个模型,可以充分描述恶化或纠正措施下的结构条件的演变,其次,从可用的监测数据的观察过程参数的恢复的非平凡的任务。尽管存在这些潜在的挑战,但所采用的POMDP模型通常不考虑模型参数的不确定性,导致解决方案可能不切实际地自信。在这项工作中,我们解决了这两个关键问题。我们提出了一个框架,估计POMDP过渡和观察模型参数直接从现有的数据,通过马尔可夫链蒙特卡罗(MCMC)采样的隐马尔可夫模型(HMM)的条件下的行动。MCMC推断估计所涉及的模型参数的分布。然后,我们形成并解决POMDP问题,利用推断的分布,推导出的解决方案,是强大的模型的不确定性。我们成功地应用我们的方法对铁路轨道资产的维修规划的基础上的“分形值”指标,这是从实际的铁路监测数据计算。
2022-12-15 cs.AI cs.LG cs.SY
Optimising Rolling Stock Planning including Maintenance with Constraint Programming and Quantum Annealing
DB Systel GmbH(德国铁路系统有限公司);Fraunhofer FOKUS(弗劳恩霍夫开放通信系统研究所)
本文针对含维护任务的机车车辆排班优化问题,分别提出约束规划(CP)和基于QUBO的量子退火(QA)方法,并在德国铁路真实数据与D-Wave量子计算机上验证,发现当前阶段两者结果相当。
2023-09-25 cs.AI q-fin.ST
The Depth Ceiling: On the Limits of Large Language Models in Discovering Latent Planning
University of Cambridge(剑桥大学);Imperial College London(帝国理工学院);MIT(麻省理工学院)
研究探讨了大语言模型在无监督情况下发现多步规划策略的极限,发现模型在单次前向传递中能执行最多七步潜在规划,揭示了训练与测试时能力的差异。
2026-04-07 cs.AI cs.CL cs.LG