基于因果圖的啟發(fā)式規(guī)劃研究與實(shí)現(xiàn).pdf

1、智能規(guī)劃是人工智能中一個(gè)重要研究領(lǐng)域，基于狀態(tài)空間啟發(fā)式搜索的規(guī)劃方法是該領(lǐng)域的一個(gè)熱點(diǎn)。具有代表性的三個(gè)啟發(fā)式規(guī)劃器為：HSP、FF和Fast Downward，其中基于和代價(jià)啟發(fā)的HSP以及基于放寬規(guī)劃任務(wù)的FF都忽略了操作對(duì)狀態(tài)變量的消極影響，失去了規(guī)劃任務(wù)中很多重要的結(jié)構(gòu)信息；Fast Downward將規(guī)劃問(wèn)題轉(zhuǎn)化為多值規(guī)劃任務(wù)求解，其求解效率較高而備受矚目。但Fast Downward也有缺點(diǎn)，其采用的因果圖啟發(fā)適用于狀態(tài)變

2、量間相互獨(dú)立的問(wèn)題，而在實(shí)際問(wèn)題中，狀態(tài)變量間往往存在相互影響。 本文針對(duì)Fast Downward存在的不足，提出了基于因果圖混合啟發(fā)的多值規(guī)劃算法。將最大代價(jià)法引入基于因果圖的啟發(fā)式規(guī)劃算法中，并結(jié)合和代價(jià)法以及最大代價(jià)法，設(shè)計(jì)出新的因果圖混合啟發(fā)函數(shù)—AMCG函數(shù)，最后，采用貪心最佳優(yōu)先搜索方法尋找規(guī)劃解。該方法不僅通過(guò)多值規(guī)劃表示大幅度壓縮了狀態(tài)表示空間，同時(shí)通過(guò)因果圖和域轉(zhuǎn)移圖，有效利用了規(guī)劃任務(wù)中的結(jié)構(gòu)信息。另外，考

3、慮到狀態(tài)變量間的相互作用，彌補(bǔ)了原有規(guī)劃算法的不足。在該策略下，可得到更優(yōu)的啟發(fā)信息來(lái)指導(dǎo)搜索過(guò)程，從而減少搜索求解時(shí)間和規(guī)劃解的長(zhǎng)度。因此，AMCG規(guī)劃算法能夠有效提高求解效率和解的質(zhì)量。由于實(shí)際問(wèn)題中的變量往往存在相互作用，該算法的應(yīng)用更具有普遍性。 在給出算法的基礎(chǔ)上，利用C++語(yǔ)言對(duì)該算法進(jìn)行了實(shí)現(xiàn)，設(shè)計(jì)了基于因果圖混合啟發(fā)的多值規(guī)劃系統(tǒng)AMCG，該規(guī)劃器由三個(gè)組件組成：翻譯模塊、知識(shí)編譯模塊以及搜索模塊。實(shí)驗(yàn)證明該系統(tǒng)