Learning heuristics for A*
University of Pisa（比萨大学）；DeepMind（深度思维）
图中的路径寻找是计算机科学中研究最多的一类问题。在这种情况下，搜索算法通常会扩展到搜索算法，以更有效地搜索目标节点。在这项工作中，我们结合神经网络推理的最新进展，学习有效的启发式函数的路径查找问题的图。在训练时，我们利用多任务学习来联合学习Dijkstra算法和A* 搜索算法的一致启发函数。在推理时，我们将学习到的算法插入A* 算法。结果表明，与Dijkstra相比，在学习到的算法值上运行A* 可以大大加快目标节点的搜索速度，同时仍然可以找到最小成本路径。
2022-04-11 cs.AI cs.LG
Learning Graph Search Heuristics
University of Cambridge（剑桥大学）；Yale University（耶鲁大学）；MIT（麻省理工学院）；DeepMind（深度思维）；Stanford University（斯坦福大学）
在图中寻找两个结点之间的路径是计算机科学中研究最多的基本问题之一。在机器人、人工智能或生物学等众多领域，从业者开发搜索引擎来加速他们的寻路算法。然而，根据给定用例的问题和结构手工设计算法是一个费力而复杂的过程。在这里，我们提出了PHIL（路径启发式与模仿学习），一种新的神经架构和训练算法，通过利用模仿学习和图表示学习的最新进展，从数据中发现图搜索和导航算法。在训练时，我们聚集搜索轨迹和地面实况最短路径距离的数据集，我们使用这些数据集通过寻路过程的步骤使用反向传播来训练一个专门的基于图神经网络的启发式函数。我们的启发式函数学习用于推断节点距离的图嵌入，在恒定的时间内运行，与图的大小无关，并且可以在测试时轻松地将其纳入A* 等算法中。实验表明，与基准数据集上的最先进方法相比，PHIL平均将探索节点的数量减少了58.5%，可以直接应用于从生物网络到道路网络的各种图形，并允许在时间关键的机器人领域进行快速规划。
2023-01-11 cs.AI cs.LG
Fully Convolutional Search Heuristic Learning for Rapid Path Planners
Sony Corporation（索尼公司）
路径规划算法是各种机器人应用的重要组成部分，例如移动机器人导航和机器人手臂操作。然而，在可能存在局部陷阱的大搜索空间中，在满足实时约束的同时可靠地找到路径仍然具有挑战性。为了加快路径搜索的速度，人们开发了许多实用的路径规划算法。这些算法通常定义搜索启发式来引导搜索朝向目标。应针对每个特定问题仔细设计逻辑，以确保在问题中遇到的各种情况下的可靠性。然而，人类通常很难制作这种鲁棒的启发式算法，并且在违反启发式假设的条件下，搜索性能通常会下降。在这项工作中，我们提出了一种学习方法来获得这些搜索关键字，而不是手动设计的关键字。我们的方法将包含障碍物的环境表示为图像，并且将该图像馈送到完全卷积神经网络中以产生搜索启发式图像，其中每个像素以搜索图的顶点的形式表示启发式值（目标的成本值）。使用先前收集的规划结果来执行训练启发式。我们的初步实验（2D网格世界导航实验）表明显着降低搜索成本相对于手工设计的启发式。
2019-08-09 cs.AI cs.LG cs.RO
Tree of Thoughts as a Classical Heuristic Search Problem: Formal Foundations and Design Patterns
Guni Sharon
本文通过经典启发式搜索术语统一分类法，将基于LLM的推理映射到搜索组件，并识别出系统搜索和前瞻性策略两种设计模式。
2026-08-06 cs.AI cs.LG
Learning the Right Expansion-ordering Heuristics for Satisfiability Testing in OWL Reasoners
Concordia University（康考迪亚大学）；Nuance Communications（Nuance通讯公司）
Web本体语言（OWL）推理机用于从本体中推断新的逻辑关系。在推断新事实的同时，这些推理器可以被进一步优化，例如，通过适当地对本体的析取表达式中的析取进行排序来进行概念的可满足性测试。不同的扩展排序算法已被开发用于此目的。这些推理机中的内置启发式算法确定搜索树中分支的顺序，而每个启发式选择对各种本体产生不同的影响，这取决于本体的句法结构以及可能的其他特征。一个基于学习的方法，考虑到功能的目的是选择一个适当的扩展排序启发式为每个本体。合理的选择可以加速推理机的推理过程。在本文中，我们的方法的效果进行了研究，一个著名的推理机是JFact。我们的实验表明，在应用学习方法选择正确的扩展排序算法后，可满足性测试的平均加速比为一到两个数量级。
2019-04-20 cs.AI
Novelty Heuristics, Multi-Queue Search, and Portfolios for Numeric Planning
Australian National University（澳大利亚国立大学）
该研究面向数值规划，提出结合数值新颖性启发式、曼哈顿距离启发式、多队列搜索与启发式组合的方法，以在不依赖提升启发式信息量的情况下增强搜索性能。
2024-04-11 cs.AI
The (Un)Scalability of Heuristic Approximators for NP-Hard Search Problems
Texas A&M University（德州农工大学）；University of Southern California（南加州大学）
A* 算法通常用于解决NP难的组合优化问题。当给定完全信息启发式函数时，A* 在分支因子和最小代价路径边数的时间多项式中求解了许多NP-难的最小代价路径问题，因此，高精度地逼近它们的完全信息启发式函数是NP-难的.因此，我们检查最近的出版物，提出使用神经网络为此目的。我们支持我们的主张，这些方法不扩展到大的实例大小的理论和实验。我们的第一个实验结果为三个代表性的NP-难最小成本路径问题表明，使用神经网络近似完全知情的启发式功能，具有高精度可能会导致网络的规模，规模指数的实例大小。因此，研究团体可能会从研究将启发式搜索与机器学习集成的其他方法中受益。
2022-12-07 cs.AI cs.LG
Unveiling the Limits of Learned Local Search Heuristics: Are You the Mightiest of the Meek?
Texas A&M University（德克萨斯A&M大学）
本文揭示学习型局部搜索启发式评估中的三大局限，并通过实验证明基于禁忌搜索的简单学习型启发式在性能和泛化性上超越现有SOTA方法，挑战了该领域的普遍假设。
2023-10-30 cs.AI cs.LG
Heuristic Search Planning with Deep Neural Networks using Imitation, Attention and Curriculum Learning
Czech Technical University in Prague（布拉格捷克理工大学）
学习一个消息灵通的启发式函数的硬任务规划域是一个难以捉摸的问题。虽然已知有神经网络体系结构来表示这种启发式知识，但学习到什么具体信息以及旨在理解结构的技术是否有助于提高启发式知识的质量并不明显。本文提出了一种网络模型，学习启发式能够通过最优计划模仿的状态空间的遥远的部分，使用注意力机制，这大大提高了学习一个好的启发式功能。为了克服该方法在创建难度越来越大的问题时的局限性，我们演示了课程学习的使用，将新解决的问题实例添加到训练集中，这反过来有助于解决更高复杂性的问题，远远超过了所有现有基线的性能，包括经典的规划算法。我们证明了它的有效性网格型PDDL域。
2021-12-03 cs.AI cs.LG
Learning Variable Ordering Heuristics for Solving Constraint Satisfaction Problems
Shandong University（山东大学）；Singapore Institute of Manufacturing Technology（新加坡制造技术研究院）；Nanyang Technological University（南洋理工大学）；Southwest Jiaotong University（西南交通大学）
回溯搜索算法是求解约束满足问题的常用算法。回溯搜索的效率在很大程度上取决于变量排序算法。目前，最常用的化妆品是基于专业知识手工制作的。在本文中，我们提出了一种基于深度强化学习的方法来自动发现新的变量排序算法，这些算法更适合于给定的CSP实例类。我们表明，直接优化的搜索成本是很难引导，并建议优化的预期成本达到一个叶节点的搜索树。为了捕捉变量和约束之间的复杂关系，设计了一种基于图神经网络的CSP表示方案，可以处理不同大小和约束条件的CSP实例。随机CSP实例上的实验结果表明，学习的策略在最小化搜索树大小方面优于经典的手工算法，并且可以有效地推广到比训练中使用的更大的实例。
2021-12-25 cs.AI cs.LG
Inconsistency and Accuracy of Heuristics with A* Search
Indiana University South Bend（印第安纳大学南本德分校）；MathWorks（迈斯沃克）
启发式搜索的许多研究表明，使用的启发式的准确性有积极的影响，提高搜索的性能。在另一个方向上，历史研究认为，启发式搜索算法的性能，如A* 和IDA*，可以通过要求启发式算法是一致的来提高-任何完美的启发式算法都能满足的属性。然而，最近的一些研究表明，不一致算法也可以用来实现这些启发式搜索算法的大的改进。这些结果给我们留下了一个自然的问题：在构建算法时，我们应该关注算法的哪个属性，准确性或一致性/不一致性？虽然有研究的启发式的准确性与假设的一致性，没有研究的不一致性和准确性的启发式是已知的，我们的知识。在这项研究中，我们调查的不一致性和准确性之间的关系，与A* 搜索。我们的分析结果揭示了这两个属性之间的相关性。然后，我们运行的背包问题的域上的一个家庭的实际的economistics实验。我们的实证结果表明，在许多情况下，更准确的算法也有更高的不一致性，并导致更少的节点扩展A*。
2013-07-08 cs.AI
Learning Robust Search Strategies Using a Bandit-Based Approach
School of Computing, National University of Singapore（新加坡国立大学计算机学院）
约束问题的有效解决通常需要选择好的或特定的搜索策略。然而，选择或设计一个好的搜索启发是不平凡的，往往是一个手动的过程。在本文中，而不是手动选择/设计搜索引擎，我们提出了使用基于Bandit的学习技术来自动选择搜索引擎。我们的方法是在线的，求解器在搜索过程中从一组算法中学习和选择。我们的目标是获得自动搜索算法，提供强大的性能。初步实验表明，我们的自适应技术是更强大的比原来的搜索算法。它也可以超越原来的竞争力。
2018-05-10 cs.AI
Learning Heuristic Search via Imitation
Carnegie Mellon University（卡内基梅隆大学）
机器人运动规划问题通常通过构建从开始到目标配置的有效机动的搜索树来解决。有限的机载计算和实时规划约束限制了搜索树的增长。在这种情况下，启发式算法发挥了至关重要的作用，引导搜索向潜在的好方向，从而最大限度地减少搜索工作。此外，它必须只使用搜索到那时为止所发现的信息以有效的方式推断出这样的方向。然而，现有技术的方法没有解决计算显式地最小化搜索努力的启发式的问题。在本文中，我们通过训练一个启发式策略来实现这一点，该策略映射来自搜索的部分信息，以决定扩展搜索树的哪个节点。不幸的是，天真地训练这样的策略会导致收敛缓慢和局部极小值不佳。我们提出了帆，一个有效的算法，训练启发式的政策，通过模仿“千里眼的神谕”-神谕，有充分的信息，世界和展示决策，最大限度地减少搜索工作。我们利用这样的神谕可以有效地计算使用动态规划的事实，并获得学习启发式的性能保证。我们验证了一系列环境的方法，这表明帆始终优于最先进的算法。我们的方法为学习具有随时随地性质的化学铺平了道路-快速找到可行的解决方案并随着时间的推移逐步完善。
2017-07-10 cs.AI cs.LG cs.RO
Mini-Bucket Heuristics for Improved Search
University of California, Irvine（加州大学尔湾分校）
这篇论文是两篇系列论文中的第二篇，评估了一种机械地生成搜索引擎的新方案的力量。最近推出的一种近似方案，称为小桶消除的算法。第一篇论文介绍了这个想法，并在分支定界搜索中对其进行了评估。在本文中，这一想法在最佳优先搜索中得到了进一步的扩展和评估。编码和医疗诊断问题，使用不同的强度的小桶算法进行比较。我们的研究结果表明，一个有效的搜索方案，允许控制预处理（启发式生成）和搜索之间的权衡。最佳优先搜索的性能优于分支定界，当提供良好的算法，和足够的内存空间。
2013-01-23 cs.AI
Nested Search versus Limited Discrepancy Search
LAMSADE（LAMSADE实验室）；Université Paris Dauphine - PSL（巴黎多芬-PSL大学）；CNRS（法国国家科学研究中心）
有限离散搜索（LDS）是一种流行的算法，搜索状态空间与启发式排序可能的行动。嵌套搜索（NS）是另一种用相同启发式搜索状态空间的算法。NS在与最佳启发式播放相关联的移动上花费更多时间，而LDS在最佳启发式移动上花费更多时间。他们都使用类似的时间进行相同级别的搜索。我们在本文中主张，它往往是更好地遵循最好的启发式播出NS比遵循启发式LDS。
2022-10-01 cs.AI
On Using Admissible Bounds for Learning Forward Search Heuristics
University of Granada（格拉纳达大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
针对前向搜索启发式学习，本文将可采纳启发式作为截断高斯分布的下界而非MSE训练目标，提出新损失函数，并证明其收敛更快、启发式质量更好。
2024-05-07 cs.AI cs.LG
Learning Empirically Admissible Neural Heuristics for Combinatorial Search
Independent Researcher（独立研究者）
针对组合搜索问题，提出一种结合可容许贝尔曼算子与非对称损失函数的验证校准框架，训练出经验可容许的神经启发式，在保证路径最优性的同时显著减少搜索节点扩展。
2026-06-03 cs.AI cs.LG
Front-to-End Bidirectional Heuristic Search with Near-Optimal Node Expansions
University of Denver（丹佛大学）；University of Alberta（阿尔伯塔大学）；University of Regina（里贾纳大学）
众所周知，任何可容许的单向启发式搜索算法必须扩展所有的状态，其$f$ -值小于最优解成本时，使用一致的启发式。这种状态被称为“肯定扩展”（s.e.）。最近的一项研究表明，用于具有一致搜索的双向搜索的状态对：如果一对状态是S. E.则必须扩展两个状态中的至少一个。本文推导出一个下限，VC，所需的最小数量的扩展，以覆盖所有的s.e.对，提出了一种新的可容许的前端到端双向启发式搜索算法--近优双向搜索（Near-Optimal Bidirectional Search，NBS），该算法保证了不超过2 VC的扩展。我们进一步证明，没有容许的前端到端算法有一个最坏的情况下优于2 VC。实验结果表明，NBS与现有的双向搜索算法竞争或优于现有的双向搜索算法，并且通常优于A*。
2017-05-23 cs.AI
Bidirectional Heuristic Search Reconsidered
自25年前首次发表以来，对双向启发式搜索的评估一直是不正确的。长期以来，这种搜索策略并没有达到预期的效果，而且人们对它背后的原因存在着很大的误解，虽然人们仍然普遍认为双向启发式搜索存在搜索边界相互穿越的问题，但我们证明了这种猜想是错误的。基于这一发现，我们提出了一个新的通用方法，双向启发式搜索和一个新的方法来动态地提高启发式值，是可行的双向搜索。这些方法与传统的和最近提出的方法相结合，以促进更好的全面理解。我们的新方法的实验结果表明，双向启发式搜索可以非常有效地进行，也与有限的内存。这些结果表明，双向启发式搜索似乎是更好地解决某些困难的问题比相应的单向搜索。这为长期被忽视的搜索策略的有用性提供了一些证据。总之，我们表明，双向启发式搜索是可行的，因此建议重新考虑。
1997-12-01 cs.AI
Bidirectional Bounded-Suboptimal Heuristic Search with Consistent Heuristics
本文针对一致启发式下的有界次优双向搜索问题，基于最优算法BAE*设计其有界次优变体，并通过实验对比其他相关算法，揭示各算法在不同条件下的性能优劣。
2025-11-13 cs.AI
Counting-Based Search: Branching Heuristics for Constraint Satisfaction Problems
Dynadec Europe
设计一种跨问题域可靠的约束规划启发式搜索算法是近年来的一个重要研究课题。本文主要研究一类候选算法：基于计数的搜索。这样的算法试图做出分支决策，通过确定每个单独约束的解决方案与该决策一致的比例来保留大多数解决方案。而大多数通用搜索算法在约束编程依赖于本地信息的水平上的个别变量，我们的搜索算法是基于更多的全球信息的约束水平。我们设计了几个算法，用于计算特定家庭的约束的解决方案的数量，并提出了一些搜索算法利用这些信息。本文的实验部分考虑了八个问题域，从完善的基准难题到排班和运动调度。初步的实证分析确定启发式maxSD作为一个强大的候选人，我们的建议。然后，我们评估后者对最先进的，包括最新的通用搜索算法，重新启动，和基于差异的树遍历。实验结果表明，基于计数的搜索一般优于其他通用算法。
2014-01-18 cs.AI
Generalized Planning as Heuristic Search
Universitat Pompeu Fabra（庞培法布拉大学）
虽然启发式搜索是经典规划中最成功的方法之一，但这种规划范式并不直接适用于广义规划（GP）。传统上，规划作为启发式搜索通过在接地状态空间中搜索来解决顺序规划的计算。另一方面，GP旨在计算类似算法的计划，可以分支和循环，并推广到一组（可能是无限的）经典规划实例。本文将规划作为启发式搜索的一种范式，应用于规划问题的特殊性，提出了第一种求解规划问题的原生启发式搜索方法。首先，本文定义了一个新的GP解决方案空间，这是独立的规划实例的数量在GP问题，这些实例的大小。其次，本文定义了不同的评价和启发式函数，用于指导我们的GP解决方案空间中的组合搜索。最后，本文定义了一个GP算法，称为最佳优先广义规划（BFGP），实现了最佳优先搜索的解决方案空间的指导下，我们的评价/启发式功能。
2021-03-26 cs.AI
Cascading A*: a Parallel Approach to Approximate Heuristic Search
本文提出了一种新的近似启发式搜索算法：CascadingA *，它是一种通过“包络球”概念将A* 和IDA* 结合起来的两阶段算法。新算法CA* 是一种高效的、能够产生近似解和任意时间解的、并行友好的算法。
2016-05-03 cs.AI
A Formalism for Optimal Search with Dynamic Heuristics (Extended Version)
本文提出了一种形式化的动态启发式搜索方法，通过通用算法框架研究A*的动态建模，并展示了其通用最优性结果，同时将经典规划方法视为其特殊案例。
2025-12-09 cs.AI
TransPath: Learning Heuristics For Grid-Based Pathfinding via Transformers
Federal Research Center for Computer Science and Control of Russian Academy of Sciences（俄罗斯科学院计算机科学与控制联邦研究中心）；AIRI
启发式搜索算法，例如A*，是用于在网格上寻路的常用工具，即，被广泛用于表示机器人、视频游戏等中的环境的规则结构的图。用于网格图的实例独立的启发式搜索，例如，曼哈顿距离，不考虑障碍物，因此，由这种启发式搜索引导的搜索在障碍物丰富的环境中表现不佳。为此，我们建议学习依赖于实例的启发式代理，应该显着提高搜索的效率。我们建议学习的第一个启发式代理是校正因子，即独立于实例的成本估计与完美估计（在训练阶段离线计算）之间的比率。与学习之前已知的成本去启发式函数的绝对值不同，当学习校正因子时，利用实例独立启发式的知识。第二个启发式代理是路径概率，它表示网格单元位于最短路径上的可能性。这个启发式可以在焦点搜索框架中作为第二个启发式，允许我们保留对解决方案的有界次优性的保证。我们用最先进的神经网络（包含注意力块（Transformers））以监督的方式学习这两种建议的算法。我们对一个综合的规划任务数据集进行了全面的实证评估，表明所建议的技术i）在产生解的同时将A* 的计算工作量减少到$4$ x的一个因子，其成本平均超过最优解的成本不到$0.3$ %; ii）优于竞争者，包括来自启发式搜索的传统技术，即加权A*，以及最先进的可学习规划器。
2022-12-22 cs.AI cs.LG
Multiple-Goal Heuristic Search
Technion（以色列理工学院）
本文提出了一个新的框架，随时启发式搜索的任务是实现尽可能多的目标，尽可能在分配的资源。我们展示了传统的距离估计算法对于这种类型的任务的不足，并提出了更适合于多目标搜索的替代算法。特别是，我们引入了边际效用启发式，估计成本和效益探索一个搜索节点下面的子树。我们开发了两种方法的边际效用启发式的在线学习。一种是基于局部相似性的兄弟节点的部分边际效用，和其他广义边际效用的状态特征空间。我们应用我们的自适应和非自适应多目标搜索算法的几个问题，包括重点爬行，并显示其优于现有的方法。
2011-09-29 cs.AI
Beyond Single-Step Updates: Reinforcement Learning of Heuristics with Limited-Horizon Search
针对现有基于强化学习的启发式方法依赖单步Bellman更新的局限，提出结合有限视野搜索的通用启发式学习框架，通过融合边代价与搜索前沿状态启发值优化更新过程。
2025-11-13 cs.AI
Computing Programs for Generalized Planning as Heuristic Search
Universitat Pompeu Fabra（庞培法布拉大学）
虽然启发式搜索是经典规划中最成功的方法之一，但这种规划范式并不直接适用于广义规划（GP）。本文将规划作为启发式搜索的一种范式，应用于规划问题的特殊性，提出了第一种求解规划问题的原生启发式搜索方法。首先，本文定义了一个基于程序的解决方案空间GP是独立的规划实例的数量在GP问题，这些实例的大小。其次，本文定义了BFGP算法的GP，实现了最佳优先搜索在我们的程序为基础的解决方案空间，并指导不同的评价和启发式功能。
2022-05-12 cs.AI
Generalized Planning as Heuristic Search: A new planning search-space that leverages pointers over objects
Universitat Pompeu Fabra（庞培法布拉大学）；Universitat Politècnica de València（瓦伦西亚理工大学）
作为启发式搜索的规划是经典规划最成功的方法之一，但不幸的是，它并没有简单地扩展到广义规划（GP）。GP的目的是计算算法的解决方案，是有效的一组经典的规划实例从一个给定的域，即使这些实例不同的对象的数量，状态变量的数量，其域的大小，或其初始和目标配置。GP的泛化要求使得通常由启发式规划器实现的状态空间搜索变得不切实际。本文将规划作为启发式搜索范式，以适应GP的泛化要求，提出了第一个原生的GP启发式搜索方法。首先，本文介绍了一个新的基于指针的解决方案空间GP是独立的经典规划实例的数量在GP问题和这些实例的大小（即对象的数量，状态变量和它们的域大小）。其次，本文定义了一组评估和启发式功能，指导我们的新GP解决方案空间的组合搜索。这些评估和启发式函数的计算不需要预先建立基础状态或动作。因此，我们的GP作为启发式搜索方法可以处理具有大数值域的大型状态变量集，例如~整数最后，本文定义了一个升级版本的GP称为最佳优先广义规划（BFGP），实现了最佳优先搜索在我们的基于指针的解决方案空间，并指导我们的评价/启发式功能GP的新算法。
2023-01-26 cs.AI
A Heuristic Search Algorithm for Solving First-Order MDPs
提出了一种求解一阶MDP（FOMDP）的启发式搜索算法。我们的方法结合了一阶状态抽象，避免单独评估状态，和启发式搜索，避免评估所有的状态。首先，我们直接在FOMDP上应用状态抽象，避免了命题化。这种抽象被称为一阶状态抽象。其次，引导一个可接受的启发式，搜索仅限于从初始状态可达的那些状态。我们证明了上述技术的有用性，用于解决FOMDPs的系统，称为FCPlanner，进入概率轨道的国际规划竞赛（IPC'2004）。
2014-08-09 cs.AI
The FF Planning System: Fast Plan Generation Through Heuristic Search
我们描述并评估FF规划系统中使用的算法技术。像HSP系统一样，FF依赖于前向状态空间搜索，使用通过忽略删除列表来估计目标距离的启发式算法。与HSP的启发式不同，我们的方法不假设事实是独立的。我们介绍了一种新的搜索策略，结合爬山与系统搜索，我们展示了如何其他强大的启发式信息可以被提取和使用修剪的搜索空间。FF是最近AIPS-2000规划竞赛中最成功的自动规划器。我们审查的竞争结果，其他基准领域的数据，并调查的原因FF的运行时性能相比，HSP。
2011-06-03 cs.AI
Anytime Heuristic Search
Mississippi State University（密西西比州立大学）；Palo Alto Research Center（帕洛阿尔托研究中心）
我们描述了如何将启发式搜索算法A* 转换成一个随时算法，该算法发现一系列改进的解决方案，并最终收敛到一个最优解。我们采用的方法是使用加权启发式搜索来快速找到一个近似解，然后继续加权搜索，以找到改进的解决方案，以及改善当前解决方案的次优性的界限。当可用于解决搜索问题的时间是有限的或不确定的，这创建了一个随时启发式搜索算法，允许搜索时间和解决方案质量之间的灵活权衡。我们分析所得到的任何时间A* 算法的属性，并考虑其在三个领域的性能;滑动瓦片拼图，CIPPS规划，和多序列比对。为了说明这种方法的通用性，我们还描述了如何将内存高效的搜索算法递归最佳优先搜索（RBFS）到一个随时算法。
2011-10-12 cs.AI
Combining Monte Carlo Tree Search and Heuristic Search for Weighted Vertex Coloring
LERIA（LERIA实验室）
本研究将蒙特卡洛树搜索（MCTS）与贪心、局部搜索等启发式策略相结合，替代传统随机模拟以求解加权顶点着色问题，并通过基准实验验证了各变体策略的优势与局限。
2025-03-03 cs.AI
A Parallel CPU-GPU Framework for Batching Heuristic Operations in Depth-First Heuristic Search
针对深度优先搜索算法（如IDA*、BTS）启发式计算难以批量处理的问题，提出并行CPU-GPU框架，CPU并行化树搜索、GPU并行化启发式评估，开发CB-DFS框架提升性能，在魔方和滑动拼图任务验证有效性。
2025-11-16 cs.AI cs.DC
One Model, Any CSP: Graph Neural Networks as Fast Global Search Heuristics for Constraint Satisfaction
RWTH Aachen（亚琛工业大学）
我们提出了一个通用的图神经网络架构，可以训练作为一个端2端搜索启发式的任何约束满足问题（CSP）。我们的体系结构可以通过策略梯度下降进行无监督训练，以纯粹的数据驱动方式为任何CSP生成特定于问题的算法。该方法是基于一种新的图形表示CSP，这是通用的和紧凑的，使我们能够处理每一个可能的CSP实例与一个GNN，无论约束arity，关系或域的大小。与以前的基于RL的方法不同，我们在全局搜索动作空间上操作，并允许我们的GNN在随机搜索的每一步中修改任何数量的变量。这使得我们的方法能够适当地利用GNN的固有并行性。我们进行了一个彻底的实证评估，我们从随机数据，包括图着色，MaxCut，3-SAT和MAX-k-SAT中学习著名的和重要的CSP的算法。我们的方法优于以前的神经组合优化方法的大幅利润。它可以在测试实例上与传统的搜索算法竞争，甚至改进传统的搜索算法，这些测试实例比训练过程中看到的要大几个数量级，结构上也更复杂。
2022-08-22 cs.AI cs.LG cs.NE
Improving Heuristics Through Relaxed Search - An Analysis of TP4 and HSP*a in the 2004 Planning Competition
hm容许启发式回归规划（顺序和时间）由回归搜索空间中的最优成本函数的参数化松弛来定义，其中参数m提供了启发式的准确性和计算成本之间的权衡。计算hm启发式的现有方法需要m的时间指数，将它们限制为小值（m和lt = 2）。hm启发式也可以被看作是最佳的成本函数在一个松弛的搜索空间：本文提出了松弛搜索，计算这个函数的方法部分通过搜索在松弛空间。放松的搜索方法，因为它只部分计算hm，所以计算成本更低，因此可用于较高的m值。（完全）HM启发式与部分HM启发式相结合，对于m = 3，.，通过松弛搜索计算，从而产生更准确的启发式。通过比较两个最优时间规划器来评估这种使用放松搜索方法来改进hm启发式：TP 4，其不使用它，和HSP*a，其使用它，但在其他方面与TP 4相同。的比较是在2004年国际规划竞赛，在这两个规划师参加使用的域。放松搜索被发现是符合成本效益的，在这些领域中的一些，但不是所有。分析揭示了一个特征的域，在放松搜索可以预期是成本效益，在两个措施的原始和放松搜索空间。在松弛搜索是成本有效的领域中，扩展小状态比扩展大状态在计算上更便宜，并且小状态倾向于具有小的后继状态。
2011-09-27 cs.AI
Heuristic Search for Multi-Objective Probabilistic Planning
The Australian National University（澳大利亚国立大学）；LAAS-CNRS（法国国家科学研究中心分析与系统结构实验室）
针对多目标随机最短路径问题，提出 MOLAO* 与 MOLRTDP 启发式搜索算法及多种领域无关启发式，用于计算非支配策略覆盖集。
2023-03-25 cs.AI
Learning Search-Space Specific Heuristics Using Neural Networks
University of Toronto（多伦多大学）；The University of Tokyo（东京大学）
本文提出一种系统，仅用单个PDDL实例并通过后向搜索生成数据，训练神经网络估计到目标距离，从而为经典规划学习搜索空间特定启发式函数，并在24-puzzle等领域展现出与领域无关启发式竞争的性能。
2023-06-06 cs.AI
Heuristic with elements of tabu search for Truck and Trailer Routing Problem
National Research University Higher School of Economics（国立研究型大学高等经济学院）
车辆路径问题是物流和运输领域中的一个著名问题，它在现实生活中的许多情况下都会发生，这就解释了这类问题的多样性。这是一个NP难的组合优化问题，几乎不可能找到精确的最优解。在这项工作中，站点相关的卡车和拖车路径问题的硬，软时间窗和分裂的库存被认为是（SDTTRPTWSD）。在这篇文章中，我们开发了一个启发式的禁忌搜索解决SDTTRPTWSD的元素。启发式算法使用邻域的概念，并在搜索过程中访问不可行的解决方案。一个贪婪的启发式构造一个初始解。
2016-09-29 cs.AI
Symbiosis of Search and Heuristics for Random 3-SAT
Delft University of Technology（代尔夫特理工大学）
当适当地结合时，搜索技术可以揭示复杂分支算法的全部潜力。我们证明了这一观察的著名类随机3-SAT公式。首先，提出了一个新的分支启发式，概括了现有的工作在这个类。使用这种启发式算法可以构造更小的搜索树。其次，我们介绍了差异搜索的一个变种，称为ALDS。理论和实践的证据支持ALDS遍历搜索树在一个接近最优的顺序时，结合新的启发式。这两种技术，搜索和启发式，已经在前瞻求解器中实现。SAT 2009竞赛结果显示，March是迄今为止随机k-SAT公式最强的完整求解器。
2014-02-18 cs.AI cs.DS
Noisy Heuristics NAS: A Network Morphism based Neural Architecture Search using Heuristics
NAAMII；University College London（伦敦大学学院）
基于网络形态学的神经结构搜索（NAS）是最有效的方法之一，然而，知道在何处以及何时添加新的神经元或删除功能障碍的神经元通常留给黑盒强化学习模型。在本文中，我们提出了一个新的网络形态的NAS称为噪声启发式NAS，它使用人工开发的神经网络模型和生物神经元动力学的启发式学习。首先，我们随机添加新的神经元，并修剪掉一些，只选择最适合的神经元。其次，我们使用隐单元与输入输出连接数的关系来控制网络的层数。我们的方法可以在线增加或减少模型的容量或非线性，这是由用户指定的几个元参数。我们的方法既适用于玩具数据集，也适用于真实世界的数据集，如MNIST，CIFAR-10和CIFAR-100。性能与具有类似参数的手工设计架构ResNet-18相当。
2022-07-10 cs.AI cs.LG cs.NE
Avoiding and Escaping Depressions in Real-Time Heuristic Search
用于解决硬实时的【形】搜索问题的启发式算法具有凹陷区域。这样的区域是搜索空间的有界区域，其中启发式函数与达到解的实际成本相比是不准确的。早期实时的【形】搜索算法，如LRTA*，很容易陷入这些区域，因为它们的状态的启发式值可能需要多次更新，这导致昂贵的解决方案。最先进的实时的【形】搜索算法，如LSS-LRTA* 或LRTA*（k），改进了LRTA* 的机制来更新启发式，从而提高了性能。然而，这些算法并没有引导搜索避开凹陷区域。本文介绍了抑郁症的避免，一个简单实时的【形】搜索原则，以引导搜索避免已被标记为启发式抑郁症的一部分的状态。我们提出了两种方法，其中抑郁避免可以实现：标记和避免和移动到边界。我们在LSS-LRTA* 和RTAA* 的基础上实现了这些策略，产生了4种新的实时的【形】启发式搜索算法：aLSS-LRTA*，daLSS-LRTA*，aRTAA* 和daRTAA*。当目标是通过运行一次实时的【形】搜索算法找到一个单一的解决方案时，我们表明，daLSS-LRTA* 和daRTAA* 有时优于他们的前辈一个数量级。在四种新算法中，daRTAA* 在每个计划事件允许的平均时间上给出了固定的最后期限，从而产生了最佳解决方案。我们证明了我们的算法具有良好的理论性质：在有限的搜索空间，他们找到一个解决方案，如果一个存在，并收敛到一个最佳的一些试验后。
2014-01-23 cs.AI
Intelligent Search Heuristics for Cost Based Scheduling
护士排班是一个多约束的优化问题。在文献中有广泛的研究使用元分析方法解决这个问题。在本文中，我们将研究一个智能搜索算法，处理基于成本的调度问题。该算法表现出优越的性能相比，原来的算法用于解决李等问题。Al.（2003）和Ozkarahan（1989）在确定可行解决办法所需时间方面的观点。这两个问题都可以归结为成本问题。搜索启发式由几个阶段的搜索和输入的基础上，每个分配的成本和分配将如何与资源的成本相互作用。
2012-10-04 cs.AI math.OC
Search-Space Characterization for Real-time Heuristic Search
University of Alberta（阿尔伯塔大学）
最近实时的【形】启发式搜索算法在视频游戏寻路中表现出出色的性能。然而，它们的应用迄今仅限于这一领域。我们的目的是促进更广泛的应用实时的【形】形搜索，通过培养更好地了解最近的算法的性能。我们首先介绍了八个独立于算法的搜索空间的复杂性措施，并将其值与算法性能。的复杂性措施的统计显示，是显着的预测算法性能在一组商业视频游戏地图。然后，我们将这种分析扩展到更广泛的搜索空间中，首次将数据库驱动的实时的【形】搜索应用到视频游戏寻路之外的领域。在这样做的过程中，我们深入了解算法的性能和可能的增强，以及到搜索空间的复杂性。
2013-08-15 cs.AI
Rational Deployment of CSP Heuristics
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
启发式是减少人工智能各个领域搜索工作的重要工具。为了有效，启发式算法必须能够有效地计算，并为搜索算法提供有用的信息。然而，一些在减少回溯方面做得很好的著名算法是如此之重，以至于在搜索算法中部署它们的收益可能会被它们的开销所抵消。我们提出了一个合理的元推理方法来决定何时部署物流，使用CSP回溯搜索作为案例研究。特别是，一个信息的价值的方法是采取自适应部署的解决方案计数估计算法的价值排序。实证结果表明，确实所提出的机制成功地平衡了减少回溯和启发式计算开销之间的权衡，从而导致显着的整体搜索时间减少。
2011-04-11 cs.AI
mGPT: A Probabilistic Planner Based on Heuristic Search
ICREA（加泰罗尼亚研究与高级研究所）；Universitat Pompeu Fabra（庞培法布拉大学）
我们描述的版本的GPT规划器中使用的概率轨道的第四届国际规划竞赛（IPC-4）。这个版本称为mGPT，通过提取和使用不同类别的下界以及各种搜索算法来解决PPDDL语言中指定的马尔可夫决策过程。从确定性松弛提取的下限，其中的替代概率的影响，一个动作被映射到不同的，独立的，确定性的行动。贪婪搜索算法使用这些下限来集中更新，并在从初始状态和贪婪策略可到达的所有状态上提供一致的价值函数。
2011-09-09 cs.AI
Structure-Based Local Search Heuristics for Circuit-Level Boolean Satisfiability
University College Dublin（都柏林大学学院）；University of Helsinki（赫尔辛基大学）
这项工作的重点是提高国家的最先进的随机局部搜索（SLS）解决布尔可满足性（SAT）的实例所产生的现实世界中的工业SAT应用领域。最近推出的SLS方法CRSat已被证明是显着改善以前建议的SLS技术在解决这样的现实世界的情况下，通过结合基于证明的本地搜索有限的布尔约束传播的非子句公式表示形式的布尔电路。在这项工作中，我们研究的可能性，进一步提高CRSat的性能，通过利用电路级的结构知识，开发新的搜索crisistics的CRSat。为此，我们引入并实验性地评估了各种搜索策略，其中许多策略是由最初在完全不同的上下文中开发的电路级策略驱动的，例如，用于电子设计自动化应用。据我们所知，大多数的算法是新颖的，在SLS的SAT的背景下，更一般地说，SLS的约束满足问题。
2011-09-09 cs.AI
AltAltp: Online Parallelization of Plans with Heuristic State Search
Arizona State University（亚利桑那州立大学）
尽管他们的附近的统治地位，启发式状态搜索规划器仍然落后于析取规划器在经典规划的并行计划的生成。原因在于，在状态空间规划器中直接搜索并行解将要求规划器在并行动作的所有可能子集上分支，从而指数地增加分支因子。我们提出了一个变种，我们的启发式状态搜索规划AltAlt，称为AltAltp生成并行计划，通过使用贪婪的在线并行化的部分计划。贪婪的方法是显着通知使用新的距离算法，AltAltp从一个graphplan风格的规划图的问题。虽然这种方法不能保证提供最佳的并行计划，实证结果表明，AltAltp是能够产生良好的质量并行计划的一小部分所产生的成本由析取规划。
2011-06-26 cs.AI
Monte Carlo Tree Search with Heuristic Evaluations using Implicit Minimax Backups
Maastricht University（马斯特里赫特大学）；University of Denver（丹佛大学）
蒙特卡罗树搜索（MCTS）提高了围棋、十六进制和一般游戏等领域的游戏引擎的性能。MCTS已被证明在难以获得良好启发式评估的游戏中优于经典的alpha-beta搜索。近年来，在MCTS中结合传统的极大极小搜索的思想已经被证明在某些领域是有利的，例如行动线，亚马逊和突破。在本文中，我们提出了一种新的方法来使用启发式评估，以指导MCTS搜索存储的两个来源的信息，估计的胜率和启发式评估，分别。而不是使用启发式的评估，以取代播放，我们的技术支持他们隐式在MCTS模拟。这些极小极大值然后用于指导未来的模拟。我们表明，使用隐式极大极小备份导致更强的发挥性能在卡拉，突破，和行动线。
2014-06-19 cs.AI
Planning of Heuristics: Strategic Planning on Large Language Models with Monte Carlo Tree Search for Automating Heuristic Optimization
School of Artificial Intelligence, Anhui University, Hefei, Anhui, China（人工智能学院，安徽大学，合肥，安徽，中国）；Pengcheng Laboratory, Shenzhen, Guangdong, China（鹏城实验室，深圳，广东，中国）
本文提出PoH方法，将大语言模型自我反思与蒙特卡洛树搜索结合，自动优化启发式算法，在旅行商和流水车间调度问题上超越手工及现有LLM方法，实现最先进性能。
2025-06-20 cs.AI
Correlation Heuristics for Constraint Programming
School of Computing National University of Singapore（新加坡国立大学计算机学院）
有效的通用搜索策略是约束编程中的一个重要组成部分。我们引入了一个新的想法，即使用变量之间的相关性来指导搜索。变量相关性的测量和维护使用域的变化在约束传播。我们提出了两个变量的相关矩阵，crbs-sum和crbs-max的基础上。我们评估我们的相关算法与众所周知的算法，即DOM/WDEG，基于影响的搜索和基于活动的搜索。在大量基准测试集上的实验表明，我们的相关算法与其他算法相比具有竞争力，并且在许多系列上都是最快的。
2018-05-24 cs.AI
A Multi-Heuristic Search-based Motion Planning for Automated Parking
Virtual Vehicle Research GmbH（虚拟车辆研究有限公司）
针对自动泊车在非结构化环境中的实时规划难题，提出双向、混合空间且支持自适应运动基元的 Multi-Heuristic A*，实验表明其相较 Hybrid A* 同时提升计算效率与路径质量。
2023-07-15 cs.AI cs.RO
Heuristic Search Value Iteration for POMDPs
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
提出了一种新的POMDP规划算法--启发式搜索值迭代算法（HSVI），HSVI是一种随时返回策略和关于最优策略的可证明的后悔上界的算法. HSVI通过结合两种众所周知的技术获得了强大的功能：注意力聚焦搜索算法和价值函数的分段线性凸表示。HSVI算法的可靠性和收敛性已经得到了验证。从文献中的一些基准问题，HSVI显示加速比大于100相对于其他国家的最先进的POMDP值迭代算法。我们还将HSVI应用到一个新的漫游者探索问题，比文献中大多数POMDP问题大10倍。
2012-07-11 cs.AI
Gene-Machine, a new search heuristic algorithm
介绍了一种基于积木式假设的高效启发式搜索算法--基因机。它的灵感来自自然进化，但没有使用遗传算法中的一些概念，如种群，突变和生成。与遗传算法相比，该启发式算法具有良好的性能，可以用来生成有用的优化和搜索问题的解决方案。
2013-03-08 cs.AI cs.NE
