論文の概要: Scaling-up Generalized Planning as Heuristic Search with Landmarks

• arxiv url: http://arxiv.org/abs/2205.04850v1
• Date: Tue, 10 May 2022 12:42:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-12 18:48:21.338954
• Title: Scaling-up Generalized Planning as Heuristic Search with Landmarks
• Title（参考訳）: ランドマークによるヒューリスティック検索としての一般化計画のスケールアップ
• Authors: Javier Segovia-Aguas, Sergio Jim\'enez, Anders Jonsson and Laura Sebasti\'a
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.653976364051564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Landmarks are one of the most effective search heuristics for classical planning, but largely ignored in generalized planning. Generalized planning (GP) is usually addressed as a combinatorial search in a given space of algorithmic solutions, where candidate solutions are evaluated w.r.t.~the instances they solve. This type of solution evaluation ignores any sub-goal information that is not explicit in the representation of the planning instances, causing plateaus in the space of candidate generalized plans. Furthermore, node expansion in GP is a run-time bottleneck since it requires evaluating every child node over the entire batch of classical planning instances in a GP problem. In this paper we define a landmark counting heuristic for GP (that considers sub-goal information that is not explicitly represented in the planning instances), and a novel heuristic search algorithm for GP (that we call PGP) and that progressively processes subsets of the planning instances of a GP problem. Our two orthogonal contributions are analyzed in an ablation study, showing that both improve the state-of-the-art in GP as heuristic search, and that both benefit from each other when used in combination.
• Abstract（参考訳）: ランドマークは古典的計画において最も効果的な探索ヒューリスティックの一つであるが、一般的な計画では無視されている。 一般計画 (GP) は通常、アルゴリズム解の所定の空間における組合せ探索として扱われ、候補解が w.r.t. で評価される。 このタイプ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任意のサブゴール情報を無視し、候補一般化計画の空間にプラトーを引き起こす。 さらに、gpのノード拡張は、gp問題の古典的なプランニングインスタンスのバッチ全体を通して全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。 本稿では,GP の目覚ましい数的ヒューリスティック (計画インスタンスに明示的に表されていない部分ゴール情報を考える) と,GP の新たなヒューリスティック検索アルゴリズム (PGP と呼ぶ) を定義し,GP 問題の計画インスタンスのサブセットを段階的に処理する。 この2つの直交的貢献はアブレーション研究で分析され、gpの最先端をヒューリスティック探索として改善し、両者が組み合わせて使うと互いに利益を得ることが示された。

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)
• Depth-Bounded Epistemic Planning [50.42592219248395]
  本稿では,動的てんかん論理に基づく新しい計画法を提案する。 新規性は、計画エージェントの推論の深さを上界bに制限することである。 推論深度の境界b内における解を持つ計画タスクに関して、完全なものであることを示す。
  論文  参考訳（メタデータ） (2024-06-03T09:30:28Z)
• 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)
• Representation and Synthesis of C++ Programs for Generalized Planning [2.752817022620644]
  本稿では,GP(Generalized Planning)問題とその解決策をC++プログラムとして紹介する。 私たちのC++表現は、一般化された計画の終了を正式に証明し、その複雑さをw.r.tで指定することを可能にする。 C++一般化計画の複雑さを特徴づけることにより、複雑性の順に可能なGPソリューションの空間を列挙する探索の応用が可能になる。
  論文  参考訳（メタデータ） (2022-06-29T09:13:21Z)
• 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 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)
• 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)
• Generalized Planning as Heuristic Search [12.160708336715489]
  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。
  論文  参考訳（メタデータ） (2021-03-26T12:35:10Z)
• 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)
• STRIPS Action Discovery [67.73368413278631]
  近年のアプローチでは、すべての中間状態が欠如している場合でも、アクションモデルを合成する古典的な計画が成功している。 アクションシグネチャが不明な場合に,従来のプランナーを用いてSTRIPSアクションモデルを教師なしで合成するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-30T17:08:39Z)

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。