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
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
Multi-agent RRT*: Sampling-based Cooperative Pathfinding (Extended Abstract)
Czech Technical University in Prague(捷克布拉格技术大学);Delft University of Technology(代尔夫特理工大学)
合作寻路是为多个移动代理寻找一组不冲突的轨迹的问题。它的应用包括移动机器人团队的规划,如自主飞机,汽车或水下航行器。用于协作寻路的最先进的算法通常依赖于一些启发式前向搜索寻路技术,其中A* 通常是选择的算法。在这里,我们提出了MA-RRT*,一种新的算法,多代理路径规划,建立在最近提出的渐近最优采样为基础的算法,寻找单代理最短路径称为RRT*。我们实验评估的算法的性能,并表明,基于采样的方法提供了更好的可扩展性比经典的前向搜索方法在相对较大,但稀疏的环境,这是典型的在现实世界中的应用,如多飞机防撞。
2013-02-12 cs.AI cs.MA cs.RO
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
Deep Reinforcement Learning for Crowdsourced Urban Delivery: System States Characterization, Heuristics-guided Action Choice, and Rule-Interposing Integration
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
本文研究了在众包城市交付的背景下,将运输请求分配给临时快递员的问题。装运请求在空间上分布,每个装运请求具有在最早拾取时间和最晚递送时间之间的有限时间窗口。被称为众包的临时信使的可用时间和承载能力也有限。我们提出了一种新的基于深度强化学习(DRL)的方法来解决这个分配问题。训练了一种深度Q网络(DQN)算法,该算法具有经验重放和目标网络两个显著特征,可提高DRL训练的效率、收敛性和稳定性。更重要的是,本文做出了三个方法上的贡献:1)提出了一个全面和新颖的描述众包系统状态,包括时空和容量信息的众包和请求; 2)嵌入的启发式,利用状态表示提供的信息,并基于直观的推理来指导具体的行动,以保持易处理性和提高培训效率; 3)集成规则插入,避免路由改进时重复访问相同的路由和节点序列,通过加速学习进一步提高训练效率。通过大量的数值分析证明了该方法的有效性。结果表明,DRL训练中的策略指导动作选择和规则插入带来的好处,以及所提出的方法在解决方案质量,时间和可扩展性方面优于现有的策略。除了提高众包运营规划效率的潜力外,该方法还为车辆路径环境中的其他问题提供了新的途径和通用框架。
2020-11-29 cs.AI cs.LG
An (MI)LP-based Primal Heuristic for 3-Architecture Connected Facility Location in Urban Access Network Design
National Research Council of Italy(意大利国家研究委员会);Zuse Institute Berlin(柏林楚泽研究所)
研究了城市电信接入网设计中的三层结构互联设施定位问题。我们提出了一个原始的最优化模型的问题,包括额外的变量和约束,考虑到无线信号覆盖。由于这个问题可以证明具有挑战性,即使是现代国家的最先进的优化求解器,我们建议解决它的原始启发式结合了概率固定程序,引导特有的线性规划松弛,一个确切的MIP启发式,基于一个非常大的邻域搜索。一组现实的实例上的计算实验表明,我们的启发式可以找到解决方案与低得多的最优性差距比一个国家的最先进的求解器。
2017-04-27 cs.AI cs.NI math.OC
Exact Algorithms and Lowerbounds for Multiagent Pathfinding: Power of Treelike Topology
Czech Technical University in Prague(布拉格捷克理工大学)
本研究在参数化复杂性框架下分析多智能体路径规划(MAPF)问题的复杂度,给出多组参数下的难解性证明与FPT算法,揭示了树状拓扑结构对该问题求解的关键作用。
2023-12-15 cs.AI cs.CC cs.DS
Faster and More Robust Mesh-based Algorithms for Obstacle k-Nearest Neighbour
Monash University(莫纳什大学)
我们感兴趣的问题,找到$k$最近的邻居在平面上,并在多边形障碍物($\textit{OkNN}$)的存在。广泛使用的OkNN算法基于增量可见性图,这意味着它们需要昂贵的在线可见性检查,并且具有最坏情况下的二次运行时间。最近$\mathbf{Polyanya}$提出了一种快速的点到点路径查找算法,该算法通过在称为导航网格的替代数据结构上搜索来避免可见性图的缺点。以前,我们通过开发两个专门的启发式函数:$\mathbf{Interval heuristic}$ $h_v$和$\mathbf{Target heuristic}$ $h_t$,使$\mathbf{Polyanya}$适应多目标场景。虽然这些方法优于可见性图算法的数量级,在我们所有的实验中,他们是不健全的:$h_v$扩展许多冗余节点时,邻居集是小的,而$h_t$表现不佳时,邻居集是大的。在本文中,我们提出了OkNN的新算法和算法,无论邻居密度如何,它们都表现良好。
2018-08-13 cs.AI
Behavior Planning at Urban Intersections through Hierarchical Reinforcement Learning
Carnegie Mellon University(卡内基梅隆大学)
对于自动驾驶汽车来说,有效的行为规划对于确保自我汽车的安全至关重要。在许多城市场景中,很难创建足够通用的启发式规则,特别是对于一些新的人类驾驶员发现困难的挑战性场景。在这项工作中,我们提出了一种基于强化学习(RL)的行为规划结构,它能够在模拟城市环境中进行分层结构的自主车辆行为规划。分层结构的应用允许满足行为规划系统的各个层。我们的算法可以比基于规则的方法更好地执行选择性决策,例如何时在相反方向接近的车辆之间左转,或者由于车道阻塞或在自我汽车前面的延迟而接近交叉路口时可能变道。这种行为很难评估为正确或不正确,但对于一些积极的专家人类驾驶员来说,他们可以有效和快速地处理这种情况。另一方面,与传统的强化学习方法相比,由于在训练过程中使用了混合奖励机制和启发式探索,我们的算法具有更高的样本效率。结果还表明,该方法比传统的RL方法更快地收敛到最优策略。
2020-11-09 cs.AI cs.RO
Beyond Shortest Path: Agentic Vehicular Routing with Semantic Context
Institute of Computing (IC)(计算学院);Hub de Inteligência Artificial e Arquiteturas Cognitivas (H.IAAC)(人工智能与认知架构中心);Universidade Estadual de Campinas (UNICAMP)(坎皮纳斯州立大学)
本文提出PAVe系统,将多目标Dijkstra算法与LLM语义推理相结合,利用城市POI缓存理解用户复杂意图,实现个性化车辆路径规划,初始路线选择准确率超过88%。
2025-11-06 cs.AI
Reward-Density Heuristic for Dynamic Multi-Vehicle Routing: Performance and Computational Efficiency
研究动态多车辆路径规划问题,提出奖励密度启发式算法(效率启发式算法),在自主无人机任务分配和城市出租车调度等领域评估,该算法与多种经典和元启发式算法比较,在奖励与计算前沿占优,解质量相当但规划时间少,为实时分配调度系统提供实用原则。
2026-07-08 cs.AI
Empowering A* Search Algorithms with Neural Networks for Personalized Route Recommendation
Beihang University(北京航空航天大学);Renmin University of China(中国人民大学)
个性化路线推荐(PRR)的目的是生成用户特定的路线建议,以响应用户的路线查询。早期的研究将PRR任务视为图上的寻路问题,并通过整合启发式策略来采用自适应搜索算法。虽然这些方法在一定程度上是有效的,但它们需要用数学方法来设置成本函数。此外,在搜索过程中很难利用有用的上下文信息。为了解决这些问题,我们建议使用神经网络自动学习成本函数的经典启发式算法,即A* 算法,PRR任务。我们的模型由两个部分组成。首先,我们采用基于注意力的递归神经网络(RNN),通过结合有用的上下文信息来建模从源到候选位置的成本。RNN组件不是学习单个成本值,而是能够学习用户移动状态的时变向量化表示。其次,我们建议使用价值网络来估计从候选位置到目的地的成本。为了捕捉结构特征,通过结合用户的移动状态和其他上下文信息,在改进的图注意力网络之上构建价值网络。这两个分量以原则性的方式被集成,用于导出候选位置的更准确的成本。在三个真实数据集上的实验结果表明了该模型的有效性和鲁棒性。
2019-07-19 cs.AI cs.CY cs.LG
NLP-enabled Trajectory Map-matching in Urban Road Networks using a Transformer-based Encoder-decoder
Columbia University(哥伦比亚大学)
本文提出一种基于Transformer编码器-解码器的深度学习地图匹配框架,将轨迹匹配建模为机器翻译任务,在合成与曼哈顿真实GPS数据上验证了其优于传统方法的路径重建精度。
2025-03-07 cs.AI cs.CE
Exact and heuristic approaches for multi-objective garbage accumulation points location in real scenarios
Universidad Nacional del Sur(南里奥国立大学);CONICET(阿根廷科学研究与技术委员会);Massachusetts Institute of Technology(麻省理工学院);Universidad de la República(东岸共和国大学)
城市固体废物管理是当今城市社会的一项重大挑战,因为它占公共预算的很大比例,如果处理不当,可能导致环境和社会问题。这项工作的重点是在城市地区,这被认为是有很大的影响,在逆向物流链的整体效率的垃圾桶的定位问题。本文贡献了一个精确的多目标方法来解决垃圾箱的位置,其中考虑的优化标准是:系统的可访问性(作为服务质量措施),投资成本,以及所需的频率从垃圾箱中删除(作为代理的后路由成本)。在这种方法中,不同的方法来获得目标的理想值和最低点的帕累托前提出和比较。然后,提出了一系列基于PageRank算法的探试法,旨在优化系统的可达性,收集的废物量和安装成本。实验评估是在乌拉圭蒙得维的亚和阿根廷布兰卡湾的真实世界场景中进行的。所得到的结果表明,所提出的方法的竞争力,用于构建一组候选解决方案,考虑不同的优化标准之间的权衡。
2021-03-11 cs.AI cs.OH
CityPlanner: A Sandbox Agent for Executable Urban Planning
School of Computer Science and Engineering, Beihang University(北京航空航天大学计算机科学与工程学院);MIIT Key Laboratory of Data and Decision Intelligence, Beihang University(北京航空航天大学工业和信息化部数据与决策智能重点实验室)
针对城市规划中大规模行动空间下的决策难题,提出CityPlanner沙盒智能体框架,通过UrbanSandbox环境与原子任务强化学习分解规划流程,在真实基准上超越多种基线,验证了其有效性与可执行性。
2026-09-10 cs.AI cs.CL
Harnessing the Synergy between LLM Agents and Knowledge Graphs for Urban Socioeconomic Prediction
Tsinghua University(清华大学);National University of Singapore(新加坡国立大学)
本研究提出LLM智能体与知识图谱的协同框架,结合二者优势完成城市社会经济预测,经实验验证该协同设计可提升预测效果,为跨任务信息共享提供思路。
2026-08-10 cs.AI cs.CL cs.LG
LegalFarePlan: A Label-Setting Framework for Fare-Transparent Urban Rail Route Planning under Non-Additive Fare Rules
研究非加法票价规则下城市轨道交通线路规划问题,提出LegalFarePlan框架,将合法进出站建模为约束条件,通过多种算法实现可解释线路规划,在半合成基准测试中取得一定票价降低成果,展示方法行为与可重复性。
2026-07-14 cs.AI
Urban Bike Lane Planning with Bike Trajectories: Models, Algorithms, and a Real-World Case Study
Rotman School of Management, University of Toronto(多伦多大学罗特曼管理学院);University of California, Berkeley(加州大学伯克利分校)
我们研究了基于细粒度自行车轨迹数据的城市自行车道规划问题,该数据由智能城市基础设施(如自行车共享系统)提供。关键的决定是在现有道路网络中的何处修建自行车道。随着自行车共享系统在世界各地的大都市地区变得普遍,许多市政府正在规划和建设自行车道,以促进骑自行车和保护骑自行车的人。传统的自行车道规划方法通常依赖于调查和地理学。我们开发了一个通用的和新颖的优化框架,以指导自行车车道规划自行车轨迹。我们形式化的自行车道规划问题,鉴于骑自行车的人的效用函数,并推导出一个整数优化模型,以最大限度地提高效用。为了捕捉骑自行车的路线选择,我们开发了一个基于多项Logit模型的双层程序。我们推导出基础模型的结构性质,并证明了自行车道规划模型的拉格朗日对偶是多项式时间可解的。此外,我们重新制定的路线选择为基础的规划模型作为一个混合整数线性规划,使用线性逼近方案。我们开发了易于处理的配方和有效的算法来解决大规模的优化问题。通过一个城市政府的真实案例研究,我们证明了所提出的算法的效率,并量化了自行车出行的覆盖率和自行车道的连续性之间的权衡。我们展示了网络拓扑结构如何根据效用函数演变,并强调了理解骑自行车者的路线选择的重要性。该框架推动了智慧城市运营管理中数据驱动的城市规划方案。
2020-08-21 cs.AI cs.CE math.OC
Ride-pool Assignment Algorithms: Modern Implementation and Swapping Heuristics
Cornell University(康奈尔大学)
针对拼车分配问题(RAP)缺乏开源实现的问题,本文实现包含多算法的拼车模拟器并开源C++代码库,提出基于交换的启发式方法及LA-MR-CE算法,在曼哈顿数据集上实现最优服务率且计算时间显著减少。
2025-04-14 cs.AI cs.ET
Taxi dispatching strategies with compensations
Universidad Rey Juan Carlos(胡安卡洛斯国王大学);Universitat Politècnica de Valencia(瓦伦西亚理工大学);Universidad Politécnica de Madrid(马德里理工大学)
针对动态出租车分配中全局效率与司机个体收益冲突的问题,本文提出支持重新分配的启发式算法及经济补偿机制,实验表明其可减少乘客等待时间并兼顾经济效益。
2024-01-21 cs.AI
Carl-Lead: Lidar-based End-to-End Autonomous Driving with Contrastive Deep Reinforcement Learning
Hong Kong University of Science and Technology(香港科技大学)
在不受管制的交叉路口的城市人群中进行自动驾驶具有挑战性,其中应仔细考虑其他车辆的动态遮挡和不确定行为。传统的方法是启发式的,基于手工设计的规则和参数,但在新的情况下扩展性很差。因此,在所有可预见的场景中,它们需要高劳动力成本来设计和维护规则。最近,深度强化学习(DRL)在城市驾驶场景中显示出了很好的效果。然而,DRL被认为是样本效率低下,大多数以前的作品假设完美的观察,如地面实况的位置和车辆的运动,而不考虑噪声和遮挡,这可能是一个太强的假设政策部署。在这项工作中,我们使用DRL来训练基于激光雷达的端到端驾驶策略,这些策略自然会考虑不完美的部分观测。我们进一步使用无监督的对比表示学习作为辅助任务,以提高样本效率。比较评估结果表明,我们的方法比最先进的(SOTA)基于激光雷达的端到端驾驶网络实现了更高的成功率,比精心调整的基于规则的方法更好地权衡了安全性和效率,并且比基线更好地推广到新场景。演示视频可在https://caipeide.github.io/carl-lead/上获得。
2021-09-17 cs.AI cs.RO cs.SY
A Novel Feature Learning-based Bio-inspired Neural Network for Real-time Collision-free Rescue of Multi-Robot Systems
University of Guelph(圭尔夫大学);School of Engineering(工程学院);Advanced Robotics and Intelligent Systems Laboratory(先进机器人与智能系统实验室)
提出FLBBINN,结合特征学习与神经动力学,实现多机器人系统在复杂动态环境中的实时无碰撞救援路径生成,显著提升救援速度、效率和最优性。
2024-03-13 cs.AI cs.RO cs.SY