GONDOR：低内存制约下的满意式规划
人工智能
2026-05-28 v1
摘要
贪心最佳优先搜索 (GBFS) 是求解目标可通过启发式估计的搜索问题的主导方法，如规划、路径规划、导航和路径寻找出线。这尤其适用于内存受限的情况，如边缘设备上的规划。为缓解此问题，我们提出 GONDOR (Greedy Online Navigation with Dynamic Outpost-based Re-search)，一种 GBFS 的高效内存扩展版本，允许在严格的内存限制下继续搜索，通过定期压缩搜索树同时保留稀疏锚定状态的集合，然后在到达目标后通过在稀疏状态之间重新搜索来重建路径。我们分析该算法并讨论由不同锚点选择策略定义的多个变体。此外，我们探索使用 Bloom 过滤器进行紧凑的闭合列表重复检测。实验在数值规划领域和启发式配置下表明，GONDOR 在低内存预算下始终优于标准 GBFS 实现更好的覆盖率。我们发布 GONDOR 的实现以及 Bloom 过滤器变体，以便进一步研究高效记忆启发式搜索。
引用
@article{arxiv.2605.28454,
title = {GONDOR to the Rescue: Satisficing Planning with Low Memory},
author = {Yonatan Vernik and Alexander Tuisov and Alexander Shleyfman},
journal= {arXiv preprint arXiv:2605.28454},
year = {2026}
}