优化规划启发式以排序而非估计目标代价
人工智能
2023-10-31 v1 机器学习
摘要
在规划的模仿学习中，启发式函数的参数针对一组已求解问题实例进行优化。本文重新审视了前向搜索算法（主要为 A* 和贪婪最佳优先搜索）严格最优高效启发式的充要条件，这类启发式仅扩展所返回最优路径上的状态。随后，针对给定变体的前向搜索算法，提出了一类基于排序的损失函数。此外，从学习理论视角，本文讨论了为何优化目标代价 \hstar\ 是不必要地困难。在多样化问题集上的实验对比明确支持了所推导的理论。
引用
@article{arxiv.2310.19463,
title = {Optimize Planning Heuristics to Rank, not to Estimate Cost-to-Goal},
author = {Leah Chrestien and Tomás Pevný and Stefan Edelkamp and Antonín Komenda},
journal= {arXiv preprint arXiv:2310.19463},
year = {2023}
}
备注
10 pages