Conflict-Based Search for Explainable Multi-Agent Path Finding
University of Colorado Boulder(科罗拉多大学博尔德分校);Technion(以色列理工学院)
在多智能体路径查找(MAPF)问题中,目标是为环境中的智能体找到无冲突的路径,使得每个智能体从其初始位置到达其目标。在安全关键应用中,人类监督者可能想要验证计划确实是无冲突的。为此,最近的工作介绍了一个概念的可解释性MAPF的基础上可视化的计划作为一个短序列的图像表示的时间段,其中在每个时间段的代理的轨迹是不相交的。然后,可解释的MAPF问题要求一组不冲突的路径,承认一个足够短的解释。可解释的MAPF给MAPF增加了一个新的困难,因为它是NP难的环境的大小,而不仅仅是代理的数量。因此,传统的MAPF算法不具备直接处理可解释的MAPF。在这项工作中,我们适应基于冲突的搜索(CBS),一个研究的算法MAPF,处理可解释的MAPF。我们将展示如何在标准CBS树及其底层A* 搜索之上添加可解释性约束。我们研究这种方法的有用性,特别是规划时间和可解释性之间的权衡。
2022-04-04 cs.AI cs.MA
Optimal Task Assignment and Path Planning using Conflict-Based Search with Precedence and Temporal Constraints
Carnegie Mellon University(卡内基梅隆大学)
本文研究带优先级和时间约束的任务分配与路径规划问题,扩展Conflict-Based Search以同时生成无碰撞路径和任务分配,最大化强化学习奖励回报,高效解决拆弹等复杂任务。
2024-04-22 cs.AI cs.MA
Cost Splitting for Multi-Objective Conflict-Based Search
Tsinghua University(清华大学);University of Southern California(南加利福尼亚大学);Carnegie Mellon University(卡内基梅隆大学)
多目标多智能体路径查找(MO-MAPF)问题是在最小化多个成本指标的同时为一组智能体找到无冲突路径的帕累托最优边界的问题。这样的成本度量的例子包括到达时间,旅行距离,和能源consumption.In本文中,我们专注于多目标基于搜索(MO-CBS)算法,一个国家的最先进的MO-MAPF算法。我们发现,标准的分裂策略使用的MO-CBS可能会导致重复的搜索节点,因此可以重复的搜索工作,MO-CBS需要。为了解决这个问题,我们提出了两个新的拆分策略MO-CBS,即成本拆分和不相交的成本拆分。我们的理论结果表明,当结合这两个新的分裂策略,MO-CBS保持其完整性和最优性保证。我们的实验结果表明,不相交的成本拆分,我们最好的拆分策略,加快了MO-CBS的两个数量级,并大大提高了其成功率在各种设置。
2022-11-23 cs.AI cs.MA cs.RO
Multi-objective Conflict-based Search Using Safe-interval Path Planning
Carnegie Mellon University(卡内基梅隆大学);Texas A&M University(德州农工大学)
本文讨论了一个推广的著名的多智能体路径寻找(MAPF)问题,同时优化多个相互冲突的目标,如旅行时间和路径风险。这种概括,被称为多目标MAPF(MOMAPF),出现在几个应用范围从危险材料运输到建筑工地规划。在本文中,我们提出了一种新的多目标冲突为基础的搜索(MO-CBS)的方法,依赖于一种新的多目标安全区间路径规划(MO-SIPP)算法,其低级别的搜索。我们首先开发了MO-SIPP算法,展示了它的性质,然后将它嵌入到MO-CBS中。我们提出了广泛的数值结果表明:(1)有一个数量级的改善,在平均低级别的搜索时间,和(2)一个显着的改善,找到帕累托最优的前沿的成功率可以得到使用所提出的方法相比,以前的MO-CBS。
2022-03-04 cs.AI cs.RO
Conflict-Based Search for Multi Agent Path Finding with Asynchronous Actions
Shanghai Jiao Tong University(上海交通大学)
本文提出了一种基于冲突的异步动作搜索方法,解决连续时间冲突基于搜索在异步动作多智能体路径寻找中的不完整性问题,并提高算法的可扩展性。
2026-03-26 cs.AI
A Conflict-Based Search Framework for Multi-Objective Multi-Agent Path Finding
Carnegie Mellon University(卡内基梅隆大学);Texas A&M University(德克萨斯农工大学)
传统的多智能体路径规划器通常在优化单个目标(例如路径长度)的同时计算路径的集合。然而,许多应用可能需要在规划期间同时优化多个目标,例如燃料消耗和完成时间,并且这些标准可能不容易比较,并且有时彼此竞争。因此,问题的目标是找到一组帕累托最优解,而不是一个单一的最优解。简单地将现有的多目标搜索算法(诸如多目标A*(MOA*))应用于多智能体路径查找可能被证明是低效的,因为搜索空间的维度随着智能体的数量呈指数增长。本文提出了一种名为多目标基于搜索(MO-CBS)的方法,该方法试图通过利用先前的基于搜索的搜索(CBS)(一种用于单目标多智能体路径查找的知名算法)和多目标优化文献中的优势原则来解决这种所谓的维数灾难。我们还开发了几种变体的MO-CBS,以提高其性能。我们证明了MO-CBS及其变体可以计算整个Pareto最优集。数值结果表明,MO-CBS优于最近开发的国家的最先进的多目标多智能体规划器。
2022-06-12 cs.AI cs.RO
Revisiting the Complexity Analysis of Conflict-Based Search: New Computational Techniques and Improved Bounds
Technion–Israel Institute of Technology(以色列理工学院)
多智能体路径查找(MAPF)问题要求在给定的环境中为一组智能体找到一组无冲突的路径。可以说,计算最优解的最先进方法是基于搜索的搜索(CBS)。在这项工作中,我们重新审视CBS的复杂性分析,在最坏的情况下,算法的运行时间提供更严格的界限。我们的分析铺平了道路,以更好地查明参数,治理(在最坏的情况下)的算法的计算复杂性。我们的分析是基于两种互补的方法:在第一种方法中,我们绑定的运行时使用的多值决策图(MDD)的大小-一个分层的图,其中包含所有可能的单代理路径之间的两个给定的顶点为一个特定的路径长度。在第二种方法中,我们表示的运行时间由一个新的递归关系的边界算法的复杂性。我们使用基于生成函数的分析,以紧密结合的递归。使用这些技术,我们提供了几个新的上限CBS的复杂性。结果使我们能够改善现有的约束CBS的运行时间在许多情况下。例如,在一组常见的基准测试中,我们将上限至少提高了$2^{10^{7}}$。
2021-04-18 cs.AI cs.CC cs.MA
Multi-Agent Pathfinding with Non-Unit Integer Edge Costs via Enhanced Conflict-Based Search and Graph Discretization
China Mobile Group Hunan Company Limited(中国移动通信集团湖南有限公司)
本文提出MAPFZ,一种处理非单位整数边成本的多智能体路径规划变种,通过增强的基于冲突搜索框架和图离散化方法,提升了求解效率和现实准确性。
2026-04-07 cs.AI
On the Completeness of Conflict-Based Search: Temporally-Relative Duplicate Pruning
University of Denver(丹佛大学);Lockheed Martin Corporation(洛克希德·马丁公司);University of Alberta(阿尔伯塔大学)
针对多智能体路径规划中CBS算法对无解问题不完备的缺陷,提出时间相对重复剪枝技术,通过检测避免重复状态扩展填补理论漏洞,在保障终止的同时多数情况不影响运行效率,部分场景还能提升性能。
2024-08-16 cs.AI cs.RO
Effective Integration of Weighted Cost-to-go and Conflict Heuristic within Suboptimal CBS
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
本文提出在次优CBS中有效整合加权代价预估与冲突启发式,发现性能提升源于相对冲突启发式权重平衡高低层搜索的能力,并首次建立了优先规划与有界次优CBS的理论联系。
2024-03-24 cs.AI cs.MA cs.RO
Finding Optimal Solutions to Token Swapping by Conflict-based Search and Reduction to SAT
Czech Technical University in Prague(布拉格捷克理工大学);Faculty of Information Technology(信息技术学院)
在这篇简短的论文中,我们研究了解决令牌交换(TSWAP)问题的实用方法。在TSWAP中,我们给出了一个具有着色顶点的无向图。在每个顶点中放置一个彩色标记。一对标记可以在相邻顶点之间交换。我们的目标是执行一系列交换,以便令牌和顶点颜色在整个图中保持一致。在问题的优化变体中需要最小数量的交换。我们观察到TSWAP问题和多智能体路径查找(MAPF)之间的相似性,而不是令牌,我们有多个代理,需要从当前顶点移动到给定的唯一目标顶点。这两个问题之间的区别在于状态转换(交换/移动)必须满足的局部条件。通过对MAPF-CBS和MDD-SAT两种不同的方法进行改进,我们提出了两种求解TSWAP最优解的算法.这是首次尝试设计TSWAP的最优求解算法。对各种类型图的实验评价表明,在最优TSWAP求解中,SAT尺度的约简优于CBS。
2018-06-25 cs.AI
Conflict-Based Lazy Search for Fast Multi-Manipulator Planning
Shanghai Research Institute for Intelligent Autonomous Systems, Shanghai Institute of Intelligent Science and Technology, the State Key Laboratory of Autonomous Intelligent Unmanned Systems, and Frontiers Science Center for Intelligent Autonomous Systems of Ministry of Education, Tongji University(上海智能无人系统科学中心,上海智能科学与技术研究院,自主智能无人系统国家重点实验室,同济大学智能自主系统前沿科学中心);Department of Automation, Shanghai Jiao Tong University(上海交通大学自动化系);School of Aerospace Engineering and Institute for Robotics and Intelligent Machines, Georgia Institute of Technology(佐治亚理工学院航空航天工程学院和机器人与智能机器研究所)
针对多机器人在杂乱工作空间的实时规划难题,提出基于冲突的懒搜索(CBLS)算法。该算法基于CBS,通过预计算和懒搜索改进,采用懒评估图与LEA*算法,应用于多机器人规划问题,性能优于CBS和RRT-Connect。
2026-07-07 cs.AI cs.RO
Multi-Objective Multi-Agent Path Finding with Lexicographic Cost Preferences
针对多目标多智能体路径规划未显式优化用户偏好且扩展性差的问题,提出字典序框架及LCBS算法,结合优先级感知的A*与基于冲突的搜索,高效生成符合偏好的最优解,在多达十目标下扩展性显著优于现有方法。
2025-10-12 cs.AI cs.MA
Multi Agent Path Finding with Awareness for Spatially Extended Agents
Centre for AI and Robotics(CAIR), DRDO(国防研究与发展组织人工智能与机器人中心);Indian Institute of Science(印度科学学院)
路径寻找问题涉及到一个计划的识别冲突自由移动的代理商在一个共同的道路网络。大多数解决这个问题的方法都将代理作为点对象处理,其中代理的大小明显小于它行驶的道路。在本文中,我们考虑空间扩展的代理,其大小与他们旅行的道路的长度相当。在扩展冲突搜索(XCBS)算法中,提出了一种面向空间扩展智能体的多智能体最优路径搜索方法。由于XCBS一次只解决一对冲突,因此在给定位置发生级联或多个(两个以上代理)冲突的情况下,它会导致更深的搜索树。这个问题是解决扩展的基于冲突的搜索与意识(XCBS-A),其中一个代理使用其他代理的计划,使自己的计划的认识。在本文中,我们探讨XCBS-A在更详细的,我们从理论上证明了它的完整性和经验证明其性能与其他算法的道路特性,代理特性和计划特性的差异。我们证明了分布式的算法的性质,通过评估其性能时,分布在多台机器。XCBS-A产生一个巨大的搜索空间影响其效率的内存方面,为了解决这个问题,我们提出了一种方法的内存效率和经验证明的算法的性能。XCBS-A的性质是这样的,它可能会导致次优的解决方案,因此本文的最后贡献是一个增强的方法,XCBS-Local Awareness(XCBS-LA),我们证明这将是最佳的和完整的。
2020-09-20 cs.AI
Multi UAVs Preflight Planning in a Shared and Dynamic Airspace
Linköping University(林雪平大学);Universidade Estadual de Campinas(坎皮纳斯州立大学);Universidade Federal do ABC(ABC联邦大学)
DTAPP-IICR通过增量迭代冲突解决方法,实现了在动态共享空域中大规模无人机预飞行规划的高效与高成功率。
2026-02-12 cs.AI cs.MA cs.RO
Learning to Negotiate: Multi-Agent Deliberation for Collective Value Alignment in LLMs
本文提出基于多智能体协商的对齐框架,通过集体代理(CA)目标提升大语言模型的集体价值对齐能力,并改进冲突解决能力,实验表明其在冲突解决性能上有显著提升。
2026-04-09 cs.AI cs.CL
Subdimensional Expansion Using Attention-Based Learning For Multi-Agent Path Finding
Texas A&M University(得克萨斯农工大学);Carnegie Mellon University(卡内基梅隆大学)
多代理路径查找(MAPF)为多个代理从各自的起始位置到目标位置查找无冲突路径。MAPF是具有挑战性的联合配置空间增长指数的代理数量。在MAPF规划者中,基于搜索的方法,如CBS和M*,通过采用动态耦合策略有效地绕过了维数灾难:代理人首先以完全解耦的方式进行规划,其中代理人之间的潜在冲突被忽略;然后代理人要么遵循各自的计划,要么耦合在一起进行规划,以解决它们之间的冲突。一般来说,冲突的数量决定了这些规划器的运行时间,现有的工作主要集中在如何有效地解决这些冲突。在这项工作中,我们采取不同的观点,旨在减少冲突的数量(从而提高整体搜索效率),通过提高每个代理的个人计划。通过利用一个可视化的Transformer,我们开发了一个基于学习的单智能体规划器,它计划一个单一的代理,同时注意地图的结构和其他代理可能发生冲突。然后,我们开发了一种新的多智能体规划器称为LM* 通过集成这种基于学习的单智能体规划器与M*。我们的研究结果表明,对于“看不见”和“看不见”的地图,与M* 相比,LM* 有更少的冲突要解决,因此,运行更快,享有更高的成功率。我们的经验表明,LM* 计算的MAPF解决方案是接近最优的。我们的代码可在https://github.com/lakshayvirmani/learning-assisted-mstar上获得。
2021-09-29 cs.AI cs.RO
Learned Belief Search: Efficiently Improving Policies in Partially Observable Settings
Facebook AI Research(脸书人工智能研究院)
搜索是在单智能体和多智能体环境中计算有效策略的重要工具,并且对于在几个基准完全和部分可观察游戏中实现超人性能至关重要。然而,部分可观察环境的先验搜索方法的一个主要限制是,计算成本与隐藏信息的量的比例很差。在本文中,我们提出了\emph{Learned Belief Search}(LBS),一个计算效率高的搜索过程的部分可观察的环境。LBS不是保持精确的信念分布,而是使用近似的自回归反事实信念,作为监督任务学习。在多代理环境中,LBS使用一种新的公共-私有模型架构来处理底层策略,以便在部署期间有效地评估这些策略。在Hanabi的基准域中,LBS可以获得精确搜索的55% ~ 91%的好处,同时将计算需求减少$35.8 \times$ ~ $4.6 \times$,使其能够扩展到以前搜索方法无法访问的更大设置。
2021-06-16 cs.AI
Solving Multi-Agent Target Assignment and Path Finding with a Single Constraint Tree
Carnegie Mellon University(卡内基梅隆大学)
针对CBS-TA算法在解决TAPF问题时的可扩展性瓶颈,本文提出ITA-CBS算法,通过构建单一搜索树并增量计算1最优分配来避免重复碰撞解决与昂贵计算,在保证最优性的同时提升了计算效率。
2023-10-23 cs.AI cs.RO
Integrating Conflict Driven Clause Learning to Local Search
Université Lille-Nord de France(里尔北部大学);CRIL - CNRS UMR 8188(法国国家科学研究中心CRIL UMR 8188)
本文介绍了一种新的命题可满足性混合求解方法SatHyS(SAT混合求解器)。它结合了局部搜索和冲突驱动的小句学习(CDCL)方案。每当局部搜索部分达到局部最小值时,启动CDCL。对于SAT问题,它表现得像一个禁忌列表,而对于UNSAT问题,CDCL部分试图专注于最小不可满足子公式(MUS)。实验结果表明,良好的性能在许多类的SAT实例,从过去的SAT比赛。
2009-10-07 cs.AI
SI-FACT: Mitigating Knowledge Conflict via Self-Improving Faithfulness-Aware Contrastive Tuning
针对LLM因知识冲突生成不忠实响应的问题,提出自我改进框架SI-FACT,通过自动生成对比学习数据并应用对比学习训练,显著提升了模型上下文召回率并降低对内部记忆的依赖。
2025-09-12 cs.AI cs.CL
Efficiently Exploring Ordering Problems through Conflict-directed Search
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)
在规划和调度中,同时具有状态和时间约束的问题很难求解,因为这些约束可能是高度耦合的。明智的事件排序使求解器能够有效地对动作序列做出决策,以满足复杂的混合规范。因此,排序问题是规划的基础。最近有前途的工作已经探索了搜索的排序问题,结合一个特殊的树结构的效率。然而,这样的方法只推理部分订单规格。已经观察到排序相对于底层约束是不一致的,现有的工作没有利用树结构来有效地生成解决不一致的排序。在本文中,我们提出了一种冲突导向的搜索方法,以增量和系统地生成事件的总订单给定的排序关系和冲突返回的子求解器的增量总排序(CDITO)。由于其对冲突进行推理的能力,CDITO比增量总排序更有效。我们证明了这一点的基准时间网络配置问题,涉及路由网络流量和分配带宽资源随着时间的推移。
2019-04-15 cs.AI cs.DM
Improving Crash Frequency Prediction from Simulated Traffic Conflicts Using Machine Learning Based Microsimulation
School of Civil Engineering, University of Leeds(利兹大学土木工程学院);Institute for Transport Studies, University of Leeds(利兹大学交通研究所)
本文利用机器学习行为模型替代传统规则模型进行交通微观仿真,通过极端值理论分析模拟冲突预测碰撞频率,在英国利兹五个信号交叉口验证了ML模型无需地点校准即可提升预测准确性。
2026-06-19 cs.AI cs.LG
DRAGged into Conflicts: Detecting and Addressing Conflicting Sources in Search-Augmented LLMs
Google Research(谷歌研究)
本研究针对检索增强生成(RAG)中检索源信息冲突的问题,提出知识冲突分类体系与首个专家标注的CONFLICTS基准,实验发现现有大语言模型冲突解决能力不足,显式推理冲突可提升回答质量,为相关研究指明方向。
2025-06-15 cs.AI cs.CL cs.LG
Rethinking the Soft Conflict Pseudo Boolean Constraint on MaxSAT Local Search Solvers
Huazhong University of Science and Technology(华中科技大学);University of Picardie Jules Verne(皮卡第儒勒-凡尔纳大学)
本文将完备 MaxSAT 求解器中的 SPB 约束引入局部搜索的子句加权机制,并设计自适应权重策略,提出 SPB-MaxSAT,实验表明其性能优异。
2024-01-19 cs.AI
Generalized Conflict-directed Search for Optimal Ordering Problems
Massachusetts Institute of Technology(麻省理工学院)
解决具有高度耦合的状态和时间约束的多任务规划和调度问题是众所周知的挑战。有效地解耦问题的一个有吸引力的方法是明智地对事件进行排序,以便可以对任务序列做出决策。由于在实践中遇到的许多问题都受到过度约束,我们必须找到放松的解决方案,其中某些要求被删除。这促使制定最优性放松约束的成本和问题,找到一个最佳的顺序下,这种放松的成本是最小的。在本文中,我们提出了广义非线性定向排序(GCDO),分支定界排序方法,产生一个最佳的事件总顺序,利用广义冲突的不一致性和次优性从子求解器的成本估计和解决方案空间修剪。由于它能够对广义冲突进行推理,GCDO在寻找高质量的总订单方面比以前的冲突导向方法CDITO更有效。我们证明了这一点的基准时间网络配置问题,这涉及到管理网络随着时间的推移,并对CDITO和混合整数线性规划(MILP)的网络流量之间进行必要的权衡。我们的算法是能够解决两个数量级以上的基准问题的最优性和两倍的问题相比,CDITO和MILP的运行时间限制内,分别。
2021-03-31 cs.AI
Lazy Modeling of Variants of Token Swapping Problem and Multi-agent Path Finding through Combination of Satisfiability Modulo Theories and Conflict-based Search
Czech Technical University in Prague(布拉格捷克理工大学)
本文讨论了图中的项重定位问题。我们假设在无向图的顶点上放置的项目,每个顶点最多有一个项目。物品可以在边缘上移动,同时必须满足各种约束条件,这取决于重新定位问题的类型。我们介绍了一个一般的问题制定,包括已知类型的项目搬迁问题,如多代理路径查找(MAPF)和令牌交换(TSWAP)。在这个公式中,我们表示两种新类型的搬迁问题来自令牌交换,我们称之为令牌旋转(TROT)和令牌置换(TPERM)。我们的解决方案的项目搬迁相结合的可满足性模理论(SMT)与基于冲突的搜索(CBS)。我们在SMT框架中解释CBS,在SMT框架中,我们从基本模型开始,并在当前解决方案中发生项之间的冲突时使用冲突解决约束来细化模型。标准CBS和我们基于SMT的CBS修改(SMT-CBS)之间的关键区别在于,标准CBS分支搜索以解决冲突,而在SMT-CBS中,我们迭代地添加单个析取冲突解决约束。在多个基准测试上的实验结果表明,SMT-CBS算法的性能明显优于标准CBS算法。我们还比较了SMT-CBS与基于SAT的MDD-SAT求解器的修改,该求解器使用项目重新定位的渴望建模,其中所有潜在的冲突都通过约束提前消除。实验表明,SMT-CBS中的懒惰方法产生的约束比MDD-SAT少,也实现了更快的求解运行时间。
2018-09-16 cs.AI
Structural Similarity of Boundary Conditions and an Efficient Local Search Algorithm for Goal Conflict Identification
Sun Yat-sen University(中山大学)
在面向目标的需求工程中,目标冲突识别对于需求分析至关重要。该任务的目的是找到可行的情况下,使目标在域内,称为边界条件(BC)的分歧。然而,现有的目标冲突识别方法无法找到足够的BC和一般的BC,涵盖更多的情况下的组合。从这些现有的方法发现的BC,我们已经观察到一个有趣的现象,有一些对的BC是相似的公式结构,这经常发生在实验的情况下。换句话说,一旦发现BC,通过稍微改变前者,可以快速发现新的BC。这启发我们开发了一个局部搜索算法LOGION来寻找BC,其中结构相似性是通过公式的邻域关系来捕获的。基于结构相似性,LOGION可以在短时间内找到大量的BC。此外,由于识别的BC的数量很大,它可能会从它们中选择更一般的BC。通过对一组案例的实验,我们表明LOGION有效地利用了BC的结构相似性。我们还比较了我们的算法对两个国家的最先进的方法。实验结果表明,LOGION产生一个数量级以上的BC比国家的最先进的方法,并确认LOGION发现更多的一般BC由于大量的BC。
2021-02-23 cs.AI cs.LO cs.SE
ArbESC+: Arabic Enhanced Edit Selection System Combination for Grammatical Error Correction Resolving conflict and improving system combination in Arabic GEC
Department of Computer Sciences, Faculty of Computing and Information Technology(计算机科学系,计算与信息技术学院);King Abdulaziz University(国王阿卜杜勒阿齐兹大学);Saudi Electronic University(沙特电子大学)
针对阿拉伯语语法错误纠正(GEC)的挑战,本文提出首个多系统方法ArbESC+,通过组合多个模型生成纠正建议并基于特征分类决策,在多数据集上取得优于单模型的结果,为阿拉伯语GEC工具开发提供实用基础。
2025-11-18 cs.AI cs.CL
SMTrap: Cost-Effective DoS Attacks Against Large Reasoning Models via SMT Conflict Guidance
本研究提出基于SMT冲突引导的轻量级CPU框架SMTrap,无需模型查询或GPU即可生成高影响力CSP查询,实现强于基线数倍的LRM-DoS攻击,还展示了对应的缓解工具
2026-08-20 cs.AI cs.CL
Polygon: Symbolic Reasoning for SQL using Conflict-Driven Under-Approximation Search
University of Michigan(密歇根大学);Simon Fraser University(西蒙菲莎大学)
本文提出SQL符号推理引擎Polygon,通过对查询欠近似进行冲突驱动搜索,高效生成满足给定SMT性质的输入,在SQL等价性反驳和查询歧义消解任务上显著优于现有方法。
2025-04-09 cs.AI cs.DB cs.PL
Improving Model and Search for Computer Go
LAMSADE Université Paris-Dauphine, PSL, CNRS(巴黎第九大学LAMSADE实验室,PSL研究大学,国家科学研究中心)
游戏中深度强化学习的标准是使用残差网络,并增加网络的深度以获得更好的结果。我们建议改进移动网络作为替代残留的网络和实验显示的播放强度的网络,根据其宽度和深度。我们还提出了一个推广的PUCT搜索算法,改进了PUCT。
2021-04-09 cs.AI
Some Practice for Improving the Search Results of E-commerce
Purdue University(普渡大学);Tsinghua University(清华大学)
在Amazon KDD Cup 2022中,我们的目标是应用自然语言处理方法来提高搜索结果的质量,从而显著增强用户体验和与电子商业搜索引擎的互动。我们讨论我们的实际解决方案,在任务一中排名第六,在任务二中排名第二,在任务三中排名第二。该代码可在https://github.com/wufanyou/KDD-Cup-2022-Amazon上获得。
2022-07-30 cs.AI cs.IR
Improving Local Search for Fuzzy Scheduling Problems
University of Nottingham(诺丁汉大学);Sherwood Press Ltd(舍伍德出版社)
模糊集理论和模糊逻辑集成到调度中是一个相当新的方面,对制造业的应用越来越重要,导致各种未解决的方面。在本文中,我们研究了一种改进的局部搜索技术的模糊调度问题的适应高原,使用多标准制定的问题。我们特别解决的问题,随着时间的推移,在舍伍德出版社有限公司,诺丁汉的印刷公司,谁是该项目的合作者研究工作的优先事项。
2008-09-03 cs.AI
An Empirical Study on Learning and Improving the Search Objective for Unsupervised Paraphrasing
University of Alberta(阿尔伯塔大学)
近年来,无监督文本生成的研究越来越受到关注。最近的一种方法是局部搜索到一个明确定义的目标,指定语言流畅性,语义含义,和其他特定任务的属性。在句子空间中的搜索是通过词级的编辑操作,包括插入,替换和删除。然而,这样的目标函数是用多个分量手动设计的。虽然之前的工作已经表明,最大化这个目标在真正的成功衡量标准(即BLEU和iBLEU)方面会产生良好的性能,但目标景观被认为是不平滑的,具有显著的噪声,对优化提出了挑战。在这篇论文中,我们通过学习对搜索动力学建模来解决启发式搜索目标中的噪声平滑的研究问题。然后,将学习的模型与原始目标函数相结合,以引导方式进行搜索。实验结果表明,学习的模型与原始搜索目标相结合,确实可以提供一个平滑的效果,提高搜索性能的一个小幅度。
2022-03-23 cs.AI cs.CL cs.LG
Improving Deep Policy Gradients with Value Function Search
Khoury College of Computer Sciences(库里计算机学院);Northeastern University(东北大学)
深度策略梯度(PG)算法采用价值网络来驱动参数化策略的学习并减少梯度估计的方差。然而,价值函数近似会陷入局部最优,难以拟合实际收益,从而限制了方差降低的功效,并导致策略的次优性能。本文重点介绍了改进值近似和分析对Deep PG基元的影响,例如值预测,方差减少以及梯度估计与真实梯度的相关性。为此,我们引入了一个价值函数搜索,采用人口的扰动值网络搜索一个更好的近似。我们的框架不需要额外的环境交互,梯度计算,或合奏,提供了一个计算成本低廉的方法来增强监督学习任务上的价值网络训练。至关重要的是,我们表明,改善深度PG原语的结果提高了样本效率和政策,使用共同的连续控制基准域的回报更高。
2023-02-20 cs.AI cs.LG
Improving image watermarking based on Tabu search by Chaos
随着通信技术和多媒体技术的飞速发展,多媒体产品的所有者的权利容易受到未经授权的拷贝的侵害,而水印技术是证明产品所有权的最常用的方法之一。本文利用混沌理论对以往的基于禁忌搜索的水印算法进行了改进。对水印的置乱步骤和禁忌搜索算法的初始种群生成进行了改进。我们分析了我们的方法对一些著名的图像和实验结果表明,所提出的水印方法的质量和速度的改善。
2015-09-16 cs.AI cs.MM
Improving search relevance of Azure Cognitive Search by Bayesian optimization
Microsoft(微软)
针对Azure Cognitive Search用户特定用例下搜索相关性提升难的问题,提出将搜索相关性问题建模为超参数调优、用贝叶斯优化找最优配置的方法,在真实场景中显著提升了CTA率等指标。
2023-12-13 cs.AI cs.IR cs.LG
EliteTable: Self-Improving Program Search for Executable Control Policies
Casa Dilauro Independent Research(Casa Dilauro独立研究机构)
EliteTable是LLM引导的自改进程序搜索算法,在多数Gymnasium控制任务中可提升性能,部分任务增益可转移,仍需对比消融实验明确其相对表现。
2026-10-12 cs.AI cs.NE
Improving the Search by Encoding Multiple Solutions in a Chromosome
Babeş Bolyai University(巴贝什-波雅依大学)
我们研究了在单个染色体中编码问题的多个解决方案的可能性。编码在个体中的最佳解决方案将代表该个体(将提供该个体的适应性)。为了获得一些益处,染色体解码过程必须具有与染色体中的单个解的情况相同的复杂度。为此,分析了三种遗传编程技术:多表达式编程、线性遗传编程和中缀形式遗传编程。数值实验表明,在一个染色体中编码多个解决方案,大大提高了搜索过程。
2021-10-13 cs.AI cs.NE
Using Neural Architecture Search for Improving Software Flaw Detection in Multimodal Deep Learning Models
Sandia National Laboratories(桑迪亚国家实验室)
使用多模态深度学习模型的软件缺陷检测已被证明是基准问题上非常有竞争力的方法。在这项工作中,我们证明了使用神经架构搜索(NAS)与多模态学习模型相结合可以实现更好的性能。我们适应的NAS框架,旨在调查图像分类的问题,软件缺陷检测和证明朱丽叶测试套件,一个流行的基准测试数据集,用于测量性能的机器学习模型在这个问题域的改进结果。
2020-09-22 cs.AI cs.CR cs.LG
Query Attribute Modeling: Improving search relevance with Semantic Search and Meta Data Filtering
提出查询属性建模(QAM)混合框架,通过将文本查询分解为元数据标签和语义元素提升搜索精度,在亚马逊玩具数据集上mAP@5达52.99%,优于传统搜索方法。
2025-08-06 cs.AI cs.CL cs.IR
Improving multivariate Horner schemes with Monte Carlo tree search
Nikhef(荷兰国家亚原子物理研究所);Tilburg University(蒂尔堡大学)
优化多项式求值的代价是计算机科学中的经典问题。对于一个变量的多项式,霍纳的方法提供了一个产生计算效率高的形式的方案。对于多元多项式,可以推广霍纳的方法,但这在变量的顺序上留下了自由。传统上,使用贪婪方案,如最常见的变量优先。这个简单的教科书算法给出了非常有效的结果。事实证明,找到更好的算法是困难的。在试图改进贪婪方案时,我们已经实现了蒙特卡罗树搜索,这是人工智能领域的一种最近的搜索方法。这会产生更好的霍纳方案,并降低计算多项式的成本,有时高达两倍。
2012-07-30 cs.AI cs.SC math-ph