基于模拟器的多样性、Top-k 与最优质量规划
人工智能
2023-08-28 v1
摘要
多样性、top-k 与最优质量规划关注于为序贯决策问题生成解集。此前该领域一直是基于符号化问题实例模型的经典规划器的领地。本文提出一种使用蒙特卡洛树搜索（MCTS）的新替代方法，使得该方法可应用于仅能提供黑盒仿真模型的问题。我们给出了一种以最佳优先顺序从预生成搜索树中提取有界规划集的流程，以及一种评估搜索树中路径相对质量的度量。我们在一个含隐藏信息的路径规划问题上演示了该方法，并提出了对 MCTS 算法的改进以增加生成规划的多样性。结果表明，我们的方法能在经典规划器不适用的领域中生成多样且高质量的规划集。
引用
@article{arxiv.2308.13147,
title = {Diverse, Top-k, and Top-Quality Planning Over Simulators},
author = {Lyndon Benke and Tim Miller and Michael Papasimeon and Nir Lipovetzky},
journal= {arXiv preprint arXiv:2308.13147},
year = {2023}
}
备注
This paper has been accepted at the 26th European Conference on Artificial Intelligence (ECAI 2023)