基于树搜索与图神经网络在受限时间动态可控性下求解不确定析取时序网络
人工智能
2022-03-31 v2 机器学习
多智能体系统
机器人学
系统与控制
系统与控制
摘要
不确定性下的规划是人工智能中备受关注的领域。我们提出一种基于树搜索与图机器学习的新型方法，用于求解称为不确定析取时序网络（DTNU）的调度问题。DTNU 的动态可控性（DC）寻求一种反应式调度策略，以响应不可控动作时长来满足时序约束。我们引入反应式调度的新语义：基于时间的动态可控性（TDC）及其受限子集 R-TDC。我们设计了一种树搜索算法来判断一个 DTNU 是否为 R-TDC。此外，我们利用图神经网络作为树搜索引导的启发式。最后，我们在已知基准上开展实验，表明 R-TDC 相对于 DC 保持了显著的完备性，同时证明速度更快。这导致树搜索在相同时间预算下于 R-TDC 中处理的 DTNU 问题比最先进 DC 求解器在 DC 中多百分之五十。我们还观察到，图神经网络搜索引导在更复杂 DTNU 的基准上带来显著性能提升，解决的问题数相较基线树搜索最多达 11 倍。
引用
@article{arxiv.2203.15030,
title = {Solving Disjunctive Temporal Networks with Uncertainty under Restricted Time-Based Controllability using Tree Search and Graph Neural Networks},
author = {Kevin Osanlou and Jeremy Frank and Andrei Bursuc and Tristan Cazenave and Eric Jacopin and Christophe Guettier and J. Benton},
journal= {arXiv preprint arXiv:2203.15030},
year = {2022}
}
备注
Thirty-Sixth AAAI Conference on Artificial Intelligence. This version includes the technical appendix. arXiv admin note: substantial text overlap with arXiv:2108.01068