基于因果圖的啟發(fā)式規(guī)劃研究與實現(xiàn).pdf

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

2、量間相互獨立的問題，而在實際問題中，狀態(tài)變量間往往存在相互影響。 本文針對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。將最大代價法引入基于因果圖的啟發(fā)式規(guī)劃算法中，并結合和代價法以及最大代價法，設計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。該方法不僅通過多值規(guī)劃表示大幅度壓縮了狀態(tài)表示空間，同時通過因果圖和域轉移圖，有效利用了規(guī)劃任務中的結構信息。另外，考

3、慮到狀態(tài)變量間的相互作用，彌補了原有規(guī)劃算法的不足。在該策略下，可得到更優(yōu)的啟發(fā)信息來指導搜索過程，從而減少搜索求解時間和規(guī)劃解的長度。因此，AMCG規(guī)劃算法能夠有效提高求解效率和解的質量。由于實際問題中的變量往往存在相互作用，該算法的應用更具有普遍性。 在給出算法的基礎上，利用C++語言對該算法進行了實現(xiàn)，設計了基于因果圖混合啟發(fā)的多值規(guī)劃系統(tǒng)AMCG，該規(guī)劃器由三個組件組成：翻譯模塊、知識編譯模塊以及搜索模塊。實驗證明該系統(tǒng)