非确定性域上规划中的随机公平性与语言论公平性
人工智能
2019-12-25 v1 形式语言与自动机理论
摘要
我们探讨非确定性完全可观测域规划文献中的两个核心公平性概念。第一个我们称为随机公平性，是经典概念，假设环境以概率方式运行，可能使用未知概率。第二个是语言论公平性，假设若从给定状态无限次采取某动作，则其所有可能结果都应无限次出现（我们称之为状态-动作公平性）。虽然这两个概念对于标准可达性目标是一致的，但对于时序扩展目标则出现分歧。这一重要差异在规划文献中被忽视，我们认为它导致了一些已发表算法的混淆，这些算法使用了为状态-动作公平性所述的归约，而这些归约在状态-动作公平性下是不正确的，而在随机公平性下则是正确的。我们对此予以纠正，并提供了一个求解带 LTL/LTLf 目标的状态-动作公平规划的最优可靠且完备的算法，以及目标复杂度的下界的正确证明（我们的证明足够一般，也为无公平性和随机公平性情形提供了新的证明）。总体而言，我们表明随机公平性比状态-动作公平性表现更好。
引用
@article{arxiv.1912.11203,
title = {Stochastic Fairness and Language-Theoretic Fairness in Planning on Nondeterministic Domains},
author = {Benjamin Aminof and Giuseppe De Giacomo and Sasha Rubin},
journal= {arXiv preprint arXiv:1912.11203},
year = {2019}
}