📄 中文摘要
经典规划问题通常使用提升的第一阶表示来定义,这种表示方式具有紧凑性和普遍性。大多数规划器通过对这些表示进行基础化来简化推理,但这可能导致规模呈指数级膨胀。最近的研究直接在提升层面上操作,以避免完全基础化。提出了一种介于完全提升和完全基础化之间的中间方法,通过引入三种SAT编码,保持动作的提升性,同时部分基础化谓词。与之前的SAT编码相比,该方法在计划长度上呈线性扩展,显著提高了对较长计划的性能。实证结果表明,最佳编码在长度最优规划中超越了当前的最先进技术。
Powered by Cloudflare Workers + Payload CMS + Claude 3.5
数据源: OpenAI, Google AI, DeepMind, AWS ML Blog, HuggingFace 等