实时启发式搜索中的凹陷规避与逃离
人工智能
2014-01-24 v1
摘要
用于求解困难实时搜索问题的启发式函数存在凹陷区域。此类区域是搜索空间中的有界区域，其中启发式函数相对于到达解的实际代价而言不准确。早期的实时搜索算法（如 LRTA*）容易陷入这些区域，因为其状态的启发式值可能需要多次更新，从而导致代价高昂的解。当前最先进的实时搜索算法（如 LSS-LRTA* 或 LRTA*(k)）改进了 LRTA* 更新启发式的机制，从而提升了性能。然而，这些算法并未引导搜索避开凹陷区域。本文提出凹陷规避，这是一种简单的实时搜索原则，旨在引导搜索避开已被标记为启发式凹陷一部分的状态。我们提出两种实现凹陷规避的方式：标记并规避和移至边界。我们在 LSS-LRTA* 和 RTAA* 之上实现了这些策略，产生了 4 种新的实时启发式搜索算法：aLSS-LRTA*、daLSS-LRTA*、aRTAA* 和 daRTAA*。当目标是通过运行一次实时搜索算法找到单个解时，我们证明 daLSS-LRTA* 和 daRTAA* 的性能优于其前身，有时甚至高出整整一个数量级。在这四种新算法中，在给定每次规划片段平均允许时间的固定截止期限下，daRTAA* 产生的解最优。我们证明了所有算法都具有良好的理论性质：在有限搜索空间中，如果存在解，它们都能找到解，并在多次尝试后收敛到最优解。
引用
@article{arxiv.1401.5854,
title = {Avoiding and Escaping Depressions in Real-Time Heuristic Search},
author = {Carlos Hernández and Jorge A Baier},
journal= {arXiv preprint arXiv:1401.5854},
year = {2014}
}