Efficient Large-Scale Multi-Drone Delivery Using Transit Networks
Stanford University(斯坦福大学)
我们考虑控制大型无人机机群在广阔的城市地区同时交付包裹的问题。为了节省能源,无人机在公共交通工具之间跳跃(例如,公共汽车和电车)。我们设计了一个全面的算法框架,力求最大限度地减少完成任何交付的最长时间。我们通过两个层次的方法来解决这个问题的多方面复杂性。首先,上层分配无人机包裹交付序列与近最优的多项式时间任务分配算法。然后,低层执行分配定期路由车队的运输网络,同时采用高效的有界次优多智能体寻路技术,适合我们的设置。实验证明了我们的方法的效率设置高达$200$无人机,$5000$包,和运输网络高达$8000$停止在旧金山和华盛顿特区。我们的研究结果表明,该框架计算解决方案通常在几秒钟内的商品硬件,无人机旅行到$360 \%$的飞行范围与公共交通。
2021-01-05 cs.AI cs.MA cs.RO
Learning Team-Based Navigation: A Review of Deep Reinforcement Learning Techniques for Multi-Agent Pathfinding
University of Victoria(维多利亚大学);The University of British Columbia(不列颠哥伦比亚大学)
本文综述了深度强化学习在多智能体路径规划中的应用,提出统一评估指标,并展望基于模型的DRL作为未来方向,以解决MAPF中的现有挑战。
2024-02-08 cs.AI cs.LG cs.MA
LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of California, Merced(加利福尼亚大学默塞德分校)
本文提出LLM-A*,将A*的精确寻路与大语言模型的全局推理相结合,以在保证路径有效性的同时提升大规模场景下的路径规划效率。
2025-04-09 cs.AI cs.CL cs.RO
Poisoned Identifiers Survive LLM Deobfuscation: A Case Study on Claude Opus 4.6
研究探讨了在LLM去混淆JavaScript时,被污染的标识符名称是否能存活于模型重构的代码中,发现被污染名称在多个实验中持续存在,并且即使模型正确理解语义,也会在注释中出现错误变量名。
2026-04-05 cs.AI cs.CR cs.SE
Timetable Nodes for Public Transport Network
University of New South Wales(新南威尔士大学);Monash University(莫纳什大学);OPTIMA ARC Industrial Training and Transformation Centre(OPTIMA ARC产业培训与转型中心)
本文提出时间表节点(TTN)预计算方法,利用组合搜索树和分数级联降低公共交通网络中到达新节点的渐近复杂度,从而显著提升高密度图上的路径查找性能。
2024-10-23 cs.AI cs.CG cs.DS
Parameterized Complexity Results for Exact Bayesian Network Structure Learning
Masaryk University(马萨里克大学);Vienna University of Technology(维也纳工业大学)
贝叶斯网络结构学习是一个非常困难的问题,即发现一个最佳地表示一组给定的训练数据的贝叶斯网络。在本文中,我们研究的计算最坏情况下的复杂性的精确贝叶斯网络结构学习的图论限制(有向)的超结构。超结构是一个无向图,包含作为子图的解决方案网络的骨架。我们引入有向超结构作为其无向对应物的自然推广。我们的研究结果适用于基于分数的贝叶斯网络结构学习的几个变体,其中网络的分数分解为其节点的局部分数。结果如下:证明了当超结构具有有界树宽时,精确贝叶斯网络结构学习可以在非均匀多项式时间内进行;当超结构具有有界最大度时,精确贝叶斯网络结构学习可以在线性时间内进行.此外,我们表明,如果有向超结构是非循环的,那么精确的贝叶斯网络结构学习可以在二次时间进行。我们补充这些积极的结果与一些硬度的结果。我们表明,这两个限制(树宽和程度)是必不可少的,不能被丢弃而不失去统一的多项式时间的易处理性(受复杂性理论的假设)。类似地,精确贝叶斯网络结构学习对于“几乎无环”有向超结构仍然是NP难的。此外,我们表明,如果我们不搜索一个全局最优的网络,但旨在改善给定的网络,通过最多k弧添加,弧删除,或弧反转(k邻域局部搜索)的限制仍然是必不可少的。
2014-02-04 cs.AI cs.LG
Labeled Directed Acyclic Graphs: a generalization of context-specific independence in directed graphical models
Åbo Akademi University(奥布学术大学);KTH Royal Institute of Technology(瑞典皇家理工学院);University of Helsinki(赫尔辛基大学)
我们引入了一类新的标记有向无环图(LDAG)模型的有限集的离散变量。LDAG概括了早期的提议,允许节点的条件概率分布中的局部结构,使得不受限制的标签集确定对于给定上下文可以从底层有向无环图(DAG)中删除哪些边。这些模型的几个属性的推导,包括推广的马尔可夫等价类的概念。LDAG的有效贝叶斯学习通过引入模型参数的Dirichlet先验的基于LDAG的因式分解来实现,使得可以解析地计算边际似然。此外,我们开发了一种新的先验分布的模型结构,可以适当地惩罚模型的标签复杂性。一个不可逆的马尔可夫链蒙特卡罗算法结合贪婪爬山方法被用来说明LDAG模型的有用属性的真实和合成的数据集。
2013-10-04 cs.AI cs.LG stat.ML
LAYERWIDTH: Analysis of a New Metric for Directed Acyclic Graphs
University of California, Los Angeles(加州大学洛杉矶分校)
我们分析了一个新的属性的有向无环图(DAGs),层宽度,所产生的一类DAGs提出的Eiter和Lukasiewicz。这一类的DAG允许某些问题的结构模型为基础的因果关系和解释,可追溯地解决。在本文中,我们首先解决一个公开的问题,提出了Eiter和Lukasiewicz -计算复杂性决定是否一个给定的图有界的layerwidth。在证明这个问题是NP完全的之后,我们继续证明了层宽的许多重要属性,这些属性有助于有效地计算最佳层宽。最后,我们比较了这个新的DAG属性与其他两个重要的DAG属性:树宽和带宽。
2012-10-19 cs.AI cs.DM cs.DS
Directed-MAML: Meta Reinforcement Learning Algorithm with Task-directed Approximation
Department of Mechanical Engineering, Virginia Polytechnic Institute and State University(弗吉尼亚理工大学机械工程系)
针对MAML应用于元强化学习时计算内存开销高、收敛难的问题,提出带任务导向近似的Directed-MAML算法,在多场景下效率与收敛速度优于基线,且该近似可集成至其他元学习算法提升性能。
2025-09-30 cs.AI cs.LG
Counting Markov Equivalent Directed Acyclic Graphs Consistent with Background Knowledge
Tata Institute of Fundamental Research(塔塔基础研究院)
本文针对部分边方向固定时马尔可夫等价类有向无环图计数这一已知难问题,证明其为固定参数可计算,提出运行时间仅与图规模多项式相关且多项式次数不依赖额外边输入数的计数算法。
2023-06-13 cs.AI cs.CC cs.DM
Optimal estimation of Gaussian DAG models
University of Chicago(芝加哥大学)
研究了从观测数据中学习高斯有向无圈图(DAG)的最优样本复杂度。我们的主要结果建立了极小极大最优样本复杂性学习的线性高斯DAG模型的结构在两个设置的兴趣:1)在等方差下,没有知识的真实顺序,和2)对于一般的线性模型给定的知识的顺序。在这两种情况下,样本复杂度都是$n\asymp q\log(d/q)$,其中$q$是父节点的最大数量,$d$是节点的数量。我们进一步与学习(无向)高斯图模型的经典问题进行比较,表明在等方差假设下,这两个问题具有相同的最优样本复杂度。换句话说,至少对于具有相等误差方差的高斯模型,学习有向图模型在统计上并不比学习无向图模型更困难。我们的研究结果也扩展到更一般的识别假设以及亚高斯误差。
2022-03-20 cs.AI cs.LG math.ST