論文の概要: Generalized Planning as Heuristic Search
- arxiv url: http://arxiv.org/abs/2103.14434v1
- Date: Fri, 26 Mar 2021 12:35:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 12:49:13.168124
- Title: Generalized Planning as Heuristic Search
- Title(参考訳): ヒューリスティック検索としての一般計画
- Authors: Javier Segovia-Aguas, Sergio Jim\'enez and Anders Jonsson
- Abstract要約: 本稿では,計画を探索パラダイムとして一般化計画(gp)の特質に適用する。
本稿では,GP問題における計画インスタンスの数と,これらのインスタンスのサイズに依存しない,新しいGPソリューション空間を定義する。
最後に,BFGP(Best-First Generalized Planning)と呼ばれるGPアルゴリズムを定義し,評価・ヒューリスティック関数によって導かれる解空間において,ベストファーストな探索を行う。
- 参考スコア(独自算出の注目度): 12.160708336715489
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although heuristic search is one of the most successful approaches to
classical planning, this planning paradigm does not apply straightforwardly to
Generalized Planning (GP). Planning as heuristic search traditionally addresses
the computation of sequential plans by searching in a grounded state-space. On
the other hand GP aims at computing algorithm-like plans, that can branch and
loop, and that generalize to a (possibly infinite) set of classical planning
instances. This paper adapts the planning as heuristic search paradigm to the
particularities of GP, and presents the first native heuristic search approach
to GP. First, the paper defines a novel GP solution space that is independent
of the number of planning instances in a GP problem, and the size of these
instances. Second, the paper defines different evaluation and heuristic
functions for guiding a combinatorial search in our GP solution space. Lastly
the paper defines a GP algorithm, called Best-First Generalized Planning
(BFGP), that implements a best-first search in the solution space guided by our
evaluation/heuristic functions.
- Abstract(参考訳): ヒューリスティック探索は古典計画における最も成功した手法の1つであるが、この計画パラダイムは一般化計画(GP)に直接適用されない。
ヒューリスティック探索としての計画は、伝統的に接地された状態空間を探索することで逐次計画の計算に対処する。
一方、GPは、分岐とループが可能で、古典的な計画インスタンスの(おそらく無限の)集合に一般化できるアルゴリズムのような計画を計算することを目指している。
本稿では,計画をヒューリスティック探索パラダイムとしてgpの特異性に適用し,gpに対する最初のネイティブヒューリスティック探索手法を提案する。
まず、GP問題における計画インスタンスの数と、これらのインスタンスのサイズに依存しない新しいGPソリューション空間を定義する。
第2に,gp 解空間における組合せ探索を導くための異なる評価とヒューリスティック関数を定義した。
最後に,BFGP(Best-First Generalized Planning)と呼ばれるGPアルゴリズムを定義し,評価・ヒューリスティック関数によって導かれる解空間におけるベストファースト探索を実装した。
関連論文リスト
- Parallel Strategies for Best-First Generalized Planning [51.713634067802104]
汎用計画(GP)は、複数の古典的な計画インスタンスを解くことができるアルゴリズムのようなソリューションの自動合成を研究するAIの研究分野である。
現在の進歩の1つはBest-First Generalized Planning (BFGP) の導入である。
本稿では,並列探索手法をBFGPに適用し,性能ギャップを埋める上で重要な要素であることを示す。
論文 参考訳(メタデータ) (2024-07-31T09:50:22Z) - Novelty and Lifted Helpful Actions in Generalized Planning [14.513354207511151]
本稿では,計画プログラムに関する新規性を計算するアクションノベルティランクの概念を紹介する。
本稿では,新たな計画計画プログラムを創発する新規性に基づく一般化計画解法を提案する。
論文 参考訳(メタデータ) (2023-07-03T03:44:12Z) - Generalized Planning as Heuristic Search: A new planning search-space
that leverages pointers over objects [10.850101961203748]
本稿では,一般計画(GP)の一般化要件に探索パラダイムとしての計画を適用する。
本稿では,新しいGP解空間における探索を導くための評価関数と計算関数のセットを定義する。
BFGP(Best-First Generalized Planning)と呼ばれるGPのための新しいアルゴリズムのアップグレード版では、ポインタベースのソリューション空間でベストファースト検索を実装している。
論文 参考訳(メタデータ) (2023-01-26T13:25:39Z) - Computing Programs for Generalized Planning as Heuristic Search [10.850101961203748]
本稿では,一般計画(GP)の特質に探索パラダイムとしての計画を適用する。
GPのためのBFGPアルゴリズムは,プログラムベースの解空間において最良優先探索を実装している。
論文 参考訳(メタデータ) (2022-05-12T17:57:09Z) - Scaling-up Generalized Planning as Heuristic Search with Landmarks [9.653976364051564]
一般化計画は通常、与えられたアルゴリズム的解の空間における探索として扱われる。
この種のソリューション評価は、計画インスタンスの表現において明示されていないどんなサブゴール情報も無視する。
GPのノード拡張は、古典的なプランニングインスタンスのバッチ全体にわたってすべての子ノードを評価する必要があるため、実行時のボトルネックである。
論文 参考訳(メタデータ) (2022-05-10T12:42:48Z) - Scaling Gaussian Process Optimization by Evaluating a Few Unique
Candidates Multiple Times [119.41129787351092]
GPに基づく逐次ブラックボックス最適化は,複数の評価ステップの候補解に固執することで効率よく行うことができることを示す。
GP-UCB と GP-EI の2つのよく確立されたGP-Opt アルゴリズムを改良し,バッチ化された GP-Opt の規則を適応させる。
論文 参考訳(メタデータ) (2022-01-30T20:42:14Z) - Incremental Ensemble Gaussian Processes [53.3291389385672]
本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。
各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。
新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
論文 参考訳(メタデータ) (2021-10-13T15:11:25Z) - PathBench: A Benchmarking Platform for Classical and Learned Path
Planning Algorithms [59.3879573040863]
パスプランニングは、モバイルロボティクスの重要なコンポーネントです。
アルゴリズムを全体的あるいは統一的にベンチマークする試みはほとんど行われていない。
本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
論文 参考訳(メタデータ) (2021-05-04T21:48:18Z) - Waypoint Planning Networks [66.72790309889432]
本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。
我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。
WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
論文 参考訳(メタデータ) (2021-05-01T18:02:01Z) - Divide-and-Conquer Monte Carlo Tree Search For Goal-Directed Planning [78.65083326918351]
暗黙的な逐次計画の仮定に代わるものを検討する。
本稿では,最適計画の近似を行うため,Divide-and-Conquer Monte Carlo Tree Search (DC-MCTS)を提案する。
計画順序に対するこのアルゴリズム的柔軟性は,グリッドワールドにおけるナビゲーションタスクの改善に繋がることを示す。
論文 参考訳(メタデータ) (2020-04-23T18:08:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。