論文の概要: Generalized Planning as Heuristic Search: A new planning search-space
that leverages pointers over objects
- arxiv url: http://arxiv.org/abs/2301.11087v1
- Date: Thu, 26 Jan 2023 13:25:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-27 13:42:54.533927
- Title: Generalized Planning as Heuristic Search: A new planning search-space
that leverages pointers over objects
- Title（参考訳）: ヒューリスティック検索としての一般計画:オブジェクト上のポインタを利用する新しい計画探索空間
- Authors: Javier Segovia-Aguas, Sergio Jim\'enez, Anders Jonsson
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.850101961203748
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Planning as heuristic search is one of the most successful approaches to
classical planning but unfortunately, it does not extend trivially to
Generalized Planning (GP). GP aims to compute algorithmic solutions that are
valid for a set of classical planning instances from a given domain, even if
these instances differ in the number of objects, the number of state variables,
their domain size, or their initial and goal configuration. The generalization
requirements of GP make it impractical to perform the state-space search that
is usually implemented by heuristic planners. This paper adapts the planning as
heuristic search paradigm to the generalization requirements of GP, and
presents the first native heuristic search approach to GP. First, the paper
introduces a new pointer-based solution space for GP that is independent of the
number of classical planning instances in a GP problem and the size of those
instances (i.e. the number of objects, state variables and their domain sizes).
Second, the paper defines a set of evaluation and heuristic functions for
guiding a combinatorial search in our new GP solution space. The computation of
these evaluation and heuristic functions does not require grounding states or
actions in advance. Therefore our GP as heuristic search approach can handle
large sets of state variables with large numerical domains, e.g.~integers.
Lastly, the paper defines an upgraded version of our novel algorithm for GP
called Best-First Generalized Planning (BFGP), that implements a best-first
search in our pointer-based solution space, and that is guided by our
evaluation/heuristic functions for GP.
- Abstract（参考訳）: ヒューリスティックな探索としての計画は古典的計画において最も成功した手法の1つであるが、残念ながら一般計画(GP)にはさほど及ばない。
GPは、オブジェクトの数、状態変数の数、ドメインサイズ、初期および目標設定が異なる場合でも、与えられたドメインから古典的な計画インスタンスの集合に有効なアルゴリズム的なソリューションを計算することを目的としている。
GPの一般化要件は、通常、ヒューリスティックプランナーによって実装される状態空間探索の実行を非現実的にする。
本稿では,GPの一般化要件にヒューリスティック検索パラダイムとしての計画を適用し,GPに対する最初のネイティブなヒューリスティック検索手法を提案する。
まず,gp問題における古典的な計画インスタンスの数や,それらのインスタンスのサイズ(オブジェクト数,状態変数,ドメインサイズなど)に依存しない,gpのための新しいポインタベースの解空間を提案する。
第二に,新しいgp解空間における組合せ探索を導くための評価関数とヒューリスティック関数の集合を定義する。
これらの評価とヒューリスティック関数の計算は、事前に基底状態やアクションを必要としない。
したがって、ヒューリスティックな探索手法としてのGPは、例えば–integersのような大きな数値領域を持つ大きな状態変数の集合を処理できる。
最後に,BFGP(Best-First Generalized Planning)と呼ばれるGPの新しいアルゴリズムのアップグレード版を定義し,GPに対する評価・ヒューリスティック関数によって導かれるポインタベースの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) - 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) - Robust and Adaptive Temporal-Difference Learning Using An Ensemble of
Gaussian Processes [70.80716221080118]
本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。
OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。
1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
論文 参考訳（メタデータ） (2021-12-01T23:15:09Z) - 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) - 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)
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。