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
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
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
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
Case-Based Subgoaling in Real-Time Heuristic Search for Video Game Pathfinding
University of Alberta（阿尔伯塔大学）；Reykjavik University（雷克雅未克大学）；University of British Columbia Okanagan（不列颠哥伦比亚大学奥肯那根分校）
实时的【形】启发式搜索算法满足一个恒定的约束上的规划量，每个动作，独立于问题的大小。因此，随着问题变得更大，它们也会扩大规模。这种特性将使它们非常适合于视频游戏，其中人工智能控制的代理必须对用户命令和其他代理的动作做出快速反应。缺点是，实时的【形】搜索算法采用的学习方法经常导致解决方案质量差，并导致代理通过重复访问相同的问题状态而显得不合理。最近，一种新的算法D LRTA* 改变了这种情况，该算法试图通过自动选择子目标来消除学习。D LRTA* 非常适合视频游戏，除了它有一个复杂且内存要求很高的预计算阶段，在此期间它构建了一个子目标数据库。在本文中，我们提出了一种更简单，更节省内存的方法来预先计算子目标，从而消除了在视频游戏中应用最先进的实时的【形】搜索方法的主要障碍。新算法解决了一些随机选择的问题离线，压缩成一系列的子目标的解决方案，并将它们存储在数据库中。当在线提出一个新问题时，它会在数据库中查询最相似的先前解决的案例，并使用其子目标来解决问题。在四个大型视频游戏地图上的寻路领域，新算法提供的解决方案是原来的八倍，同时使用的内存减少了57倍，预计算时间减少了14%。
2014-01-16 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
Learning Social Heuristics for Human-Aware Path Planning
Department of Electronics and Telecommunications (DET) Politecnico di Torino（电子工程与电信学院（DET）理工学院）；Department of Informatics King’s College London（信息学院伦敦国王学院）
针对传统机器人导航缺乏社会规范习得能力的问题，提出HPLSV方法，学习封装社交导航成本的价值函数并作为启发式项用于路径规划，已在排队场景验证，计划推广至更多人类活动场景。
2025-09-02 cs.AI cs.LG cs.RO
Heuristic Search for Path Finding with Refuelling
UM-SJTU Joint Institute, Shanghai Jiao Tong University（上海交通大学UM-SJTU联合学院）；Carnegie Mellon University（卡内基梅隆大学）；Texas A&M University（德克萨斯农工大学）
本文提出RF-A$^*$启发式搜索算法，用于求解带加油约束的路径规划问题（加油站问题），通过支配规则剪枝，保证最优解且比现有方法快2-8倍。
2025-02-24 cs.AI cs.RO
Efficient Constraint Generation for Stochastic Shortest Path Problems
Australian National University（澳大利亚国立大学）；Saarland University（萨尔兰大学）
本文提出CG-iLAO*算法，通过线性规划重构启发式搜索，减少无效动作处理，提升求解效率。
2026-04-02 cs.AI
A Conflict-Based Path-Generation Heuristic for Evacuation Planning
NICTA（澳大利亚国家信息与通信技术研究院）；University of Melbourne（墨尔本大学）；Ecole des Mines de Nantes（南特矿业学院）
疏散规划和调度是灾害管理和国家安全应用的一个重要方面。提出了一种基于冲突的疏散路径生成方法。其核心思想是为疏散区域惰性地生成疏散路线，并在主问题中优化这些路线上的疏散。每个新路径的生成是为了解决疏散中的冲突，并在主问题中添加新列和新行。该算法被应用到大规模的洪水情况下，在霍克斯伯里-内湖河（西悉尼，澳大利亚），需要疏散的顺序为70,000人。所提出的方法减少了变量的数量从4，500，000在一个混合规划（MIP）制定30，000的情况下，研究。通过这种方法，可以实时的近似最优地解决现实的疏散场景，支持战略，战术和作战环境中的疏散规划。
2013-09-10 cs.AI math.OC
A Fast Heuristic Search Approach for Energy-Optimal Profile Routing for Electric Vehicles
本文提出了一种基于多目标A*搜索的快速启发式搜索方法，用于电动车能耗最优路径规划，通过路径支配规则减少复杂路径处理，实现高效路径搜索。
2025-12-01 cs.AI
A Formal Characterization of the Local Search Topology of the Gap Heuristic
University of Toronto（多伦多大学）
煎饼难题是一个经典的优化问题，已成为启发式搜索算法的标准基准。在本文中，我们提供了关于煎饼谜题间隙启发式局部搜索拓扑的完整证明。首先，我们表明，在任何非目标状态，其中没有移动，将减少差距的数量，有一个移动，将保持差距的数量不变。然后，我们将任何不能在单个动作中减少间隙数量的状态分为两组：需要2个动作来减少间隙数量的状态，以及需要3个动作来减少间隙数量的状态。
2017-05-12 cs.AI
Mixed Integer Programming for Time-Optimal Multi-Robot Coverage Path Planning with Efficient Heuristics
Simon Fraser University（西蒙弗雷泽大学）
本文首次提出混合整数规划模型最优求解MMRTC，并设计两种缩减变量的高效启发式，使多机器人覆盖时间可证明不超过最优解四倍，实验显示较两个最先进规划器平均减少27.65%和23.24%的覆盖时间。
2023-08-11 cs.AI cs.RO
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
Planning as Goal Recognition: Deriving Heuristics from Intention Models -- Extended Version
本文提出基于分歧的目标意图评估框架，推导出高效可计算的启发式方法，并展示其在经典规划问题求解中的改进效果。
2026-03-24 cs.AI
Heuristic Online Goal Recognition in Continuous Domains
Bar Ilan University（巴伊兰大学）
目标识别是根据观察到的行为推断智能体的目标的问题。一种鼓舞人心的方法-通过计划识别（PRP）-使用现成的计划器为给定的目标动态生成计划，消除了对传统计划库的需要。然而，现有的PRP制定是内在的在线识别效率低下，不能与连续空间的运动规划器。在本文中，我们利用一个不同的PRP制定，允许在线目标识别，并在连续空间中的应用。我们提出了一个在线识别算法，其中两个启发式决策点可以用来提高运行时间显着超过现有的工作。我们指定的连续域，证明他们的使用保证，并在3D导航环境和合作机器人团队任务的数百个实验经验评估算法。
2017-09-28 cs.AI
Heuristic Approaches for Goal Recognition in Incomplete Domain Models
Pontifical Catholic University of Rio Grande do Sul (PUCRS)（南里奥格兰德天主教大学）；School of Technology（技术学院）
最近的目标识别方法已经逐步放宽了关于领域知识和可用观测的数量和正确性的假设，从而产生准确和有效的算法。然而，这些方法假设了域理论的完整性和正确性，而这些域理论的算法与观测结果相匹配：这对于大多数现实世界的域来说太强了。在本文中，我们开发的目标识别技术，能够识别目标使用\textit{incomplete}（可能是不正确的）域理论。我们展示了我们的方法的效率和准确性经验对一个大的目标和计划识别问题的数据集不完整的域。
2018-04-16 cs.AI
Heuristics for Partially Observable Stochastic Contingent Planning
eBay Research（eBay研究院）；Ben Gurion University（本古里安大学）
针对基于目标的POMDP求解中启发式引导收敛的问题，提出利用域模型结构化表示、兼顾信息价值与随机效应的启发式函数，可减少RTDP-BEL收敛所需轨迹数，提升求解速度。
2024-10-08 cs.AI
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
The FastMap Algorithm for Shortest Path Computations
University of Southern California（南加州大学）；University of California, Irvine（加利福尼亚大学尔湾分校）
提出了一种新的预处理算法，用于将给定的边加权无向图的节点嵌入到欧氏空间中。这个空间中任意两个节点之间的欧几里得距离近似于给定图中它们之间的最短路径的长度。之后，在运行时，可以使用欧几里得距离作为启发式，使用A * 搜索来计算任何两个节点之间的最短路径。我们的预处理算法，称为FastMap，灵感来自同名的数据采掘算法，并在近线性时间内运行。因此，FastMap比使用半定规划产生欧几里得嵌入的竞争方法快几个数量级。FastMap还产生可接受的和一致的算法，因此保证了最短路径的生成。此外，FastMap适用于许多传统的启发式算法（如曼哈顿距离启发式算法）没有很好定义的一般无向图。从经验上讲，我们证明了使用FastMap启发式的A * 搜索与使用其他最先进的启发式算法（如差分启发式）的A * 搜索具有竞争力。
2017-12-21 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
Anytime Multi-Agent Path Finding with an Adaptive Delay-Based Heuristic
University of Southern California（南加州大学）；University of California, Irvine（加州大学欧文分校）
本文提出ADDRESS，一种基于自适应延迟启发式的单破坏启发式MAPF-LNS变体，通过受限汤普森采样选择种子代理，在大规模场景中实现至少50%的成本改进。
2024-12-17 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
Optimize Planning Heuristics to Rank, not to Estimate Cost-to-Goal
Czech Technical University in Prague（布拉格捷克理工大学）；Gen Digital, Inc.（Gen Digital 公司）
本文重新审视前向搜索算法中最优高效启发式的条件，提出基于排序的损失函数以替代估计到达目标代价，并通过实验验证了该理论的有效性。
2023-10-30 cs.AI cs.LG
A Job-Assignment Heuristic for Lifelong Multi-Agent Path Finding Problem with Multiple Delivery Locations
在本文中，我们提出了多作业分配算法，以产生低总成本的解决方案，并确定其中最好的执行方法。
2020-04-25 cs.AI cs.MA
Heuristically Guided Compilation for Multi-Agent Path Finding
Czech Technical University in Prague（布拉格捷克理工大学）；Faculty of Information Technology（信息技术学院）
多智能体路径寻找（MAPF）是在共享环境中寻找连接智能体指定初始位置和目标位置的非冲突路径的任务。我们专注于基于编译的求解器，其中的MAPF问题表示在不同的良好建立的形式主义，如混合整数线性规划（MILP），布尔可满足性（SAT），或约束规划（CP）。由于这些形式主义的目标求解器充当黑盒，因此在基于MAPF编译的求解器中集成MAPF特定算法是具有挑战性的。在这项工作中，我们将展示如何建立一个MAPF编码的目标SAT求解器，在特定领域的启发式知识得到反映。通过为每个代理选择候选路径并仅为这些候选路径构建编码而不是为代理的所有可能路径构建编码，将启发式知识转移到SAT求解器。进行的实验表明，启发式指导编译优于基于SAT的MAPF求解器的香草变种。
2022-12-13 cs.AI cs.MA
A Scalable Heuristic for Fastest-Path Computation on Very Large Road Maps
Max-Planck Institute for Informatics（马克斯·普朗克信息学研究所）；New Jersey Institute of Technology（新泽西理工学院）
在一个非常大的道路地图中的两点之间的最快路径查询是现代交通和导航系统中越来越重要的原语，因此非常有效地计算这些路径对于系统性能和吞吐量至关重要。我们提出了一种方法来计算一个有效的启发式的最快路径旅行时间之间的两点的道路地图，它可以用来显着加速经典的A* 算法时，计算最快路径。我们的方法是基于两个层次集的分隔符的两个二叉树表示的地图。预处理步骤基于分隔树计算每个道路交叉点的值的短向量，然后将其与地图一起存储并用于在在线查询阶段有效地计算启发式。我们通过实验证明，这种方法可以很好地扩展到任何地图大小，提供了一个更好的质量启发式，从而更有效的A* 搜索，在所有距离点之间的最快路径查询-特别是中小范围-相对于其他已知的搜索。
2020-09-04 cs.AI cs.DS
The DeepXube Software Package for Solving Pathfinding Problems with Learned Heuristic Functions and Search
Department of Computer Science and Engineering（计算机科学与工程系）
DeepXube通过机器学习学习启发式函数，结合深度强化学习、启发式搜索和形式逻辑，高效解决路径寻找问题，支持GPU和DNN架构的并行计算。
2026-03-25 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
Efficient Heuristic Generation for Robot Path Planning with Recurrent Generative Model
Southern University of Science and Technology（南方科技大学）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
机器人路径规划是一个很难解决的问题，由于最优性的结果和算法的复杂性之间的矛盾，即使在2D环境中。为了找到最优路径，算法需要搜索所有的状态空间，这需要大量的计算资源。为了解决这个问题，我们提出了一种新的递归生成模型（RGM），产生有效的启发式路径规划算法，以减少搜索工作。该RGM模型采用了一般生成对抗网络（GAN）的框架，由一个新的启发式生成器和两个判别器组成，前者可以通过递归地优化输出来生成启发式算法，后者可以检查启发式算法的连通性和安全性。我们在各种2D环境中测试所提出的RGM模块，以证明其有效性和效率。结果表明，RGM模型在已知和未知的新地图上都能成功地产生合适的启发式，且具有较高的准确率，证明了该模型良好的泛化能力。我们还比较了快速探索随机树星（RRT*）与生成的启发式和传统的RRT* 在四个不同的地图，显示生成的启发式可以指导算法找到初始和最优解在一个更快，更有效的方式。
2020-12-07 cs.AI cs.RO
Multi-Goal Multi-Agent Path Finding via Decoupled and Integrated Goal Vertex Ordering
Czech Technical University in Prague（布拉格捷克理工大学）
我们介绍了多目标多智能体路径寻找（MAPF $^{MG}$），它推广了标准的离散多智能体路径寻找（MAPF）问题。MAPF的任务是将无向图中的代理从其起始顶点导航到每个代理的一个单独的目标顶点，而MAPF $^{MG}$为每个代理分配多个目标顶点，并且任务是至少访问每个目标顶点一次。求解MAPF $^{MG}$不仅需要为各个代理找到无冲突路径，而且还需要确定访问代理的目标顶点的顺序，以便优化共同的目标，如成本之和。我们提出了两种新的算法，使用不同的范式来解决MAPF $^{MG}$：一个启发式搜索为基础的搜索算法称为汉密尔顿CBS（HCBS）和编译为基础的算法使用SMT范式，称为SMT汉密尔顿CBS（SMT-HCBS）。实验比较表明编译为基础的方法的局限性。
2020-09-10 cs.AI
Towards Learning Foundation Models for Heuristic Functions to Solve Pathfinding Problems
AI Institute（人工智能研究所）；University of South Carolina（南卡罗来纳大学）
本研究提出基于深度强化学习的基础模型，通过向启发式函数提供状态转移信息增强其适应能力，无需微调即可泛化求解多领域寻路问题，并在多项指标上实现与真实启发式值的强相关性。
2024-06-01 cs.AI cs.LG
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
The GRT Planning System: Backward Heuristic Construction in Forward State-Space Planning
Aristotle University（亚里士多德大学）
本文介绍了GRT，一个独立于领域的启发式规划系统的CNOPS世界。GRT分两个阶段解决问题。在预处理阶段，它向后估计每个事实与问题目标之间的距离。然后，在搜索阶段，使用这些估计来进一步估计每个中间状态与目标之间的距离，从而在向前方向上并且在最佳优先的基础上引导搜索过程。本文介绍了从预处理和搜索阶段之间采用相反的方向的好处，讨论了在预处理阶段出现的一些困难，并介绍了技术，以应付他们。此外，它提出了几种方法来提高启发式的效率，丰富的表示和减少问题的大小。最后，提出了一种基于域公理的克服局部最优状态的方法。该方法将复杂问题分解为一个个较简单的子问题，依次求解。从各个领域的性能结果，包括最近的规划比赛，表明GRT是最快的规划者之一。
2011-06-01 cs.AI
Multi-Robot Path Planning Combining Heuristics and Multi-Agent Reinforcement Learning
School of Artificial Intelligence University of Chinese Academy of Sciences（人工智能学院 中国科学院大学）
本文提出MAPPOHR方法，结合启发式搜索与多智能体强化学习，提升多机器人路径规划效率与性能。
2025-12-11 cs.AI cs.LG cs.RO
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
Learning Obstacle-Avoiding Lattice Paths using Swarm Heuristics: Exploring the Bijection to Ordered Trees
Waseda University（早稻田大学）
网格路径是在离散/网格地图中对高效导航进行建模的功能实体。本文提出了一种新的方案，以产生无碰撞的格路径的最高效率，利用双射性质的根有序树，渲染一个一维的搜索问题。我们的计算研究使用十个国家的最先进的和相关的自然启发的群体算法在导航场景与凸和非凸几何形状的障碍物显示的实际可行性和效率，在渲染无碰撞的格子路径。我们相信我们的方案可以用于设计离散地图中规划和组合优化的快速算法。
2022-09-12 cs.AI cs.DM cs.NE
Efficient Fastest-Path Computations in Road Maps
Max-Planck Institute for Informatics（马克斯·普朗克信息学研究所）；New Jersey Institute of Technology（新泽西理工学院）
在实时在线交通信息和支持GPS的设备的时代，道路网络中两点之间的最快路径计算被建模为有向图，其中每个有向边由“行驶时间”值加权，正在成为许多导航相关应用的标准功能。为了支持这一点，在非常大的道路网络中非常有效地计算这些路径至关重要。最快路径可以计算为加权有向图中的最小成本路径，但是基于经典Dijkstra算法的变体的传统最小成本路径算法不能很好地扩展，因为在最坏的情况下，它们可能会遍历整个图。一个常见的改进，可以显着减少遍历图顶点的数量，是A* 算法，它需要一个很好的启发式下界的最小成本。我们引入了一个简单的，但非常有效的启发式函数的基础上分配给每个图顶点的值的数量很少。这些值基于图分隔符，并在预处理阶段有效地计算。我们目前的实验结果表明，我们的启发式算法提供的最小成本是优于其他approxistics的估计。我们的实验表明，当在A* 算法中使用时，这种启发式可以减少一个数量级的遍历顶点的数量相比，其他启发式。
2018-10-02 cs.AI cs.DS
Decentralized Multi-Agent Goal Assignment for Path Planning using Large Language Models
Center for Intelligent Machines (CIM) Laboratory（智能机器中心（CIM）实验室）；McGill University（麦吉尔大学）
针对多智能体路径规划的分布式目标分配难题，提出基于LLM的智能体方案，通过独立推理排序加确定性规则消解冲突，实验证明其性能优于传统启发式、接近最优分配，验证了LLM在该场景的应用潜力。
2025-10-27 cs.AI
The More the Merrier?! Evaluating the Effect of Landmark Extraction Algorithms on Landmark-Based Goal Recognition
Pontifical Catholic University of Rio Grande do Sul (PUCRS)（南里奥格兰德天主教大学（PUCRS））
最近的方法，目标和计划识别使用经典的规划域已经取得了国家的最先进的结果，在识别时间和准确性方面，通过使用基于规划地标的算法。为了实现这样的快速识别时间，这些方法使用有效的，但不完整的算法来提取规划域和问题的地标的一个子集，在一定的精度为代价。在本文中，我们调查的影响和效果，使用各种地标提取算法能够提取更大比例的地标，为每个给定的规划问题，详尽的地标提取。我们进行了广泛的实证评估时，使用不同百分比的全套地标的各种地标为基础的misticics。结果表明，具有更多的地标并不一定意味着实现更高的准确性和更低的扩散，因为额外提取的地标可能不一定增加有助于目标识别任务。
2020-05-06 cs.AI
NNPP: A Learning-Based Heuristic Model for Accelerating Optimal Path Planning on Uneven Terrain
Harbin Institute of Technology（哈尔滨工业大学）
针对非平坦地形移动机器人路径规划效率问题，提出NNPP启发式模型，通过学习最优路径示例生成像素级路径概率分布以缩小搜索空间，可加速Astar等算法在新地图上的最优路径规划。
2024-06-20 cs.AI cs.RO
TIDE: A Trace-Informed Depth-First Exploration for Planning with Temporally Extended Goals
TIDE通过分解时间问题为可达-避免子问题，结合成本驱动启发式方法，提升时间扩展目标规划的效率和完整性。
2026-01-17 cs.AI
Generative Adversarial Network based Heuristics for Sampling-based Path Planning
Southern University of Science and Technology（南方科技大学）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
基于采样的路径规划是机器人路径规划的一种常用方法。采用均匀采样策略探索状态空间，不需要对位形空间进行复杂的几何建模，即可找到可行路径。但是，初始解的质量得不到保证，收敛到最优解的速度较慢。在本文中，我们提出了一种新的基于图像的路径规划算法，以克服这些限制。具体而言，生成对抗网络（GAN）的设计，以环境地图（表示为RGB图像）作为输入，而无需其他预处理工作。输出也是一个RGB图像，其中分割了有希望的区域（可能存在可行路径）。这个有希望的区域被用作启发式算法，以实现路径规划器的非均匀采样。通过大量的仿真实验验证了该方法的有效性，实验结果表明，该方法在初始解的质量和收敛到最优解的速度方面都有较大的提高。此外，除了与训练集相似的环境外，我们的方法也适用于与训练集非常不同的环境。
2020-12-07 cs.AI cs.RO
MMP-A*: Multimodal Perception Enhanced Incremental Heuristic Search on Path Planning
Hanoi University of Science and Technology（河内科学技术大学）；Vingroup Big Data Research Center（VinGroup大数据研究中心）；FPT Software AI Center（FPT软件AI中心）
MMP-A*通过融合视觉语言模型的空间感知与自适应衰减机制，提升路径规划的几何精度与计算效率。
2026-01-22 cs.AI
Expansion Counts under Standard A* Tie-Breaking Strategies on the Final Plateau
The University of Tokyo（东京大学）
研究A*算法在最终平台上九种标准平局打破策略的扩展计数差异，证明任意策略对存在任意大加性扩展差距，并揭示单位代价搜索中低$h$与高$h$的极值行为及权重$\alpha<1$消除敏感性。
2026-09-22 cs.AI
A Heuristic Based on Randomized Greedy Algorithms for the Clustered Shortest-Path Tree Problem
Taybac University（西北大学）；Hanoi University of Science and Technology（河内理工大学）
随机贪心算法（RGAs）是解决结构不清楚的问题以及结合了随机过程和贪心算法的组合优化问题的有趣方法。本文提出了一种新的算法，结合RGA的主要特点和最短路径树算法（SPTA）来处理的最短路径树问题（CluSPT）。该算法利用SPTA算法确定簇内最短路径树，结合RGA的特点和SPTA的搜索策略构造连接簇的边。为了评估所提出的算法的性能，欧几里德基准选择。实验研究表明，该算法的优势，与现有的一些算法相比。我们还分析了参数对算法性能的影响。
2020-05-05 cs.AI cs.DC
Combining a Probabilistic Sampling Technique and Simple Heuristics to solve the Dynamic Path Planning Problem
Universidad Técnica Federico Santa María（费德里科·圣玛丽亚理工大学）；INRIA/LORIA（法国国家信息与自动化研究所/洛林计算机科学及其应用实验室）
概率抽样方法已经成为解决单次射击路径规划问题的一种非常流行的方法。特别是快速探索随机树（RRT）已被证明在解决高维问题方面非常有效。尽管已经提出了几种RRT变体来解决动态重新规划问题，但这些方法仅在不频繁变化的环境中表现良好。本文针对动态路径规划问题，结合简单的技术，在多阶段的概率算法。该算法使用RRT作为初始解，通知局部搜索来修复不可行路径和一个简单的贪婪优化器。该算法能够识别本地搜索何时卡住，并随后重新启动RRT。我们表明，这种简单的技术相结合，提供了更好的反应，一个高度动态的环境比动态RRT的变种。
2009-12-01 cs.AI cs.RO
Shopping by algorithm: How agentic AI deploys human heuristics as a surrogate consumer
Desautels Faculty of Management（德索泰尔管理学院）；McGill University（麦吉尔大学）
本研究通过Tool-Lab方法考察定价线索对AI购物代理的影响，发现模糊目标与信息获取成本促使LLM省略关键属性并采用人类启发式策略，表明营销影响受信息架构而非模型固有缺陷驱动。
2026-10-15 cs.AI econ.GN q-fin.EC
Efficient Black-Box Planning Using Macro-Actions with Focused Effects
Brown University（布朗大学）；IBM Research（IBM研究院）
确定性规划的难度随着搜索树的深度呈指数级增加。黑箱规划提出了一个更大的挑战，因为规划者必须在没有明确的领域模型的情况下进行操作。启发式可以使搜索更有效，但黑盒规划的目标感知启发式通常依赖于目标计数，这通常是相当没有信息的。在这项工作中，我们将展示如何克服这一限制，发现宏观行动，使目标计数启发式更准确。我们的方法搜索具有集中效果的宏动作（即仅修改少量状态变量的宏），这些宏动作与目标计数启发式所做的假设非常一致。聚焦宏在广泛的规划领域中显著提高了黑盒规划效率，有时甚至击败了访问完整领域模型的最先进的规划器。
2021-06-23 cs.AI cs.LG stat.ML
Relevance Score: A Landmark-Like Heuristic for Planning
University of Birmingham（伯明翰大学）；University of Melbourne（墨尔本大学）；University of Edinburgh（爱丁堡大学）
本文提出一种新颖的“相关性分数”启发式方法，用于识别出现在大多数而非全部计划中的事实或动作，并在缺乏非平凡地标的规划问题上显著提升搜索性能。
2024-03-12 cs.AI
Distributed Heuristic Multi-Agent Path Finding with Communication
Simon Fraser University（西蒙弗雷泽大学）
多智能体路径搜索（MAPF）是大规模机器人系统的关键。最近的方法已经应用强化学习（RL）学习分散的政策在部分可观察的环境。获得无冲突策略的一个基本挑战是，代理需要学习合作来处理拥塞的情况。本文将通信与深度Q学习相结合，为MAPF提供了一种新的基于学习的方法，其中代理通过图卷积实现合作。为了指导RL算法在长期目标导向的任务，我们嵌入了潜在的选择，从单一来源的最短路径作为启发式指导，而不是使用一个特定的路径，在大多数现有的作品。我们的方法独立对待每个代理，并从单个代理的角度训练模型。最终训练的策略应用于每个代理，以分散执行。整个系统在训练期间是分布式的，并且在课程学习策略下进行训练。在障碍物丰富的环境中的实证评估表明，我们的方法的平均步长低，成功率高。
2021-06-21 cs.AI cs.MA cs.RO
Online Goal Recognition using Path Signature and Dynamic Time Warping
Pontifícia Universidade Católica do Rio Grande do Sul（圣保罗天主教大学里约格兰德杜斯乌尔古斯分校）；King’s College London（伦敦国王学院）；University of Aberdeen（阿伯丁大学）
本文提出一种基于路径签名和动态时间规整的在线目标识别方法，通过高效编码轨迹和有效比较轨迹，提升预测准确性和在线规划效率。
2026-08-06 cs.AI
A Heuristic Method for Solving the Problem of Partitioning Graphs with Supply and Demand
Institute of Physics, University of Belgrade（贝尔格莱德大学物理研究所）；Qatar Environment and Energy Research Institute (QEERI)（卡塔尔环境与能源研究所）；Institute of Information Systems, University of Hamburg（汉堡大学信息系统研究所）
本文提出了一种求解图的最大划分问题的贪心算法。该方法的目标是在合理的时间限制内解决大型图的MPGSD。这是通过使用两阶段贪心算法来完成的，具有两种相应类型的算法。以这种方式获得的解决方案通过应用计算上廉价的，爬山式的，贪婪的校正程序来改进。在我们的数值实验中，我们分析了不同的启发式功能的贪心算法的每个阶段，并表明其性能是高度依赖于特定实例的属性。我们的测试表明，通过探索一个相对较少的解决方案，通过结合不同的启发式函数，并应用所提出的校正程序，我们可以找到的解决方案，只有百分之几的最优的。
2014-11-02 cs.AI
Benchmarking Classical Coverage Path Planning Heuristics on Irregular Hexagonal Grids for Maritime Coverage Scenarios
Facultad de Ingeniería y Ciencias, Universidad Adolfo Ibáñez（工程与科学学院，阿道弗·伊巴涅斯大学）；Dirección de Programas, Investigación y Desarrollo, Armada de Chile（智利海军计划、研究与开发 Directorate）；Millennium Nucleus for Social Data Science (SODAS)（社会科学数据科学千年核基金（SODAS））；Millennium Nucleus in Data Science for Plant Resilience (PhytoLearning)（植物韧性数据科学千年核基金（PhytoLearning））
本文提出一个可重复的基准测试，评估经典单车覆盖路径规划启发式方法在不规则六边形网格上的性能，包含10000个哈密顿可行实例和17种启发式方法，揭示实现细节对稀疏几何图性能的影响。
2026-04-16 cs.AI cs.RO math.OC
