Cost-sensitive C4.5 with post-pruning and competition
Zhangzhou Normal University(漳州师范学院)
决策树是数据采掘和机器学习中一种有效的分类方法。在实际应用中,引入决策树时需要考虑测试代价和误分类代价。近年来,基于ID 3的代价敏感学习算法如CS-ID 3、IDX、λ-ID 3等相继被提出。这些算法只处理符号数据。在本文中,我们开发了一个决策树算法的启发C4.5数值数据。我们的算法有两个主要问题。首先,我们开发了测试成本加权信息增益比作为启发式信息。根据这些启发式信息,我们的算法是选择提供更多的增益比和每次选择的成本更少的属性。其次,通过权衡生成的决策树的测试代价和误分类代价,设计了一种后剪枝策略。这样,总成本就降低了。实验结果表明:(1)算法稳定有效;(2)后剪枝技术显著降低了总代价;(3)竞争策略能有效地获得代价敏感的低代价决策树。
2012-11-17 cs.AI
ToolTree: Efficient LLM Agent Tool Planning via Dual-Feedback Monte Carlo Tree Search and Bidirectional Pruning
School of Computing and Information Systems, The University of Melbourne(墨尔本大学计算与信息学院);School of Physics, Mathematics and Computing, The University of Western Australia(西澳大学物理、数学与计算学院)
本文提出ToolTree,一种基于蒙特卡洛树搜索的工具规划方法,通过双阶段LLM评估和双向剪枝机制,提升工具使用序列的适应性和效率,实验表明其在多种基准测试中性能提升约10%。
2026-03-13 cs.AI
Discovering State Equivalences in UCT Search Trees By Action Pruning
Institute for Information Processing(信息处理研究所);Leibniz University Hannover(汉诺威莱比锡大学);University of Southern Denmark(南丹麦大学);SDU Metaverse Lab(SDU元宇宙实验室)
一种增强蒙特卡罗树搜索(MCTS)的方法是通过分组/抽象状态或状态-动作对并在组内共享统计来提高其样本效率。虽然状态-动作对抽象在诸如应用于树的上置信度界限中的On the Go抽象(OGA-UCT)之类的算法中很容易找到,但由于约束条件,在噪声或大动作空间设置中几乎没有发现状态抽象。我们提供了理论和经验证据,这种说法,我们稍微减轻这个状态抽象问题,提出了一个较弱的状态抽象条件,交易的准确性略有损失,找到更多的抽象。我们将这种技术命名为UCT中的理想修剪抽象(IPA-UCT),它在实验验证的大范围测试域和迭代预算中优于OGA-UCT(及其任何衍生物)。IPA-UCT使用与OGA-UCT使用的状态-动作对抽象(ASAP)不同的抽象框架,我们将其命名为IPA。此外,我们表明,IPA和ASAP是一个更一般的框架,我们称之为p-ASAP,这本身是一个特殊情况下的ASASAP框架的特殊情况。
2025-10-30 cs.AI
Pruning as a Cooperative Game: Surrogate-Assisted Layer Contribution Estimation for Large Language Models
Shenzhen Future Network of Intelligence Institute(深圳未来网络智能研究院);Guangdong Provincial Key Laboratory of Future Networks of Intelligence(广东省未来网络智能重点实验室);The Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳));Beijing Normal University(北京师范大学);Alibaba Group(阿里巴巴集团);University of Chinese Academy of Sciences(中国科学院大学);Zhejiang University(浙江大学)
本文提出基于博弈论的层剪枝方法,利用代理网络估计层贡献,实现高效且有效的大型语言模型剪枝。
2026-02-08 cs.AI cs.CL
Multi-Armed Bandits-Based Optimization of Decision Trees
Department of Computer Science York University Ontario, Canada(计算机科学系 约克大学)
针对决策树传统贪婪剪枝方法泛化能力差的问题,提出一种基于多臂老虎机(MAB)的强化学习剪枝方法,将剪枝视为探索-利用问题,动态选择最优分支节点进行剪枝,显著提升了模型的预测性能和泛化能力。
2025-08-08 cs.AI cs.LG
Chopping Trees: Semantic Similarity Based Dynamic Pruning for Tree-of-Thought Reasoning
Massachusetts Institute of Technology (MIT)(麻省理工学院)
SSDP通过动态剪枝技术提升树状思维推理效率,实现2.3倍速度提升且保持高准确性。
2025-12-07 cs.AI cs.CL
Similarity Measures based on Local Game Trees
Department of Mathematics, Yale University(耶鲁大学数学系);Department of Computer Science, University of Warwick(华威大学计算机科学系)
我们研究战略相似性的游戏位置在两个球员广泛的游戏的完美信息,通过看他们的本地游戏树的结构,其目的是提高性能的游戏代理在检测强制延续。我们提出了一系列的措施,诱导博弈树,并将它们与国际象棋中的基准问题进行比较,观察到一个有前途的准确性水平匹配陷阱状态。
2019-02-25 cs.AI
Interpretable reinforcement learning with decision-tree pruning
Ludwig-Maximilians-University Munich(慕尼黑大学);Siemens AG(西门子公司)
该研究提出一种结合决策树剪枝的可解释强化学习方法,通过定义结构感知与使用感知算子简化策略,在经典控制及MuJoCo基准上验证其可保持高性能并提升可解释性。
2026-08-10 cs.AI cs.LG
Lyapunov Stability-Aware Stackelberg Game for Low-Altitude Economy: A Control-Oriented Pruning-Based DRL Approach
School of Automation, Guangdong University of Technology(广东工业大学自动化学院);Department of Computer Science, Hong Kong Baptist University(香港 Baptist 大学计算机科学系);Department of Electrical and Computer Engineering, Sungkyunkwan University(Sungkyunkwan 大学电子与计算机工程系);School of Electrical and Computer Engineering, University of Sydney(悉尼大学电气与计算机工程学院);Graduate School of Information Sciences, Tohoku University(东北大学信息科学研究生院)
本文提出一种基于剪枝的DRL方法,通过Lyapunov稳定性理论和Stackelberg博弈模型,解决低空经济中资源分配与稳定性之间的冲突,实现动态环境下的控制稳定性与系统效用最大化。
2026-07-21 cs.AI
Dynamic Move Chains -- a Forward Pruning Approach to Tree Search in Computer Chess
Distributed Computing Systems(分布式计算系统公司)
本文提出了一种新的计算机象棋搜索博弈树剪枝机制。该算法存储并重用从以前的搜索中建立的移动链或序列。这些移动序列有一个内置的前向修剪机制,可以从根本上减少搜索空间。一个典型的搜索过程可能会从换位表中检索一个移动,其中检索什么移动的决定将基于位置本身。此算法存储移动序列的基础上,以前的序列是更好的,或造成的截止。因此,这是位置无关的,因此它也可以在不完全信息或不确定性的博弈中使用,其中整个情况在任何时候都不知道。在一小组测试中,该算法在搜索减少和游戏结果方面都明显优于换位表。
2014-03-04 cs.AI cs.NE
Informed Steiner Trees: Sampling and Pruning for Multi-Goal Path Finding in High Dimensions
IIIT-Hyderabad(海得拉巴国际信息技术学院);Texas A&M University(得克萨斯农工大学);Carnegie Mellon University(卡内基梅隆大学)
我们交错采样为基础的运动规划方法与修剪思想,从最小生成树算法开发一种新的方法来解决多目标路径查找(MGPF)问题在高维空间。该方法在来自搜索空间中的所选区域的采样点和不强调可能不会导致MGPF的良好解决方案的区域之间交替。我们的方法提供了一个渐进的,2-近似保证MGPF。我们还提出了广泛的数值结果来说明我们提出的方法的优点,均匀采样的质量的解决方案和计算速度。
2022-05-09 cs.AI cs.MA cs.RO
Exploiting the Pruning Power of Strong Local Consistencies Through Parallelization
University of Western Macedonia(西马其顿大学)
自CSP研究的早期以来,强于弧一致性的局部一致性已经受到了很多关注。%,因为它们可以实现强大的修剪。然而,它们尚未被CSP求解器广泛采用。这是因为应用这样的搜索引擎有时会导致搜索树的大小明显变小,从而导致重要的加速,但在其他情况下,搜索空间的减少可能很小,导致严重的运行时间损失。利用并行化的最新进展,我们提出了一种新的方法,可以提高他们的性能,在很大程度上保持他们提供的速度,在他们成功的情况下,并消除运行时间处罚的情况下,他们是不成功的应用程序的强本地并行(SLC)。这种方法是在两个搜索算法的形式。这两种算法都包括一个主搜索过程,这是一个典型的CSP求解器,和一些从进程,每一个实现一个SLC方法。第一个算法在主进程中探索的搜索树的每个节点上同步运行不同的SLC,而第二个算法可以在搜索树的不同节点上异步运行它们。实验结果证明了所提出的方法的好处。
2017-05-15 cs.AI
The Label Imitation Game: Turing Test Network for Zero-Shot Pseudo-Label Pruning
提出图灵测试网络(TTN)作为任务无关的“裁判”,通过对抗性交互在数据集上下文中评估伪标签,无需监督或重训练即可提升标签准确性,并实现零样本任务迁移。
2026-07-01 cs.AI cs.CV cs.LG
How to correctly prune tropical trees
Université Paris 13(巴黎第十三大学);CNRS(法国国家科学研究中心)
我们提出了热带游戏,推广的组合最小最大游戏的基础上热带代数。我们的模型打破了理性零和游戏的传统对称性,其中玩家有完全相反的目标(最小与最大),比最小最大更广泛适用,也支持一种形式的修剪,尽管它不如α-β有效。实际上,最小-最大博弈可以被看作是博弈和它的对偶都是热带的特殊情况:当热带博弈的对偶也是热带的时候,α-β的力量就完全恢复了。我们正式开发的模型,并证明热带修剪策略是正确的,然后得出结论,显示如何近似解析的问题可以建模为一个热带游戏,从修剪中获利。
2010-05-11 cs.AI cs.DM cs.GT
Adaptively Pruning Features for Boosted Decision Trees
Northeastern University(东北大学)
提升决策树在各种应用中很受欢迎;然而,对于大规模数据集,在每轮中训练决策树的成本可能非常昂贵。受多臂强盗文献的启发,我们开发了一种高效的算法来计算精确的贪婪最优决策树,性能优于最先进的Quick Boost方法。我们进一步开发了一个框架,用于导出适用于广泛的家庭的任务(包括我们的算法和快速升压)的算法的问题的下限,我们证明经验上的各种数据集,我们的算法是接近最佳的算法在这个家庭。我们还推导出一个适用于任何算法解决任务的下限,我们证明了我们的算法凭经验达到接近这个最佳可实现的下限的性能。
2018-05-19 cs.AI cs.LG stat.ML
Enhancing the Monte Carlo Tree Search Algorithm for Video Game Testing
Middle East Technical University(中东技术大学)
在本文中,我们研究了几个蒙特卡罗树搜索(MCTS)的修改视频游戏测试的效果。虽然MCTS的修改在游戏中得到了广泛的研究,但它们对发现bug的影响是空白的。我们在之前的研究中专注于bug发现,在那里我们引入了合成的和类似人类的测试目标,并且我们在Sarsa和MCTS代理中使用这些测试目标来发现bug。在这项研究中,我们扩展了MCTS代理的游戏测试目的的几个修改。此外,我们提出了一种新的树重用策略。我们通过在三个测试平台游戏上测试这些修改来进行实验,每个测试平台游戏有四个级别,总共包含45个错误。我们使用通用视频游戏人工智能(GVG-AI)框架来创建测试床游戏,并使用GVG-AI框架收集427个人类测试者轨迹。我们分析了三个部分提出的修改:我们评估其对代理的错误发现性能的影响,我们衡量他们的成功下两个不同的计算预算,我们评估他们的影响,人类相似的人一样的代理。我们的研究结果表明,MCTS修改提高了代理的错误发现性能。
2020-03-17 cs.AI
Elastic Monte Carlo Tree Search with State Abstraction for Strategy Game Playing
Queen Mary University of London(伦敦玛丽女王大学);Leibniz University Hannover(汉诺威莱布尼茨大学)
战略视频游戏挑战人工智能智能体与他们的组合搜索空间所造成的复杂的游戏元素。状态抽象是一种降低状态空间复杂度的流行技术。然而,目前的游戏状态抽象方法依赖于领域知识,使其应用到新的游戏昂贵。不需要领域知识的状态抽象方法在规划领域得到了广泛的研究。然而,没有证据表明它们可以很好地适应策略游戏的复杂性。在本文中,我们提出了弹性MCTS,一个算法,使用状态抽象玩策略游戏。在Elastic MCTS中,树的节点是动态聚类的,首先通过状态抽象逐渐分组在一起,然后在达到迭代阈值时分离。这种弹性变化既得益于状态抽象带来的高效搜索,又避免了状态抽象对整个搜索的负面影响。为了评估我们的方法,我们利用通用策略游戏平台Stratega来生成不同复杂度的场景。结果表明,弹性MCTS优于MCTS基线有很大的利润,同时减少了$10$的一个因素的树的大小。代码可以在:https://github.com/egg-west/Stratega上找到
2022-05-30 cs.AI
Traditional Wisdom and Monte Carlo Tree Search Face-to-Face in the Card Game Scopone
Politecnico di Milano(米兰理工大学)
我们提出了一个有竞争力的人工智能Scopone,一个流行的意大利纸牌游戏的设计。我们比较了基于规则的球员使用最既定的策略(一个初学者和两个先进的球员)对球员使用蒙特卡罗树搜索(MCTS)和信息集蒙特卡罗树搜索(ISMCTS)与不同的奖励函数和模拟策略。MCTS需要关于游戏状态的完整信息,从而实现作弊玩家,而ISMCTS可以处理不完整信息,从而实现公平玩家。我们的研究结果表明,正如预期的那样,作弊MCTS优于所有其他策略; ISMCTS比所有基于规则的球员实施众所周知的和最先进的战略,它也被证明是一个具有挑战性的对手,人类球员。
2018-07-18 cs.AI
Predicting The Performance of Minimax and Product in Game-Tree
University of Maryland(马里兰大学)
最小最大决策规则在某些博弈中表现不佳的发现引发了人们对最小最大决策规则的可能替代方案的兴趣。直到最近,唯一的游戏中,极小极大是已知的表现不佳的游戏,主要是理论上的兴趣。然而,这篇论文报告的结果显示,在一个更常见的游戏中,极大极小的表现不佳,称为kalah。对于测试的kalah游戏,一个叫做乘积规则的非极大极小决策规则的表现明显优于极大极小。本文还讨论了一种可能的方法来预测是否极小极大将在游戏中表现良好时相比,产品。一个被称为启发式缺陷率(rhf)的参数已经被发现与。产品对minimax的性能。分析和实验结果似乎支持的预测能力的rhf。
2013-03-27 cs.AI
Towards a Characterisation of Monte-Carlo Tree Search Performance in Different Games
Maastricht University(马斯特里赫特大学)
针对MCTS变体在不同游戏中的性能差异缺乏系统理解的问题,本文构建含1494款游戏、61个智能体、268386次对局的数据集,并训练预测模型以表征其性能。
2024-06-13 cs.AI
Generating Real-Time Strategy Game Units Using Search-Based Procedural Content Generation and Monte Carlo Tree Search
University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute (Amii)(阿尔伯塔机器智能研究所)
实时的【形】策略(RTS)游戏单元生成是程序化内容生成(PCG)研究中一个尚未探索的领域,如何自动生成有趣且平衡的单元是一个尚未解决的问题。在设计RTS游戏时,创建独特而平衡的单位可能是一项艰巨的任务,即使对人类来说也是如此。拥有一种自动化的设计单元的方法可以帮助开发人员加快创建过程,并找到新的想法。在这项工作中,我们提出了一种生成平衡和有用的RTS单元的方法。我们利用基于搜索的PCG和基于蒙特卡罗树搜索(MCTS)的适应度函数。我们提出了十个单位,我们的系统设计用于游戏microRTS,以及结果表明,这些单位是独特的,有用的,和平衡的。
2022-12-07 cs.AI
Monte Carlo Game Solver
LAMSADE(拉马萨德实验室);Université Paris-Dauphine(巴黎第九大学);PSL(巴黎文理研究大学);CNRS(法国国家科学研究中心)
我们提出了一个通用的算法,顺序移动,以加快精确的游戏求解器。它使用播放策略的在线学习和蒙特卡罗树搜索。学习的策略和蒙特卡洛树中的信息用于在游戏求解器中排序移动。他们大大提高了解决多个游戏的时间。
2020-01-15 cs.AI
Experiments with Game Tree Search in Real-Time Strategy Games
Drexel University(德雷塞尔大学)
博弈树搜索算法(如极大极小)已在回合制对抗游戏(如国际象棋或象棋)中取得巨大成功。然而,这样的算法不能直接应用于实时的【形】战略(RTS)游戏,因为一些原因。例如,极小极大假设了一个回合制的游戏机制,这在RTS游戏中是不存在的。在本文中,我们提出了RTMM,一个实时的【形】变种的标准极大极小算法,并讨论其适用性的RTS游戏的背景下。我们讨论了它的优点和缺点,并评估它在两个实时的【形】游戏。
2012-08-09 cs.AI cs.GT
Efficient Mixture-of-Agents Serving via Tree-Structured Routing, Adaptive Pruning, and Dependency-Aware Prefill-Decode Overlap
Georgia Institute of Technology(佐治亚理工学院);Peking University(北京大学);Samsung Semiconductors, Inc.(三星半导体公司)
本文提出一种高效的混合代理服务方法,通过树状路由、自适应剪枝和依赖感知的预填解码重叠,显著降低推理延迟并保持准确性。
2025-12-19 cs.AI cs.MA
Visuomotor Robotic Pruning in Planar Orchards Using Hybrid Reinforcement Learning
Oregon State University(俄勒冈州立大学)
本研究提出一种端到端流水线,利用混合强化学习训练视觉运动控制器,实现平面果园机器人修剪,在模拟中训练并零样本部署至真实果园,成功率约50%。
2026-09-22 cs.AI cs.RO
Competing in a Complex Hidden Role Game with Information Set Monte Carlo Tree Search
University of Minnesota(明尼苏达大学)
智能博弈代理的进步导致了像围棋这样的完全信息博弈和像扑克这样的不完全信息博弈的成功。信息集蒙特卡罗树搜索(ISMCTS)系列算法在不完全信息博弈中优于以前使用蒙特卡罗方法的算法。在本文中,单观察者信息集蒙特卡罗树搜索(SO-ISMCTS)被应用到秘密希特勒,一个流行的社会推理棋盘游戏,结合了传统的隐藏角色机制与随机性的卡甲板。这种组合导致了一个比隐藏角色和卡片组机制更复杂的信息模型。在10108个模拟游戏中,SO-ISMCTS和基于规则的智能体一样有效,证明了ISMCTS算法在复杂信息集领域的潜力。
2020-05-14 cs.AI cs.MA
Maximizing Utilitarian and Egalitarian Welfare of Fractional Hedonic Games on Tree-like Graphs
Kyushu University(九州大学);Nagoya University(名古屋大学)
针对分数享乐博弈中福利最大化划分求解难的问题,本文提出伪多项式时间算法,求解树宽有界图、块图等树状图上的功利主义与平等主义福利最大化划分,并证明该复杂度在P≠NP假设下最优。
2023-10-08 cs.AI cs.GT
Resource-Constrained Affect Modelling via Variance Regularisation Pruning
Mediterranean College, Athens, Greece(地中海学院,希腊雅典);University of Derby, Derby, UK(德比大学,英国德比)
提出方差正则化剪枝(VR)框架,通过考虑跨参与者稳定性来剪枝,在80%稀疏度下仍保持竞争性CCC性能,适用于资源受限的情感感知系统。
2026-05-26 cs.AI cs.LG
Tree Projections and Structural Decomposition Methods: Minimality and Game-Theoretic Characterization
University of Calabria(卡拉布里亚大学)
树投影提供了一个数学框架,它包含了文献中提出的所有各种(纯)结构分解方法,以挑选出近无环(超)图的类别,例如树分解方法,这是图上最强大的分解方法,以及(广义)超树分解方法,这是任意超图的自然对应物。本文分析了这一框架,特别是集中在“最小”树的预测,也就是说,树的预测没有无用的冗余。首先,它表明,最小的树投影享有的范式分解,通常需要在各种结构分解方法的一些属性。特别是,它们享有与图的(最小)树分解相同的连接属性,其结果是严格的,因为对于关于它们是否享有稍微更强的连接属性概念的开放性问题提供了否定的答案,定义为加速超树分解的计算。第二,它表明,树预测承认一个自然的博弈论表征的船长和强盗的游戏。在这个博弈中,对于树分解的Robber和Cops博弈,获胜策略的存在意味着单调策略的存在。作为一种特殊情况,船长和强盗的游戏可以用来描述广义超树分解方法,在这种游戏理论的特征是缺失的,并要求。除了他们的理论兴趣,这些结果有直接的算法应用程序的一般设置和结构分解方法,可以重铸树预测。
2012-12-11 cs.AI cs.DM
EvolvingBehavior: Towards Co-Creative Evolution of Behavior Trees for Game NPCs
Northeastern University(东北大学);University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校)
为了帮助游戏开发人员制作游戏NPC,我们提出了进化行为,一种新颖的遗传编程工具,在虚幻引擎4中进化行为树。在最初的评估中,我们将进化行为与我们的研究人员设计的手工制作的树木进行了比较,并在3D生存游戏中随机生长的树木。我们发现,EvolvingBehavior是能够产生的行为接近设计师的目标,在这种情况下。最后,我们讨论了合作创新游戏AI设计工具的影响和未来探索途径,以及行为树进化中的挑战和困难。
2022-09-01 cs.AI cs.HC cs.NE
Draft Less, Retrieve More: Hybrid Tree Construction for Speculative Decoding
Zhejiang University(浙江大学);Qwen Applications Business Group of Alibaba(阿里巴巴量子计算实验室)
本文提出了一种混合树构建方法Graft,通过结合剪枝和检索操作,解决了推测解码中资源分配的帕累托权衡问题,实现了在不同部署场景下的速度提升和接受率优化。
2026-05-19 cs.AI cs.LG
A Compositional Framework for On-the-Fly LTLf Synthesis
East China Normal University(华东师范大学);University of Liverpool(利物浦大学)
本文提出一种组合式在线LTLf合成框架,在博弈求解过程中组合并剪枝中间结果,融合组合构造与增量构建的优势,能解决大量现有求解器无法处理的实例。
2025-08-22 cs.AI cs.LO
Tree Search for Simultaneous Move Games via Equilibrium Approximation
Boston University(波士顿大学)
针对同时行动博弈,本文提出在树搜索中近似粗相关均衡的自博弈方法,可适配合作、竞争与混合任务,并在多个基准上优于当前最佳 MARL 算法。
2024-06-14 cs.AI cs.MA
Beyond Games: A Systematic Review of Neural Monte Carlo Tree Search Applications
RWTH Aachen University(亚琛工业大学)
本文系统综述了129篇神经蒙特卡洛树搜索在游戏外领域的应用,分析其结构与实践,旨在评估其成功能否扩展至其他领域,并为特定问题设计算法提供原则性指导。
2023-03-14 cs.AI cs.NE
Ordinal Bucketing for Game Trees using Dynamic Quantile Approximation
TU Darmstadt(达姆施塔特工业大学)
在本文中,我们提出了一个简单而廉价的顺序桶算法,近似产生$q$ -分位数从增量数据流。在桶$q$的量随着所看到的样本的数量而增加的意义上,动态地进行分桶。我们展示了如何使用有序蒙特卡罗树搜索(OMCTS),以产生更好的时间和空间复杂度的界限,特别是在存在噪声的奖励。除了复杂性分析和质量测试的分位数,我们评估我们的方法使用OMCTS在通用视频游戏框架(GVGAI)。我们的研究结果表明,它的优势香草蒙特卡罗树搜索在噪声的存在下,OMCTS没有桶有一个非常糟糕的时间和空间复杂度。
2019-05-31 cs.AI cs.LG
Prune4Web: DOM Tree Pruning Programming for Web Agent
Prune4Web通过DOM树剪枝编程提升Web自动化精度,实现25-50倍候选元素减少,显著提高接地任务准确性至88.28%。
2025-11-26 cs.AI cs.CL cs.HC
Using Cooperative Game Theory to Prune Neural Networks
Dodners Institute(多德纳斯研究所);Radboud University(拉德堡德大学);New York University(纽约大学);Google DeepMind(谷歌DeepMind)
本文提出基于合作博弈论解概念的GTAP方法,通过估计神经元联合影响进行剪枝,在保持准确性的同时减小网络规模,并在前馈和卷积网络上优于现有方法。
2023-11-17 cs.AI cs.CE cs.GT
MRRT: Multiple Rapidly-Exploring Random Trees for Fast Online Replanning in Dynamic Environments
University of Connecticut(康涅狄格大学)
本文提出了一种新的算法,称为MRRT,它使用多个快速探索的随机树的快速在线重新规划的自主车辆在动态环境中移动障碍物。该算法建立在具有多树结构的RRT算法之上。首先,RRT算法被应用到寻找初始解的基础上的部分知识的环境。然后,机器人开始执行这条路径。在每次迭代中,机器人的传感器收集新的障碍物配置并用于重新规划路径。这些新信息可以来自未知的静态障碍物(例如,海底布局)以及移动障碍物。然后,为了适应环境的变化,采用了两个程序:1)边缘修剪,2)树木再生。具体地,边缘修剪过程通过树检查碰撞状态,并且仅移除无效边缘,同时保持已经探索的区域的树结构。由于删除了无效边,树可能会被分解为多个不相交的树。因此,RRT算法被应用于重新生长树。具体来说,样本是随机创建的,并通过连接到最近的节点来连接到其局部邻域中的所有不相交树。最后,为机器人找到了一种新的解决方案。所提出的MRRT算法的优点如下:i)保留最大的树结构,只修剪的边缘碰撞的障碍,ii)保证概率的完整性,和iii)是快速重新规划的计算效率,因为所有不相交的树被保持为未来的连接,并同时扩大。
2021-04-22 cs.AI cs.RO cs.SY
Theoretical and Empirical Advances in Forest Pruning
University of Wisconsin - Madison(威斯康星大学麦迪逊分校)
本文重新审视forest pruning方法,在弱假设下证明了Lasso-pruned forest的渐近优势及有限样本泛化界限,并在19个数据集上验证其能用极少的树达到或超过原始森林的准确率,同时显著提升可解释性。
2025-03-06 cs.AI cs.LG math.OC