通过基于解释的检索失败分析存储与索引计划推导

基于案例的规划（CBP）提供了一种将基于域的规划扩展至解决复杂域中大规模问题的方法。它通过检索和适应以前的规划经验来取代对解决方案的详细而冗长的搜索。总体而言，CBP 已被证明优于从头生成的规划。然而，其提供的性能改进依赖于对问题相似性的充分判断。特别是，尽管 CBP 可能在整体上显著减少规划工作，但其仍然存在检索误差问题。CBP 的成功取决于这些检索错误相对罕见。本文描述了用于案例规划器 DERSNLP+EBL 的一种回放框架的设计与实现。DERSNLP+EBL 通过纳入解释基学习技术，将 CBP 方法论扩展为能够解释和学习其遇到的检索失败的能力。这些技术用于在经历错误判断后，对案例相似性判断进行细化。相同的数据分析也用于构建案例库，通过添加修复案例来实现。将大规模问题拆分为单个目标子问题进行存储；只有当这些较小案例无法合并为完整解决方案时，才存储多目标问题。本文报告了该方法的实证评估，展示了从经验性检索失败中学习的优势。