【正文】 是實質(zhì)性的,甚至更高的抽象水平。比如,一個數(shù)據(jù)庫抽象的圖案與中期目標進行類似于一個較大的水平2中混合全球/中期目標。兩者都是擴大數(shù)量級較少的美國固定LRTA深度的一個類似的位?！　“幢壤黾?。最近發(fā)布的即時戰(zhàn)略游戲使用甚至更大的地圖比以前在上面的實驗。,我們的方法找出如何對這樣的大尺度映射,我們爬到地圖512512細胞(啟動和目標相應位置漸行漸遠。結(jié)果如圖7(的錯誤)的標準。我們使用了相同的設(shè)置在先前的實驗除了適應更大的地圖尺寸,我們增加了帽子20 ~ 30和水平的抽象到4至7個月。7到10折疊的地圖尺寸增加導致更少最優(yōu)解搜索深度為相同。這個分類10個或更少的深度fixeddepth還是好的LRTA *。同樣,patterndatabase整體目標的途徑優(yōu)于修正策略的抽象級別。中級目標版本并不受圖縮放由于當?shù)氐哪繕?。它還顯示出強大的優(yōu)勢在所有其它途徑。即使在盡可能高的抽象六、擴大水平,少一個數(shù)量級超過一個固定的戰(zhàn)略的一個類似的位。這個數(shù)目擴充每行動是machineindependent測量。它也是公平的比較不同的因為動態(tài)選擇方案的方法在運行時間開銷強加微不足道。在條款實際的時間尺度、搜索擴大150 200狀態(tài)移動,這是一個典型的平均為我們的方法,以在一個毫秒。數(shù)據(jù)庫建設(shè)模式。這個模式的數(shù)據(jù)庫方法用中期目標的最好的表演權(quán)衡的位與計算每個動作。這是通過建設(shè)模式數(shù)據(jù)庫包含了搜索深度d和中級目標sg所有成對的抽象的狀態(tài)。表2所示的交易參與。對于每個抽象層次的1 7沒有抽象(0),我們名單上的圖案大小的數(shù)據(jù)庫(在這個號碼(d)條目,首鋼建設(shè)貯存時間),而產(chǎn)生的LRTA *(位每個動作和擴展。抽象級別0至2一件非常昂貴,他們的研究結(jié)果進行了估算。最后,而不是像我們的基地LRTA算法,我們可以利用等。實驗表明,那里沒有顯著差異,表演嗎一個搜索深度的超越。確實,更深的搜查了可能有多種行動與同等低克+ 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)過反復試驗,學習的代理人。先進的算法進行了對比。在新型合作醫(yī)療我們調(diào)查了表演所得鐵皮動態(tài)控制提供了實時搜索。這是最好的測試在LRTA * 最基本的實時搜索算法,和一個核心的絕大多數(shù)現(xiàn)代的算法?！　∵@里我們看看我們的dynamiccontrol LRTA *攻擊目前最先進的方式。圖8還包括地塊最近的三個實時算法,Koenig的LRTA *(Koenig2004年)、公關(guān)、Sturtevant應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)對每一個算法,建立約束強加的節(jié)點數(shù)量擴張錐最壞每步則不會超過1000個節(jié)點的節(jié)點數(shù)近似這一優(yōu)化實施本算法能擴展的時間可以用來計劃作用于視頻游戲。所有的參數(shù)設(shè)置,違反這種約束被排除在圖。圖8:Dynamiccontrol LRTA *與先進的算法。abstractionbased前方的一部分,凸顯了方法據(jù)PDB和intermediategoal應使用抽象層次。這兩種方法都應采用γ公關(guān)及深度0 = 5(從上到下)。幸存下來的算法,兩個明顯支配他人。我們的新patterndatabase打交道的中間體目標和公關(guān)應使用狀態(tài)(抽象)。處于最佳狀態(tài)參數(shù)設(shè)置、公關(guān)應與抽象層次的4個,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)應搜索稍少的節(jié)點。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方法一個新的競爭力的先進的家庭實時搜索算法。而且,當公關(guān)應跑LRTA *在抽象的狀態(tài)空間,可配置我們的動態(tài)控制方案,并且有可能實現(xiàn)更好的性能。這是正在進行的工作。 先前的研究大多數(shù)算法的實時性的單啟發(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(1991)提出的價值搜索離線/聯(lián)機。他們估計有多大可能追加搜索是改變一個行動的估計值。錯誤在這樣的估計,metalevel所帶來的開銷控制導致小收益組合拼圖。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。一個廣義的定義在使用啟發(fā)式凹陷Bulitko(2004)表示為擴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,我們只有一個單一的行動向國境而不使用兩種特性,回溯被證實能改善實時搜索(Sigmundarson具有。此外，在patterndatabase方法我們開關(guān)中期目標時,發(fā)現(xiàn)自己在一個深劑啟發(fā)式抑郁。這個主意的模式進行數(shù)據(jù)庫的啟發(fā)式值進行實時的路徑最近提議被ˇstrek amp。 Bulitko(2006)。本文在幾個方向擴展工作:(1)中,我們介紹了觀念的中期目標,(2)我們提出一個可供選擇的途徑這并不需要mapspecific預先計算,(3)在fixedply優(yōu)越性進行搜尋大型計算機游戲地圖。有悠久的傳統(tǒng)搜索控制在雙人作戰(zhàn)搜索。semidynamically分配問題的時間　在雙人作戰(zhàn)行動的決定每個搜索引擎是有點相似這里的深度進行選擇?？傮w規(guī)劃的適用性到目前為止,我們已經(jīng)評估方法進行了實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擴展(*)以前申請對總體規(guī)劃(邦涅,Loerincs,amp。Geffner 1997年)。我們引進的延伸可能有一定的效果以類似的方式BLRTA如何加以改進。*擴展ASP規(guī)劃師的性能。Subgoal選擇長期研究計劃的核心部分,是我們的intermediategoal patterndatabase方法。決策樹搜索深度選擇從樣品針尖誘導通過空間和升級到總體規(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先最優(yōu)搜索深度的方法模式數(shù)據(jù)庫。我們推測,這個方法仍將是有效的最優(yōu)搜索深度的計算基于最優(yōu)一個?行動,是解決一個輕松的規(guī)劃問題并使用所產(chǎn)生的行動來代替一個?。推導解決問題的啟發(fā)式指導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實時搜索使用一個固定的搜索深度算法是手動調(diào)整一個應用程序。再者,啟發(fā)式功能通常計算與代理商的全球目標。在本文中,我們展示了選擇的搜索深度和代理商的目標為每個行動的動態(tài)實質(zhì)性好處,導致性能改進這是與所提供的是什么先進的實時算法。例如,在地圖上以25萬的狀態(tài),patterndatabase LRTA *一個數(shù)量級速度比標準的版本相同的解的質(zhì)量。另外,出于同樣的意思每個動作的計算量,動態(tài)控制四次短的解決方案。這是由preputing一個模式中大約62萬的價值觀在50分鐘。我們目前的研究重點是合并本文介紹到其他stateoftheart這里方法(例如。賣方應按照公關(guān),。兩起著重要的作用作為我們的實驗證明。我們還計劃去試驗本算法在動態(tài)環(huán)境下的障礙。該項目為未來幾個有趣的開放研究。特別是,我們定義了空間的算法以下三個層面:搜索深度(固定相對動態(tài)),目標(全球?qū)θ蚣爸虚g體對中間),選擇機制(模式的數(shù)據(jù)庫與machinelearned分類器)。只有四個出來的結(jié)果探討了十二個組合問題進行了闡述。它會感興趣的探索。 鳴謝本研究得到了由國立科學和工程研究委員會(NSERC)；亞伯達省的情報學研究的圓圈(iCORE斯洛文尼亞部)；高等教育的大發(fā)展,科學和技術(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)計劃下的時代MIRGCT2005 017284合同號。我們欣賞匿名評論者的輸入。特別感謝內(nèi)森斯特地溫特對他的發(fā)展和支持。 參考文獻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.。