基于过程控制知识的代价最优规划算法
人工智能
2016-07-08 v2
摘要
关于开发启发式及其他推理算法以指导经典规划中最优与随时规划算法搜索的工作已有令人瞩目的积累。然而，极少有努力致力于开发类似技术以在诸如 HTN 规划等分层规划形式中引导搜索走向高质量解，这类形式允许使用额外的领域特定过程控制知识。缺乏此类技术时，该控制知识常需为规划算法提供必要的搜索引导，这给领域作者带来沉重负担并可能导致脆弱或易错的领域模型。我们通过扩展近期一种称为分层目标网络(HGN)规划的新分层基于目标的规划形式的工作，开发了分层最优目标分解规划器(HOpGDP)，一种计算分层最优规划的 HGN 规划算法，从而弥补此缺口。HOpGDP 由 引导，这是一种新的 HGN 规划启发式，其扩展了经典规划中现有的可采纳基于地标启发式，以计算 HGN 规划问题的可采纳代价估计。我们在三个基准规划域上的实验评估表明，HOpGDP 由于能使用领域特定过程知识而优于最优经典规划器，并且由于 提供的搜索引导而优于 HOpGDP 的盲搜索版本。
引用
@article{arxiv.1607.01729,
title = {Cost-Optimal Algorithms for Planning with Procedural Control Knowledge},
author = {Vikas Shivashankar and Ron Alford and Mark Roberts and David W. Aha},
journal= {arXiv preprint arXiv:1607.01729},
year = {2016}
}
备注
To appear in the Proc. of ECAI 2016