【正文】 是實(shí)質(zhì)性的,甚至更高的抽象水平。比如,一個(gè)數(shù)據(jù)庫抽象的圖案與中期目標(biāo)進(jìn)行類似于一個(gè)較大的水平2中混合全球/中期目標(biāo)。兩者都是擴(kuò)大數(shù)量級(jí)較少的美國固定LRTA深度的一個(gè)類似的位?！　“幢壤黾?。最近發(fā)布的即時(shí)戰(zhàn)略游戲使用甚至更大的地圖比以前在上面的實(shí)驗(yàn)。,我們的方法找出如何對(duì)這樣的大尺度映射,我們爬到地圖512512細(xì)胞(啟動(dòng)和目標(biāo)相應(yīng)位置漸行漸遠(yuǎn)。結(jié)果如圖7(的錯(cuò)誤)的標(biāo)準(zhǔn)。我們使用了相同的設(shè)置在先前的實(shí)驗(yàn)除了適應(yīng)更大的地圖尺寸,我們?cè)黾恿嗣弊?0 ~ 30和水平的抽象到4至7個(gè)月。7到10折疊的地圖尺寸增加導(dǎo)致更少最優(yōu)解搜索深度為相同。這個(gè)分類10個(gè)或更少的深度fixeddepth還是好的LRTA *。同樣,patterndatabase整體目標(biāo)的途徑優(yōu)于修正策略的抽象級(jí)別。中級(jí)目標(biāo)版本并不受圖縮放由于當(dāng)?shù)氐哪繕?biāo)。它還顯示出強(qiáng)大的優(yōu)勢在所有其它途徑。即使在盡可能高的抽象六、擴(kuò)大水平,少一個(gè)數(shù)量級(jí)超過一個(gè)固定的戰(zhàn)略的一個(gè)類似的位。這個(gè)數(shù)目擴(kuò)充每行動(dòng)是machineindependent測量。它也是公平的比較不同的因?yàn)閯?dòng)態(tài)選擇方案的方法在運(yùn)行時(shí)間開銷強(qiáng)加微不足道。在條款實(shí)際的時(shí)間尺度、搜索擴(kuò)大150 200狀態(tài)移動(dòng),這是一個(gè)典型的平均為我們的方法,以在一個(gè)毫秒。數(shù)據(jù)庫建設(shè)模式。這個(gè)模式的數(shù)據(jù)庫方法用中期目標(biāo)的最好的表演權(quán)衡的位與計(jì)算每個(gè)動(dòng)作。這是通過建設(shè)模式數(shù)據(jù)庫包含了搜索深度d和中級(jí)目標(biāo)sg所有成對(duì)的抽象的狀態(tài)。表2所示的交易參與。對(duì)于每個(gè)抽象層次的1 7沒有抽象(0),我們名單上的圖案大小的數(shù)據(jù)庫(在這個(gè)號(hào)碼(d)條目,首鋼建設(shè)貯存時(shí)間),而產(chǎn)生的LRTA *(位每個(gè)動(dòng)作和擴(kuò)展。抽象級(jí)別0至2一件非常昂貴,他們的研究結(jié)果進(jìn)行了估算。最后,而不是像我們的基地LRTA算法,我們可以利用等。實(shí)驗(yàn)表明,那里沒有顯著差異,表演嗎一個(gè)搜索深度的超越。確實(shí),更深的搜查了可能有多種行動(dòng)與同等低克+ h成本是很高的,降低了兩者之間的區(qū)別和區(qū)域LRTA *。利用LRTA *我們保持開放的可能性經(jīng)過反復(fù)試驗(yàn),學(xué)習(xí)的代理人。先進(jìn)的算法進(jìn)行了對(duì)比。在新型合作醫(yī)療我們調(diào)查了表演所得鐵皮動(dòng)態(tài)控制提供了實(shí)時(shí)搜索。這是最好的測試在LRTA * 最基本的實(shí)時(shí)搜索算法,和一個(gè)核心的絕大多數(shù)現(xiàn)代的算法?！　∵@里我們看看我們的dynamiccontrol LRTA *攻擊目前最先進(jìn)的方式。圖8還包括地塊最近的三個(gè)實(shí)時(shí)算法,Koenig的LRTA *(Koenig2004年)、公關(guān)、Sturtevant應(yīng)Bulitko(2005年),Kazakevich,和優(yōu)先LRTA *(?瑞娜羅卓荊。2007年),為各種各樣的參數(shù)設(shè)置。決定最合適的參數(shù)對(duì)每一個(gè)算法,建立約束強(qiáng)加的節(jié)點(diǎn)數(shù)量擴(kuò)張錐最壞每步則不會(huì)超過1000個(gè)節(jié)點(diǎn)的節(jié)點(diǎn)數(shù)近似這一優(yōu)化實(shí)施本算法能擴(kuò)展的時(shí)間可以用來計(jì)劃作用于視頻游戲。所有的參數(shù)設(shè)置,違反這種約束被排除在圖。圖8:Dynamiccontrol LRTA *與先進(jìn)的算法。abstractionbased前方的一部分,凸顯了方法據(jù)PDB和intermediategoal應(yīng)使用抽象層次。這兩種方法都應(yīng)采用γ公關(guān)及深度0 = 5(從上到下)。幸存下來的算法,兩個(gè)明顯支配他人。我們的新patterndatabase打交道的中間體目標(biāo)和公關(guān)應(yīng)使用狀態(tài)(抽象)。處于最佳狀態(tài)參數(shù)設(shè)置、公關(guān)應(yīng)與抽象層次的4個(gè),五、γ深度和patterndatabase = 1,方法4產(chǎn)量水平的抽象表現(xiàn),相比也支配著其他算法。公關(guān)應(yīng)搜索稍少的節(jié)點(diǎn)。如果執(zhí)行失敗,將返回patterndatabase卻方法稍微更好的解決方案,如圖所示,在前方參與數(shù)字。因此,patterndatabase方法一個(gè)新的競爭力的先進(jìn)的家庭實(shí)時(shí)搜索算法。而且,當(dāng)公關(guān)應(yīng)跑LRTA *在抽象的狀態(tài)空間,可配置我們的動(dòng)態(tài)控制方案,并且有可能實(shí)現(xiàn)更好的性能。這是正在進(jìn)行的工作。 先前的研究大多數(shù)算法的實(shí)時(shí)性的單啟發(fā)式搜索使用固定的搜索深度,還有一些顯著的例外。拉塞爾。與Wefald估計(jì)(1991)提出的價(jià)值搜索離線/聯(lián)機(jī)。他們估計(jì)有多大可能追加搜索是改變一個(gè)行動(dòng)的估計(jì)值。錯(cuò)誤在這樣的估計(jì),metalevel所帶來的開銷控制導(dǎo)致小收益組合拼圖。觀察到LRTA * style算法傾向?qū)Ρ焕г诰植孔钚〉膯l(fā)式功能,被稱為“啟發(fā)式洼地”。被提議的救濟(jì)把有限的* * *在啟發(fā)式搜索抑郁癥檢測結(jié)果,然后用A *搜索到嗎正確的抑郁癥。一個(gè)廣義的定義在使用啟發(fā)式凹陷Bulitko(2004)表示為擴(kuò)大搜索地平線增量到搜索發(fā)現(xiàn)一條出路。之后，所有的行動(dòng)通往發(fā)現(xiàn)邊境國家執(zhí)行。在你的搜索地平線上的深度是由用戶。在我們的方法,我們只有一個(gè)單一的行動(dòng)向國境而不使用兩種特性,回溯被證實(shí)能改善實(shí)時(shí)搜索(Sigmundarson具有。此外，在patterndatabase方法我們開關(guān)中期目標(biāo)時(shí),發(fā)現(xiàn)自己在一個(gè)深劑啟發(fā)式抑郁。這個(gè)主意的模式進(jìn)行數(shù)據(jù)庫的啟發(fā)式值進(jìn)行實(shí)時(shí)的路徑最近提議被ˇstrek amp。 Bulitko(2006)。本文在幾個(gè)方向擴(kuò)展工作:(1)中,我們介紹了觀念的中期目標(biāo),(2)我們提出一個(gè)可供選擇的途徑這并不需要mapspecific預(yù)先計(jì)算,(3)在fixedply優(yōu)越性進(jìn)行搜尋大型計(jì)算機(jī)游戲地圖。有悠久的傳統(tǒng)搜索控制在雙人作戰(zhàn)搜索。semidynamically分配問題的時(shí)間　在雙人作戰(zhàn)行動(dòng)的決定每個(gè)搜索引擎是有點(diǎn)相似這里的深度進(jìn)行選擇。總體規(guī)劃的適用性到目前為止,我們已經(jīng)評(píng)估方法進(jìn)行了實(shí)證分析只在我們路徑。然而,它也提供給更多的利益范圍的規(guī)劃問題。核心的啟發(fā)式搜索算法本文LRTA擴(kuò)展(*)以前申請(qǐng)對(duì)總體規(guī)劃(邦涅,Loerincs,amp。Geffner 1997年)。我們引進(jìn)的延伸可能有一定的效果以類似的方式BLRTA如何加以改進(jìn)。*擴(kuò)展ASP規(guī)劃師的性能。Subgoal選擇長期研究計(jì)劃的核心部分,是我們的intermediategoal patterndatabase方法。決策樹搜索深度選擇從樣品針尖誘導(dǎo)通過空間和升級(jí)到總體規(guī)劃問題。唯一的一部分,我們的方法,需要問題是解決眾多地面預(yù)先最優(yōu)搜索深度的方法模式數(shù)據(jù)庫。我們推測,這個(gè)方法仍將是有效的最優(yōu)搜索深度的計(jì)算基于最優(yōu)一個(gè)?行動(dòng),是解決一個(gè)輕松的規(guī)劃問題并使用所產(chǎn)生的行動(dòng)來代替一個(gè)?。推導(dǎo)解決問題的啟發(fā)式指導(dǎo)放松是很常見的雙方策劃、啟發(fā)式搜索的社區(qū)。結(jié)論和未來的工作自從Korf開創(chuàng)性的工作,大部分LRTA實(shí)時(shí)搜索使用一個(gè)固定的搜索深度算法是手動(dòng)調(diào)整一個(gè)應(yīng)用程序。再者,啟發(fā)式功能通常計(jì)算與代理商的全球目標(biāo)。在本文中,我們展示了選擇的搜索深度和代理商的目標(biāo)為每個(gè)行動(dòng)的動(dòng)態(tài)實(shí)質(zhì)性好處,導(dǎo)致性能改進(jìn)這是與所提供的是什么先進(jìn)的實(shí)時(shí)算法。例如,在地圖上以25萬的狀態(tài),patterndatabase LRTA *一個(gè)數(shù)量級(jí)速度比標(biāo)準(zhǔn)的版本相同的解的質(zhì)量。另外,出于同樣的意思每個(gè)動(dòng)作的計(jì)算量,動(dòng)態(tài)控制四次短的解決方案。這是由preputing一個(gè)模式中大約62萬的價(jià)值觀在50分鐘。我們目前的研究重點(diǎn)是合并本文介紹到其他stateoftheart這里方法(例如。賣方應(yīng)按照公關(guān),。兩起著重要的作用作為我們的實(shí)驗(yàn)證明。我們還計(jì)劃去試驗(yàn)本算法在動(dòng)態(tài)環(huán)境下的障礙。該項(xiàng)目為未來幾個(gè)有趣的開放研究。特別是,我們定義了空間的算法以下三個(gè)層面:搜索深度(固定相對(duì)動(dòng)態(tài)),目標(biāo)(全球?qū)θ蚣爸虚g體對(duì)中間),選擇機(jī)制(模式的數(shù)據(jù)庫與machinelearned分類器)。只有四個(gè)出來的結(jié)果探討了十二個(gè)組合問題進(jìn)行了闡述。它會(huì)感興趣的探索。 鳴謝本研究得到了由國立科學(xué)和工程研究委員會(huì)(NSERC)；亞伯達(dá)省的情報(bào)學(xué)研究的圓圈(iCORE斯洛文尼亞部)；高等教育的大發(fā)展,科學(xué)和技術(shù)的研究中心,冰島(RANN)；并且通過者是瑪麗居里的歐洲人社區(qū)計(jì)劃下的時(shí)代MIRGCT2005 017284合同號(hào)。我們欣賞匿名評(píng)論者的輸入。特別感謝內(nèi)森斯特地溫特對(duì)他的發(fā)展和支持。 參考文獻(xiàn)Bonet, B., and Geffner, H. 2001. Planning as heuristic Intelligence 129(1–2):5–33.Bonet, B., and Geffner, H. 2006. Learning depthfirst search:A unified approach to heuristic search in deterministic and nondeterministicsettings, and its application to MDPs. In ICAPS’06,142–151.Bonet, B.。 Loerincs, G.。 and Geffner, H. 1997. A fast and robustaction selection mechanism for planning. In Proceedings of theNational Conference on Artificial Intelligence (AAAI), 714–719.Providence, Rhode Island: AAAI Press / MIT Press.Botea, A.。 M168。uller, M.。 and Schaeffer, J. 2004. Near optimalhierarchical pathfinding. J. of Game Development 1(1):7–28.Bulitko, V.。 Li, L.。 Greiner, R.。 and Levner, I. 2003. Lookaheadpathologies for single agent search. In IJCAI, 1531–1533.Bulitko, V.。 Sturtevant, N.。 and Kazakevich, M. 2005. Speedingup learning in realtime search via automatic state abstraction. InAAAI, 1349 – 1354.Bulitko, V. 2004. Learning for adaptive realtime search. TechnicalReport : // arxiv. org / abs / / 0407016, ComputerScience Research Repository (CoRR).Culberson, J., and Schaeffer, J. 1998. Pattern Databases. ComputationalIntelligence 14(3):318–334.Hoffmann, J. 2000. A heuristic for domain independent planningand its use in an enforced hillclimbing algorithm. In Proceedingsof the 12th International Symposium on Methodologies for Intelligent Systems (ISMIS), 216–227.Ishida, T. 1992. Moving target search with intelligence. In NationalConference on Artificial Intelligence (AAAI), 525–532.Kitano, H.。 Tadokoro, S.。 Noda, I.。 Matsubara, H.。 Takahashi, T.。Shinjou, A.。 and Shimada, S. 1999. Robocup rescue: Search andrescue in largescale disasters as a domain for autonomous agentsresearch. In Man, Systems, and Cybernetics, 739 – 743.Koenig, S.。 Furcy, D.。 and Bauer, C. 2002. Heuristic searchbasedreplanning. In Proceedings of the International Conference onArtificial Intelligence Planning and Scheduling (AIPS), 294–301.Koenig, S. 2004. A parison of fast search methods for realtimesituated agents. In Proceedings of Int. Joint Conf. on AutonomousAgents and Multiagent Systems, 864 – 871.Korf, R. 1985. Depthfirst iterative deepening : An optimal admissibletree search. Artificial Intelligence 27(3):97–109.Korf, R. 1990. Realtime heuristic search. AIJ 42(23):189–211.Likhachev, M., and Koenig, S. 2005. A generalized frameworkfor lifelong planning A*. In Proc. of the International Conferenceon Automated Planning and Scheduling (ICAPS), 99–, M.。 Ferguson, D.。