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
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
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
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
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
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
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
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
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
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
On Backtracking in Real-time Heuristic Search
Athabasca University(阿萨巴斯卡大学);University of Alberta(阿尔伯塔大学)
实时的【形】启发式搜索算法适用于需要在恒定时间内做出决策的位置代理。自从近二十年前Korf的原始工作以来,已经提出了许多扩展。最有趣的扩展之一是回溯的想法,其中代理决定返回到以前访问过的状态,而不是向前移动。经验表明,这一想法对各种绩效指标产生了重大影响。这些研究是在具有使用回溯的特定实时的【形】搜索算法的特定经验测试平台上进行的。因此,所观察到的趋势在多大程度上具有一般回溯的特征尚不清楚。本文首次对实时的【形】启发式搜索中的回溯问题进行了完整的理论研究。特别是,我们提出的解决方案的成本指数和线性的参数调节回溯量的上界。这些结果适用于广泛的一类实时的【形】启发式搜索算法,其中包括许多现有的算法作为一个小的子类。
2009-12-16 cs.AI
Mean-based Heuristic Search for Real-Time Planning
Laboratoire d’Informatique de Paris Descartes(巴黎笛卡尔大学信息学实验室);Université Paris Descartes(巴黎笛卡尔大学)
在本文中,我们介绍了一种新的启发式搜索算法的基础上的平均值的实时规划,称为MHSP。它包括将UCT的原理与启发式搜索相结合,以在经典规划的背景下获得实时的【形】规划器。UCT是一种基于强盗的算法,在计算机游戏中,特别是在计算机围棋中,它给出了非常好的结果。MHSP评估不同的规划问题,并与现有的算法进行在线搜索和学习。此外,我们的研究结果突出的能力MHSP返回计划在一个实时的【形】方式,往往是一个最优的计划,随着时间的推移,这是更快,更好的质量相比,现有的算法在文献中。
2018-10-22 cs.AI
Heuristic Search as Evidential Reasoning
University of California(加利福尼亚大学)
BPS,贝叶斯问题求解器,应用概率推理和决策理论控制灵活,资源受限的问题解决。本文重点讨论了BPS中的贝叶斯推理机制,并将其与传统的启发式搜索技术进行了对比。通过执行声音推断,BPS可以以显著更少的计算工作量胜过传统技术。对八个问题的实证测试表明,BPS算法在几百个节点扩展后,比现有最好的算法在几百万个节点扩展后做出更好的决策
2013-03-27 cs.AI
FluCaP: A Heuristic Search Planner for First-Order MDPs
International Center for Computational Logic(国际计算逻辑中心);Technische Universität Dresden(德累斯顿工业大学)
提出了一种求解一阶马尔可夫决策过程的启发式搜索算法。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,在现有的系统,开始与命题化的FOMDP,然后执行状态抽象的命题化的版本,我们直接应用状态抽象的FOMDP避免命题化。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,搜索被限制到那些状态,从初始状态可达。我们证明了上述技术解决FOMDPs的有用性与系统,称为FluCaP(以前,FCPlanner),进入概率轨道的2004年国际规划竞赛(IPC 2004),并表现出优于其他规划师的一阶项所代表的问题。
2011-09-29 cs.AI
Scaling-up Generalized Planning as Heuristic Search with Landmarks
Universitat Pompeu Fabra(庞培法布拉大学)
地标是经典规划中最有效的搜索策略之一,但在广义规划中却被忽视。广义规划(GP)通常被视为在给定的算法解空间中的组合搜索,其中候选解被评估为他们解决的问题。这种类型的解决方案评估忽略了在规划实例的表示中不显式的任何子目标信息,从而导致候选广义规划的空间中的高原。此外,GP中的节点扩展是一个运行时的瓶颈,因为它需要评估整个批次的经典规划实例中的GP问题的每个子节点。在本文中,我们定义了一个里程碑计数启发式GP(认为子目标信息,没有明确表示在规划实例),和一种新的启发式搜索算法GP(我们称之为PGP),逐步处理GP问题的规划实例的子集。我们的两个正交的贡献进行了分析,在消融研究,表明,都提高了国家的最先进的GP作为启发式搜索,并且都受益于对方组合使用时。
2022-05-10 cs.AI
Probabilistic Planning via Heuristic Forward Search and Weighted Model Counting
Technion - Israel Institute of Technology(以色列理工学院);University of Innsbruck(因斯布鲁克大学)
提出了一种新的无观测概率规划算法。我们的算法,称为Probabilistic-FF,扩展了启发式的前向搜索机制的一致性FF的问题与概率的不确定性的初始状态和动作的影响。具体而言,Probabilistic-FF结合了Conformant-FF技术与(加权)CNF中的加权模型计数的强大机制,用于优雅地定义搜索空间和启发式函数。我们的评估Probabilistic-FF显示其良好的可扩展性,在一系列的概率域,构成了几个数量级的改进,在这方面的以前的结果。我们使用一个有问题的情况下,指出主要的开放问题,以解决进一步的研究。
2011-10-31 cs.AI
Monte Carlo Tree Search for Comprehensive Exploration in LLM-Based Automatic Heuristic Design
School of Computing, National University of Singapore(新加坡国立大学计算机学院);School of System Design and Intelligent Manufacturing, Southern University of Science and Technology(南方科技大学系统设计与智能制造学院)
本文提出MCTS-AHD方法,利用蒙特卡洛树搜索(MCTS)替代进化计算来全面探索启发式空间,有效避免局部最优并挖掘暂时表现不佳启发式的潜力,在多种复杂任务上生成质量显著更高的启发式方法。
2025-01-31 cs.AI
Multi-objective Evolution of Heuristic Using Large Language Model
City University of Hong Kong(香港城市大学);Southern University of Science and Technology(南方科技大学)
本文提出首个基于大语言模型的多目标启发式搜索框架MEoH,通过零样本生成非支配启发式集合,并在装箱和旅行商问题上验证其能兼顾性能与效率、提供多样化权衡方案。
2025-02-04 cs.AI
HyFlex: A Benchmark Framework for Cross-domain Heuristic Search
University of Nottingham(诺丁汉大学)
启发式搜索方法的自动化设计是计算机科学、人工智能和运筹学中的一个活跃的研究领域。为了使这些方法更普遍地适用,重要的是消除或减少人类专家在设计有效的方法来解决给定的计算搜索问题的过程中的作用。开发这种方法的研究人员往往受到限制的问题域的数量上测试他们的自适应,自配置算法,这可以解释为固有的困难,实现其相应的域特定的软件组件。本文介绍了HyFlex,一个软件框架的跨域搜索方法的发展。该框架具有一个共同的软件界面,用于处理不同的组合优化问题,并提供了算法组件,是特定的问题。这样,算法设计者不需要对问题域有详细的了解,从而可以集中精力设计自适应通用启发式搜索算法。四个硬组合问题完全实现(最大可满足性,一维装箱,置换流水车间和人员调度),每个包含一组不同的实例数据(包括现实世界的工业应用)和一组广泛的问题特定的算法和搜索操作。该框架构成了第一届国际跨领域启发式搜索挑战赛(CHeSC)的基础,目前国际研究界正在使用该框架。总之,HyFlex代表了启发式搜索通用性的一个有价值的新基准,自适应跨域算法很容易开发,并进行可靠的比较。
2011-07-27 cs.AI
RAISE: LLM-based Automated Heuristic Design with Robust Adversary Instance Search
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院)
提出RAISE框架,通过将约束最坏情况实例搜索集成到LLM进化循环中,解决现有LLM自动化启发式设计在分布偏移下性能崩溃的问题,在多个在线调度问题上验证了鲁棒性。
2026-07-01 cs.AI
MAA*: A Heuristic Search Algorithm for Solving Decentralized POMDPs
INRIA Lorraine, LORIA(洛林信息科学研究所);University of Massachusetts(马萨诸塞大学)
本文提出了多智能体A*(MAA*)算法,它是求解有限时域分散部分可观测马尔可夫决策问题(DEC-POMDP)的第一个完整的最优启发式搜索算法.该算法适用于计算在随机环境中,如多机器人协调,网络交通控制,或分布式资源分配的代理的合作组的最优计划。有效地解决这些问题是不确定性规划领域的一个重大挑战。我们的解决方案是基于经典的启发式搜索和分散控制理论的合成。实验结果表明,MAA* 具有明显的优势。我们介绍了一个随时变MAA*,并结束了讨论有前途的扩展,如解决无限地平线问题的方法。
2012-07-04 cs.AI
Deep Learning Assisted Heuristic Tree Search for the Container Pre-marshalling Problem
Bielefeld University(比勒费尔德大学);Kyoto University(京都大学)
集装箱预编组问题(CPMP)是关于集装箱码头在非高峰期的集装箱重新排序,以便在港口繁忙时能够快速提取集装箱。这个问题在文献中得到了极大的关注,并通过大量的精确和探试法来解决。CPMP的现有方法严重依赖于特定问题的组成部分(例如,已证明的下限),需要由具有优化技术知识和对手头问题的深刻理解的领域专家开发。为了自动化CPMP的成本和时间密集型算法设计,我们提出了一种称为深度学习启发式树搜索(DLTS)的新方法。它使用深度神经网络来学习解决方案策略和仅通过分析CPMP实例的现有(接近)最佳解决方案来定制CPMP的下限。然后将网络集成到树搜索过程中,以决定下一步选择哪个分支并修剪搜索树。DLTS产生最高质量的启发式解决方案的CPMP到目前为止,差距低于2%的现实世界规模的实例的最优性。
2019-09-18 cs.AI
Planning Graph Heuristics for Belief Space Search
Arizona State University(亚利桑那州立大学);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
最近的一些工作在条件规划提出了可达性算法,以提高规划的可扩展性,但许多缺乏一个正式的描述,其距离估计的属性。为了将以前的工作的背景下,并扩展工作的有条件的规划,我们提供了一个正式的信念状态之间的距离估计的基础。我们给出了一个信念状态之间的距离的定义,依赖于聚合底层状态距离的措施。我们给出了几种技术来聚合状态距离及其相关属性。许多现有的规划展示了一个子集的属性,但为了提供一个标准化的比较,我们提出了几个概括的规划图规划,在一个单一的计划。我们恭维我们的信念状态距离估计框架,也调查有效的规划图数据结构,将BDD计算最有效的算法。我们开发了两个规划器作为我们调查的试验台。第一个是CAlt Alt,它是一个使用A* 搜索的一致回归规划器。第二个是POND,是一个使用AO* 搜索的条件进度计划器。我们展示了我们的启发式技术在这些规划师的相对有效性。我们还比较了这些规划师的性能与几个国家的最先进的方法在条件规划。
2011-03-09 cs.AI
A*+BFHS: A Hybrid Heuristic Search Algorithm
University of California, Los Angeles(加州大学洛杉矶分校)
我们提出了一个新的算法A*+BFHS解决问题的单位成本运营商A* 和IDA* 失败,由于内存限制和/或存在许多不同的路径之间的同一对节点。A*+BFHS是基于A* 和广度优先启发式搜索(BFHS)的。A*+BFHS结合了两种算法的优点,即A* 的节点排序,BFHS的内存节省,以及两种算法的重复检测。在简单的问题上,A*+BFHS的行为与A* 相同。在困难的问题上,它比A* 慢,但节省了大量的内存。与BFIDA* 相比,A*+BFHS在各种规划领域将搜索时间和/或内存需求降低了数倍。
2021-12-16 cs.AI
Marvin: A Heuristic Search Planner with Online Macro-Action Learning
University of Strathclyde(思克莱德大学)
本文介绍了参加第四届国际规划竞赛(IPC 4)的规划师马文。Marvin使用动作序列记忆技术来生成宏动作,然后在搜索解决方案时使用这些宏动作。我们提供了一个概述其架构和搜索行为,详细介绍了所使用的算法。我们还实证证明了其功能在各个规划领域的有效性,特别是由于使用宏动作,其搜索行为的新功能,以及ADL和派生谓词的本地支持对性能的影响。
2011-10-12 cs.AI
Heuristic Search For Physics-Based Problems: Angry Birds in PDDL+
Palo Alto Research Center(帕洛阿尔托研究中心);Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本文研究了如何使用独立于域的规划器和组合搜索来玩愤怒的小鸟,这是一个成熟的AI挑战问题。为了对游戏进行建模,我们使用PDDL+,这是一种用于混合离散/连续域的规划语言,支持持续过程和外源事件。本文描述了模型,并确定关键的设计决策,降低问题的复杂性。此外,我们提出了几个特定于域的增强,包括搜索和搜索技术类似的首选运营商。它们一起减轻了组合搜索的复杂性。我们评估我们的方法,通过比较其性能与专用域特定的求解器在一系列的愤怒的小鸟水平。结果表明,我们的性能与这些特定领域的方法在大多数水平上,即使没有使用我们的特定领域的搜索增强。
2023-03-29 cs.AI
A New Result on the Complexity of Heuristic Estimates for the A* Algorithm
University of California(加利福尼亚大学);University of South Carolina(南卡罗来纳大学)
松弛模型是通过忽略基本问题中存在的约束而生成的抽象问题描述。它们在规划和搜索算法中发挥着重要作用,因为已经证明,放松模型的最佳解的长度会产生A?寻找一个基本问题。松弛模型的最优解可以通过算法计算或通过在进一步的松弛模型中搜索来计算,从而导致探索松弛模型的层次结构的搜索。在本文中,我们回顾了问题松弛的传统定义,并表明在问题松弛所创建的抽象层次中进行搜索不会减少为基础级问题找到最优解所需的计算工作量,除非在层次中找到的松弛问题可以通过某种优化进行转换(例如,子问题因子分解)。具体地说,我们证明了任何A* 搜索的基本水平使用启发式H2将在很大程度上主导A* 搜索的基本水平使用启发式H1,如果H1必须计算的A* 搜索的松弛模型使用H2。
2018-03-16 cs.AI
Local search heuristics: Fitness Cloud versus Fitness Landscape
University of Nice-Sophia Antipolis(尼斯-索菲亚·安提波利斯大学)
本文介绍了健身云的概念,作为一种替代的方式来可视化和分析搜索空间比健身景观的地理概念。有人认为,健身云的概念克服了景观表示的几个不足之处。我们的分析是基于解的适应度和最近解的适应度之间的相关性,根据一些邻居。我们专注于本地搜索引擎的行为,如登山者,在著名的NK健身景观。在这两种情况下,健身与健身相关性被证明是有关的上位参数K。
2007-09-25 cs.AI
CogMCTS: A Novel Cognitive-Guided Monte Carlo Tree Search Framework for Iterative Heuristic Evolution with Large Language Models
School of Artificial Intelligence, Anhui University(安徽大学人工智能学院);Anhui Provincial Key Laboratory of Security Artificial Intelligence, Anhui University(安徽省安全人工智能重点实验室);Pengcheng Laboratory, Shenzhen, China(深圳鹏城实验室)
CogMCTS通过整合大语言模型的认知引导机制与MCTS,实现高效的自动启发式优化,提升搜索多样性与解质量。
2025-12-11 cs.AI
Evolving Real-Time Heuristics Search Algorithms with Building Blocks
University of Alberta(阿尔伯塔大学)
在实时的【形】搜索领域,产生了很多算法。在实时的【形】算法搜索研究领域,我们经常会发现,在一组问题上表现得比算法Y好的算法X,在另一组问题上表现得比算法Y差。如果将这些已发表的算法组合起来,生成一个更强大的算法空间,那么这个新的算法空间可能会更有效地解决一系列问题。基于这种直觉,最近的工作Bulitko 2016已经定义了寻找一个组合的搜索算法作为生存任务的任务。在这种进化方法中,算法的空间被定义在一组已发布的算法的构建块上,并且模拟进化被用于重组这些构建块以从该算法空间中找出最佳算法。在本文中,我们扩展了一组积木,增加了一个已发表的算法,即前瞻性的A-星形局部搜索空间生成方法从LSSLRTA-星,加上一个未发表的新的策略,以产生局部搜索空间与贪婪最佳优先搜索。然后在新的算法空间中进行实验,结果表明进化过程选择的最优算法具有如下性质:算法的前瞻深度越深,其次优性和擦洗复杂度越低。
2018-05-21 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
Front-to-Attractors: Modifying the Front-to-Front Heuristic in Bidirectional Search
University of California, Berkeley(加州大学伯克利分校)
提出Front-to-Attractors (F2A)启发式类,通过动态维护吸引子集替代完整前沿,在保持Front-to-Front信息性的同时大幅降低计算开销,实验显示相比F2F减少最多11.2倍成对评估,平均节点扩展比F2E少4.8倍。
2026-06-08 cs.AI
Bidirectional Search for Longest Paths: Case for Front-to-Front Heuristics
Technion - Israel Institute of Technology(技术学院 - 以色列理工学院)
提出BiXDFBnB算法,将单前沿双向搜索框架适配到广义最长简单路径问题,利用前向-前向启发式减少节点扩展,并在某些情况下提升运行时间。
2026-06-04 cs.AI