FluenceFormer: Transformer-Driven Multi-Beam Fluence Map Regression for Radiotherapy Planning
Wayne State University(韦恩州立大学);Henry Ford Health(亨利福特医疗)
FluenceFormer 是一种基于 Transformer 的多束荧光图回归方法,通过两阶段设计和物理约束损失提升放疗计划的结构保真度和能量精度。
2026-03-05 cs.AI cs.CV
Sampling from Pre-Images to Learn Heuristic Functions for Classical Planning
University of Melbourne(墨尔本大学)
本文介绍了一种新的算法,基于回归的监督学习(RSL),学习每个实例的神经网络(NN)定义的启发式函数的经典规划问题。RSL使用回归来选择离目标不同距离范围内的相关状态集。RSL然后制定一个监督学习的问题,以获得定义NN启发式的参数,使用所选的状态标记与目标状态的精确或估计的距离。我们的实验研究表明,RSL优于,在覆盖率方面,以前的经典规划神经网络的神经网络功能,同时需要两个数量级少的训练时间。
2022-07-07 cs.AI
Learning to Rank for Synthesizing Planning Heuristics
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
我们研究学习领域特定的规划。以前的工作框架学习启发式作为一个普通的回归问题。然而,在一个贪婪的最好的第一次搜索,诱导启发式的状态的顺序是更能说明所得到的规划的性能比均方误差。因此,我们将启发式学习框架为学习排序问题,我们使用RankSVM公式来解决该问题。此外,我们引入了新的方法来计算功能,捕捉时间的相互作用,在一个近似的计划。我们最近的国际规划竞赛问题的实验表明,RankSVM学习算法优于原始算法和通过普通回归学习的算法。
2016-08-03 cs.AI
Estimating Task Completion Times for Network Rollouts using Statistical Models within Partitioning-based Regression Methods
Ericsson(爱立信)
本文提出了一种基于数据和机器学习的电信网络部署规划问题的预测解决方案。里程碑式的完成时间估计对于网络部署规划至关重要;准确的估计可以更好地利用工作人员并优化材料和物流成本。使用里程碑完成时间的历史数据,模型需要结合领域知识,处理噪音,但项目经理可以解释。本文提出了基于分区的回归模型,将数据驱动的统计模型在每个分区内,作为一个解决方案的问题。基准测试实验表明,该方法获得竞争力更好的性能,在一个小部分的模型复杂度的最佳替代方法的基础上梯度提升。实验结果也表明,该方法是有效的短期和长期的预测。所提出的想法是适用于任何情况下,需要时间序列回归噪声和属性数据。
2022-11-30 cs.AI cs.LG stat.ML
Graph Neural Networks for Motion Planning
University of Pennsylvania(宾夕法尼亚大学);Google Brain(谷歌大脑)
本文研究了使用图神经网络(GNNs)的经典运动规划问题的可行性。我们建议使用GNN的能力来指导连续和离散规划算法,该能力使用称为置换不变性的属性来鲁棒地编码规划空间的拓扑结构。我们提出了两种技术,在密集的固定图的低维问题和基于采样的GNNs高维问题的GNNs。我们研究了GNN解决规划问题的能力,例如识别关键节点或学习快速探索随机树(RRT)中的采样分布。临界采样、钟摆和六自由度机器人手臂的实验表明,GNN改进了传统的分析方法以及使用全连接或卷积神经网络的学习方法。
2020-12-14 cs.AI cs.LG cs.RO
Cost-to-Go Function Generating Networks for High Dimensional Motion Planning
Samsung AI Center NY(三星纽约人工智能中心)
本文提出了c2 g-HOF网络,学习产生成本去功能的机械手运动规划。c2 g-HOF架构由表示为神经网络(c2 g-网络)的配置空间上的进行成本(cost-to-go)函数以及输出针对给定输入工作空间的c2 g-网络的权重的高阶函数(HOF)网络组成。这两个网络都是使用传统运动规划器计算的成本以监督方式进行端到端训练的。经过训练后,c2 g-HOF可以直接从工作空间传感器输入(表示为3D点云或2D图像)生成平滑连续的成本函数。在推理时,c2 g网络的权重被非常有效地计算,并且通过简单地遵循cost-to-go函数的梯度来生成接近最优的轨迹。我们比较c2 g-HOF与传统的规划算法的各种机器人和规划方案。实验结果表明,规划与c2 g-HOF是显着快于其他运动规划算法,导致数量级的改善时,包括碰撞检查。此外,尽管从配置空间中的稀疏采样轨迹进行训练,c2 g-HOF仍能生成更平滑且通常成本更低的轨迹。我们展示了基于7自由度机械臂的规划成本,其中复杂工作空间中的运动规划整个轨迹仅需0.13秒。
2020-12-10 cs.AI cs.LG cs.RO
MPC-MPNet: Model-Predictive Motion Planning Networks for Fast, Near-Optimal Planning under Kinodynamic Constraints
University of California San Diego(加州大学圣地亚哥分校)
Kinodynamic运动规划(Kinodynamic Motion Planning,KMP)是在运动学和动力学约束下,寻找机器人运动的方法。到目前为止,相当多的方法解决KMP问题和那些存在的斗争,找到接近最优的解决方案,并表现出高计算复杂性的规划空间维数增加。为了解决这些挑战,我们提出了一个可扩展的,模仿学习为基础的,模型预测运动规划网络框架,快速找到接近最优的路径解决方案,最坏情况下的理论保证实际欠驱动系统的kinodynamic约束。我们的框架介绍了两种算法建立在神经生成器,神经网络,和一个并行模型预测控制器(MPC)。生成器向给定目标输出各种通知状态,鉴别器从其中选择最佳可能子集进行扩展。MPC在满足给定约束的同时,局部地连接所选择的通知状态,从而得到可行的、接近最优的解决方案。我们评估我们的算法上的一系列混乱,kinodynamically约束,欠驱动的规划问题,结果表明显着改善计算时间,路径质量和成功率超过现有的方法。
2021-01-17 cs.AI cs.LG cs.RO
Universal Planning Networks
UC Berkeley, Computer Science(加州大学伯克利分校计算机科学)
复杂视觉控制中的一个关键挑战是学习有效的抽象表示,用于指定目标,规划和泛化。为此,我们引入通用规划网络(UPN)。UPN在目标导向的政策中嵌入了可区分的规划。该规划计算在潜在空间中展开前向模型,并且通过梯度下降轨迹优化来推断最优行动计划。逐梯度下降过程及其底层表示是端到端学习的,以直接优化有监督的模仿学习目标。我们发现,学习的表示不仅是有效的目标导向的视觉模仿,通过基于梯度的轨迹优化,但也可以提供一个指标,指定目标使用图像。可以利用学习的表示来指定基于距离的奖励,以达到无模型强化学习的新目标状态,从而在解决通过基于图像的目标描述的新任务时实现更有效的学习。我们能够在具有显著不同形态和驱动能力的机器人之间成功地转移视觉规划策略。
2018-04-04 cs.AI cs.CV cs.LG
Incorporating planning intelligence into deep learning: A planning support tool for street network design
Martin Centre for Architectural and Urban Studies, University of Cambridge(剑桥大学马丁建筑与城市研究中心);Department of Architecture, University of Cambridge(剑桥大学建筑系)
深度学习在制定临时规划建议方面的应用受到将城市专业知识与人工智能整合的困难的限制。我们提出了一种新的,互补的使用深度神经网络和规划指导自动化街道网络生成,可以是上下文感知,基于示例和用户指导。模型测试表明,纳入规划知识(例如,道路交叉口和邻域类型)导致对街道配置的更真实的预测。此外,这一新工具为专业和非专业用户提供了一个机会,可以系统和直观地探讨基准建议,以便进行比较和进一步评价。
2020-10-09 cs.AI cs.CV
Optimal Solving of Constrained Path-Planning Problems with Graph Convolutional Networks and Optimized Tree Search
Safran Electronics & Defense(赛峰电子与防务公司);LAMSADE, Paris-Dauphine University(巴黎多芬大学LAMSADE实验室);CREC Saint-Cyr, Coetquidan School Campus(圣西尔军校科埃基当校区研究中心)
基于深度学习的方法在规划方面越来越重要。在本文中,我们提出了一种混合规划器,结合了图机器学习模型和基于分支和边界树搜索的路径规划任务的最佳求解器。更具体地,使用图神经网络来辅助分支定界算法处理与期望解路径相关联的约束。有多个下游实际应用,例如自主无人地面车辆(AUGV),通常部署在救灾或搜索和救援行动中。在越野环境中,AUGV必须在各种操作约束下动态优化源-目的地路径,其中一些操作约束难以提前预测并且需要在线解决。我们进行实验,现实的情况下,并表明,图神经网络的支持,使大量的加速和更平滑的扩展到更难的路径规划问题。此外,由图神经网络提供的信息使该方法能够优于特定问题的手工算法,突出了潜在的图神经网络持有的路径规划任务。
2022-04-03 cs.AI cs.LG cs.RO
Motion Planning Networks: Bridging the Gap Between Learning-based and Classical Motion Planners
University of California San Diego(加州大学圣地亚哥分校);Massachusetts Institute of Technology(麻省理工学院)
本文介绍了运动规划网络(MPNet),一个计算效率高,基于学习的神经规划解决运动规划问题。MPNet使用神经网络来学习在可见和不可见环境中进行路径规划的一般接近最优的算法。它获取环境信息,如来自深度传感器的原始点云,以及机器人的初始和期望的目标配置,并递归地调用自己来双向生成可连接的路径。除了找到直接连接和接近最优的路径,在一个单一的通行证,我们表明,最坏情况下的理论保证,可以证明,如果我们合并这个神经网络战略与经典的基于样本的规划者在一个混合的方法,同时仍然保留显着的计算和优化改进。为了训练MPNet模型,我们提出了一种主动的持续学习方法,使MPNet能够从流数据中学习,并在需要时主动要求专家演示,从而大大减少了用于训练的数据。我们验证MPNet对黄金标准和国家的最先进的规划方法在各种问题,从2D到7D机器人配置空间在具有挑战性和混乱的环境,结果显示显着的和一贯更强的性能指标,并激励神经规划一般作为一种现代战略,有效地解决运动规划问题。
2020-06-27 cs.AI cs.LG cs.RO
Motion Planning Of an Autonomous Mobile Robot Using Artificial Neural Network
Mody Institute of Technology and Science(莫迪理工学院);PEC University of Technology(旁遮普工程学院大学)
本文介绍了电子设计和运动规划的机器人决策的基础上,关于它的直线运动和精确转弯的人工神经网络(ANN)。人工神经网络有助于机器人的学习,使其自主执行运动。计算的权重在微控制器中实现。性能经测试是优秀的。
2012-07-20 cs.AI cs.LG cs.NE
Exploring Model-based Planning with Policy Networks
University of Toronto(多伦多大学);Vector Institute(向量研究所)
基于模型的强化学习(MBRL)与模型预测控制或在线规划在样本效率和渐近性能方面显示出用于运动控制任务的巨大潜力。尽管他们最初的成功,现有的规划方法搜索从候选序列中随机产生的动作空间,这是在复杂的高维环境中效率低下。在本文中,我们提出了一种新的MBRL算法,基于模型的政策规划(POPLIN),结合政策网络与在线规划。更具体地说,我们制定行动规划在每个时间步作为一个优化问题,使用神经网络。我们的实验与优化w.r.t.从策略网络初始化的动作序列,以及直接w.r.t.策略网络的参数。我们表明,POPLIN在MuJoCo基准测试环境中获得了最先进的性能,比最先进的算法(如PETS,TD3和SAC)的样本效率高出约3倍。为了解释我们的算法的有效性,我们表明,在参数空间中的优化曲面是光滑的比在行动空间。此外,我们发现,在测试时间的一些环境,如猎豹,在没有扩展的模型预测控制的情况下,可以有效地应用提取的策略网络。代码发布在https://github.com/WilsonWangTHU/POPLIN。
2019-06-20 cs.AI cs.LG cs.RO
Neural Networks for Path Planning
由于神经网络体系结构的进步,科学界能够提出一套新的解决实际问题的方案,这些方案在效率和计算速度方面大大提高了现代技术的性能。我们目前的最新作品考虑利用神经网络在机器人路径规划。我们的调查显示了考虑不同输入,输出和环境的问题的不同公式之间的对比,以及不同的神经网络架构如何能够为所有提出的问题提供解决方案。
2022-07-02 cs.AI cs.RO
Constrained Motion Planning Networks X
University of California San Diego(加州大学圣地亚哥分校)
受约束的运动规划是一个具有挑战性的研究领域,旨在寻找计算效率高的方法,可以在给定的起始和目标配置之间的约束流形上找到无碰撞路径。这些规划问题经常出现,例如在机器人操作执行日常生活辅助任务。然而,很少有约束运动规划的解决方案是可用的,并且那些存在的解决方案在寻找流形上的路径解决方案时与高计算时间复杂度作斗争。为了解决这一挑战,我们提出了约束运动规划网络X(CoMPNetX)。它是一种神经规划方法,包括条件深度神经生成器和基于神经梯度的快速投影算子。我们还介绍了神经任务和场景表示的条件下,CoMPNetX生成隐式流形配置涡轮增压任何底层的经典规划,如基于采样的运动规划方法,快速解决复杂的约束规划任务。我们表明,在各种具有挑战性的场景中,我们的方法比最先进的传统路径查找工具能够以更高的成功率和更低的计算时间找到路径解决方案。
2021-07-03 cs.AI cs.LG cs.RO
Motion Planning Networks
University of California San Diego(加利福尼亚大学圣地亚哥分校)
快速高效的运动规划算法对于自动驾驶汽车等许多最先进的机器人应用至关重要。现有的运动规划方法变得无效,因为它们的计算复杂性随着运动规划问题的维度呈指数增加。为了解决这个问题,我们提出了运动规划网络(MPNet),一个基于神经网络的新的规划算法。所提出的方法直接从点云测量中编码给定的路径,并为给定的起始和目标配置生成端到端的无碰撞路径。我们评估MPNet的各种二维和三维环境,包括规划的7自由度巴克斯特机器人机械手。结果表明,MPNet不仅在所有环境中都具有一致的计算效率,而且还可以推广到完全不可见的环境。结果还表明,MPNet的计算时间始终保持不到1秒,在所有提出的实验,这是显着低于现有的国家的最先进的运动规划算法。
2019-02-24 cs.AI cs.RO stat.ML
Planning with Learned Object Importance in Large Problem Instances using Graph Neural Networks
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室)
现实世界中的规划问题往往涉及数百甚至数千个对象,这使现代规划者的极限变得紧张。在这项工作中,我们通过学习预测一小部分对象来应对这一挑战,这些对象放在一起就足以找到一个计划。我们提出了一个图神经网络架构预测对象的重要性,在一个单一的推理通过,从而产生很少的开销,同时大大减少了规划者必须考虑的对象的数量。我们的方法将规划器和过渡模型视为黑盒,并且可以与任何现成的规划器一起使用。从经验上讲,在经典规划,概率规划,机器人任务和运动规划,我们发现,我们的方法的结果规划,是显着快于几个基线,包括其他部分接地策略和解除规划。我们的结论是,学习预测一个规划问题的足够的一组对象是一个简单的,强大的,和一般的机制,在大的情况下规划。视频:https://youtu.be/FWsVJc2fvCE代码:https://git.io/JIsqX
2020-12-08 cs.AI cs.LG
Gated Path Planning Networks
Carnegie Mellon University(卡内基梅隆大学)
价值迭代网络(VIN)是有效的可微分路径规划模块,可由代理用于执行导航,同时仍然保持整个架构的端到端可微分性。尽管它们的有效性,但它们有几个缺点,包括训练不稳定性,随机种子敏感性和其他优化问题。在这项工作中,我们将VIN重新构建为递归卷积网络,这表明VIN将递归卷积与非常规的最大池激活相结合。从这个角度来看,我们认为,标准的门控经常性更新方程可以潜在地缓解优化问题的VIN。由此产生的架构,我们称之为门控路径规划网络,显示出经验优于VIN的各种指标,如学习速度,超参数灵敏度,迭代次数,甚至泛化。此外,我们表明,这种性能差距是一致的,在不同的迷宫过渡类型,迷宫的大小,甚至显示成功的一个具有挑战性的3D环境中,规划者只提供第一人称RGB图像。
2018-06-17 cs.AI cs.LG cs.RO
Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks
UC San Diego(加州大学圣地亚哥分校)
基于采样的运动规划是机器人技术中一种在连续空间中寻找路径的常用方法。碰撞检测是该过程中的主要计算瓶颈。我们提出了新的基于学习的方法,通过训练执行路径探索和路径平滑的图神经网络来减少碰撞检查以加速运动规划。给定从批量采样生成的随机几何图(RGG),路径探索组件迭代地预测无冲突边缘以优先考虑它们的探索。路径平滑组件然后优化从探索阶段获得的路径。该方法受益于GNN通过批量采样从RGG捕获几何图案的能力,并更好地推广到不可见的环境。实验结果表明,学习组件可以显着减少碰撞检查,提高整体规划效率,在具有挑战性的高维运动规划任务。
2022-10-17 cs.AI cs.RO
Learning Domain-Independent Planning Heuristics with Hypergraph Networks
The Australian National University(澳大利亚国立大学)
我们提出了第一种能够完全从头开始学习独立于域的规划算法的方法。我们学习的算法将手头规划问题的删除松弛的超图表示映射到成本估计,该成本估计近似于通过超图从当前状态到目标的最小成本路径的成本估计。我们概括了图网络,以获得一个新的超图学习框架,我们专门通过训练从最优成本计划中获得的状态/值对来学习规划算法。我们的实验表明,由此产生的架构,STRIPS-HGNs,是能够学习的竞争力与现有的删除松弛算法,包括LM切割算法。我们表明,我们学习的知识能够概括不同的问题和领域,包括在训练过程中没有看到的领域。
2019-11-29 cs.AI cs.LG
Deep Learning Based Motion Planning For Autonomous Vehicle Using Spatiotemporal LSTM Network
Beijing Jiaotong University(北京交通大学)
运动规划作为自主车辆自动导航的基础技术,在现实交通环境中仍然是一个具有挑战性的问题,主要应用于基于模型的方法。然而,由于交通状况的复杂性和边缘情况的不确定性,很难为自主车辆设计通用的运动规划系统。本文提出了一种基于深度学习的运动规划模型(称为时空LSTM网络),它能够基于时空信息提取生成实时反射。具体来说,基于时空LSTM网络的模型有三个主要结构。首先,使用卷积长短期记忆(Conv-LSTM)从序列图像数据中提取隐藏特征。然后,应用3D卷积神经网络(3D-CNN)从多帧特征信息中提取时空信息。最后,全连接神经网络被用来构建自主车辆转向角的控制模型。实验结果表明,该方法能够为自主车辆生成鲁棒、准确的视觉运动规划结果。
2019-03-05 cs.AI cs.CV
Planning and Learning: Path-Planning for Autonomous Vehicles, a Review of the Literature
Safran(赛峰集团);Ecoles Saint-Cyr(圣西尔军校)
本文综述了自动驾驶汽车路径规划领域的规划、调度与学习技术,涵盖规划算法、神经网络、图神经网络、强化学习及处理不确定性的时序规划。
2023-10-17 cs.AI
Predictive Modeling of Menstrual Cycle Length: A Time Series Forecasting Approach
Federal University of Semi-Arid Region(半干旱地区联邦大学)
该研究面向规律与不规律月经周期预测,比较多种时间序列机器学习算法并使用合成数据,验证了准确预测周期开始时间与持续时间的可行性。
2023-06-11 cs.AI cs.LG
Dynamic Planning Networks
University Of Western Ontario(西安大略大学);Department of Electrical and Computer Engineering, University Of Western Ontario(西安大略大学电气与计算机工程系)
我们介绍了动态规划网络(DPN),这是一种用于深度强化学习的新型架构,它结合了基于模型和无模型的在线规划方面。我们的架构学习动态构建计划,使用学习的状态转换模型,通过选择和遍历模拟状态和动作,以最大限度地提高信息之前采取行动。与无模型方法相比,基于模型的规划可以让代理有效地测试动作假设,而无需在环境中进行昂贵的试错。DPN通过一次扩展单个动作条件状态转换而不是彻底评估每个动作来学习有效地形成计划,从而将规划期间所需的状态转换数量减少高达96%。我们观察到各种紧急规划模式用于解决环境,包括经典的搜索方法,如广度优先和深度优先搜索。与几个基线相比,DPN显示出更高的数据效率,性能和对新的和未知领域的泛化。
2019-02-04 cs.AI cs.LG cs.NE
Learn a Prior for RHEA for Better Online Planning
USTC(中国科学技术大学)
滚动时域进化算法(RHEA)是一类用于实时游戏的在线规划方法,其性能与规划时域和允许的搜索时间密切相关。在本文中,我们建议通过训练一个价值网络和一个策略网络来离线学习RHEA的先验知识。价值网络用于通过提供未来回报的估计来减少规划范围,并且策略网络用于初始化种群,这有助于缩小搜索范围。该算法称为基于先验的RHEA(p-RHEA),通过迭代地执行规划和学习来训练策略和价值网络。在规划阶段,利用策略网络和价值网络进行水平受限搜索,以改进策略和收集训练样本。在学习阶段,利用收集的样本对策略网络和价值网络进行训练,以更好地学习先验知识。在OpenAI Gym MuJoCo任务上的实验结果表明,与RHEA相比,p-RHEA的性能得到了显著提高。
2019-02-22 cs.AI
A neural network approach to ordinal regression
University of Central Florida(中佛罗里达大学)
有序回归是一种重要的学习类型,它同时具有分类和回归的性质。在这里,我们描述了一个简单而有效的方法来适应传统的神经网络学习序数类别。我们的方法是有序回归的感知器方法的推广。在几个基准数据集上,我们的方法(NNRank)优于神经网络分类方法。与使用高斯过程和支持向量机的有序回归方法相比,NNRank实现了相当的性能。此外,NNRank具有传统神经网络的优势:在线和批量模式学习,处理非常大的训练数据集,并进行快速预测。这些功能使NNRank成为大规模数据处理任务的有用和补充工具,如生物信息学中的信息检索,网页排名,协同过滤和蛋白质排名。
2007-04-08 cs.AI cs.LG cs.NE
Planning with Learned Binarized Neural Networks Benchmarks for MaxSAT Evaluation 2021
Monash University(莫纳什大学);University of Toronto(多伦多大学);KU Leuven(鲁汶大学);University of Copenhagen(哥本哈根大学)
本文简要介绍了学习自动规划问题,其中状态转换函数是二进制神经网络(BNN)的形式,提出了一个通用的MaxSAT编码这个问题,并描述了四个域,即:导航,库存控制,系统管理员和Cellda,这是提交的基准MaxSAT评估2021。
2021-08-02 cs.AI
A CNN regression model to estimate buildings height maps using Sentinel-1 SAR and Sentinel-2 MSI time series
KTH Royal Institute of Technology(KTH皇家理工学院);University of Liège(列日大学)
本文提出 MBHR-Net,融合 Sentinel-1 SAR 与 Sentinel-2 多光谱时间序列,在 10 米分辨率下回归估计建筑物高度,并在荷兰 10 个城市验证其有效性。
2023-07-03 cs.AI cs.CV eess.IV
Loosely Coupled Formulations for Automated Planning: An Integer Programming Perspective
Arizona State University(亚利桑那州立大学);University of Colorado at Boulder(科罗拉多大学博尔德分校)
我们表示规划作为一组松散耦合的网络流问题,其中每个网络对应于规划域中的一个状态变量。网络节点对应于状态变量值,网络弧对应于值转换。规划问题是在每个网络中找到一条路径(一系列动作),这样,当合并时,它们构成一个可行的计划。在本文中,我们提出了一些整数规划公式,这些松散耦合的网络模型具有不同程度的灵活性。由于合并可能会引入指数级的许多排序约束,我们实现了所谓的分支和切割算法,这些约束是动态生成的,并在需要时添加到配方。我们的结果是非常有前途的,他们改进了以往的规划方法的整数规划方法,并奠定了整数规划方法的成本最优规划的基础。
2011-10-31 cs.AI
Pseudo-Siamese Network for Planning in Target-Oriented Proactive Dialogues
School of Computer Science and Technology(计算机科学与技术学院)
本文提出了一种面向目标的主动对话规划方法,通过FF-BPSN网络实现对话路径规划,提升目标导向型主动对话系统的有效性。
2026-04-04 cs.AI cs.CL cs.LG
Using Modified Partitioning Around Medoids Clustering Technique in Mobile Network Planning
Cairo University(开罗大学);King AbdulAziz University(阿卜杜勒阿齐兹国王大学);UMM AL-QURA University(乌姆·库拉大学)
每个蜂窝网络部署都需要规划和优化,以便提供足够的覆盖、容量和服务质量(QoS)。优化移动无线网络规划是一项非常复杂的任务,因为必须考虑许多方面。随着移动网络的快速发展,需要有效的网络规划工具来满足用户的需求。然而,决定基站(BS)的最佳布局以实现最佳服务同时降低成本是一项复杂的任务,需要大量的计算资源。本文引入空间聚类方法来解决移动网络规划问题。它解决了天线布局问题或小区规划问题,涉及到定位和配置移动网络的基础设施,通过修改原始的分割周围Medoids PAM算法。M-PAM(Modified Partitioning Around Medoids)算法的提出正是为了满足这一要求和约束。PAM需要在开始搜索基站的最佳位置之前指定簇的数量(k)。M-PAM算法使用无线电网络规划来确定k。我们计算每个集群的覆盖范围和容量,并确定它们是否满足移动要求,如果不满足,我们将增加(k),并根据两种方法重新应用算法进行聚类。该算法的实施,以一个真正的案例研究。实验结果和分析表明,采用方法二时的M-PAM算法在重负载分布情况下是有效的,并导致基站数量最少,这直接影响到网络规划的成本。
2013-02-26 cs.AI cs.NI
What Planning Problems Can A Relational Neural Network Solve?
MIT(麻省理工学院);MIT Computer Science & Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室);MIT Department of Brain and Cognitive Sciences(麻省理工学院脑与认知科学系);Center for Brains, Minds and Machines(脑、心智与机器中心)
本文通过电路复杂度分析,将关系神经网络可解决的规划问题分为三类,并给出构造性证明,为策略学习网络设计提供理论指导。
2024-05-02 cs.AI cs.LG cs.NE
TelePlanNet: An AI-Driven Framework for Efficient Telecom Network Planning
Nanjing University of Posts and Telecommunications(南京邮电大学);China Telecom Corporation Limited Jiangsu Branch(中国电信江苏分公司)
针对5G基站选址中人工低效、AI难以满足多目标需求的问题,提出TelePlanNet框架,集成LLM与GRPO强化学习,实现多目标优化,将规划一致性提升至78%。
2025-05-27 cs.AI
Qualitative Probabilistic Networks for Planning Under Uncertainty
MIT Laboratory for Computer Science(麻省理工学院计算机科学实验室)
贝叶斯网络为关于可能性的定性断言提供了概率语义。基于这些断言的代数的定性推理器可以得出关于动作的影响的进一步结论。虽然这些结论比从完全概率分布中计算出来的结论要弱得多,但它们对于建议潜在的行动、消除明显较差的计划、识别重要的权衡和解释概率模型仍然很有价值。
2013-03-27 cs.AI
Heuristic Optimization for Automated Distribution System Planning in Network Integration Studies
Fraunhofer Institute for Energy Economics and Energy System Technology (IEE)(弗劳恩霍夫能源经济与能源系统技术研究所(IEE));University of Kassel(卡塞尔大学)
网络集成研究试图评估未来发展对大规模网络区域的影响,例如可再生能源的增加或智能网格技术的引入。目标可以是支持监管框架中的战略调整,或适应配电系统运营商的网络规划原则。这项研究概述了一种自动化配电系统规划的方法,可以计算网络重构,加固和扩展计划,在一个完全自动化的方式。这使得大量的真实网络的大规模概率模拟的预期成本的估计,并构成了大规模网络集成研究的框架的核心组成部分。示例性的案例研究结果,与不同的主要配电系统运营商进行合作。案例研究涵盖了预期网络加固成本的估计、智能网格技术的技术和经济评估以及结构网络优化。
2018-02-16 cs.AI cs.CE
An Efficient Incremental Simple Temporal Network Data Structure for Temporal Planning
Fondazione Bruno Kessler(布鲁诺·凯塞勒基金会)
本文针对时序规划中需反复检查相互关联STN一致性的问题,提出一种时间和内存高效的增量数据结构δSTN,并证明其在问题序列上优于现有方法。
2023-08-11 cs.AI
Data-driven project planning: An integrated network learning and constraint relaxation approach in favor of scheduling
Bar-Ilan University(巴伊兰大学)
本文提出融合网络学习与时间约束松弛的数据驱动项目规划方法,利用历史项目网络、决策规则和资源约束调度生成计划,真实数据显示关键路径最多缩短26%。
2024-04-07 cs.AI