在超图世界模型中使用最大似然路径的目标不可知规划

在本文中，我们提出了一种基于超图的机器学习算法、一种数据结构驱动的维护方法，以及一种基于 Dijkstra 算法概率应用的规划算法。它们共同构成了一个目标不可知的自动规划引擎，用于自主学习智能体，该引擎结合了经典机器学习与传统人工智能的有益特性。我们证明了该算法能在问题空间内确定最优解，在数学上界定了学习性能，并提供了一个数学模型来分析系统状态随时间的演化，从而对学习曲线、目标达成率以及对抽象和不确定性的响应给出明确预测。为了验证性能，我们展示了将该智能体应用于三个典型规划问题（包括复合层次域）的结果，并突出了能够阐明分析中所揭示性质的实证发现。