[论文解读] Duality in STRIPS planning

Martin Suda|arXiv (Cornell University)|Apr 3, 2013

AI-based Problem Solving and Planning参考文献 10被引用 3

一句话总结

本文提出了一种 STRIPS 规划中的对偶映射，通过交换初始状态与目标状态、互补化两者，并将每个动作的先决条件与删除列表互换，将任意规划任务转换为其对偶形式。该对偶性证明了在对偶任务上的推进等价于在原任务上的回溯，从而在前向与后向搜索方法之间建立了理论与实践上的对应关系。对偶化的 IPC 基准测试表明，现代规划器在这些对偶实例上表现显著更差，但也为特定领域中的算法改进提供了机会。

ABSTRACT

We describe a duality mapping between STRIPS planning tasks. By exchanging the initial and goal conditions, taking their respective complements, and swapping for every action its precondition and delete list, one obtains for every STRIPS task its dual version, which has a solution if and only if the original does. This is proved by showing that the described transformation essentially turns progression (forward search) into regression (backward search) and vice versa. The duality sheds new light on STRIPS planning by allowing a transfer of ideas from one search approach to the other. It can be used to construct new algorithms from old ones, or (equivalently) to obtain new benchmarks from existing ones. Experiments show that the dual versions of IPC benchmarks are in general quite difficult for modern planners. This may be seen as a new challenge. On the other hand, the cases where the dual versions are easier to solve demonstrate that the duality can also be made useful in practice.

研究动机与目标

• 建立 STRIPS 规划任务之间的正式对偶映射，以保持可解性。
• 证明在对偶任务上的推进等价于在原任务上的回溯，揭示前向与后向搜索之间深层的对称性。
• 探讨对偶性的理论影响，例如对相关性与松弛启发式等关键规划概念的对偶形式。
• 通过在现代规划器上测试对偶化的 IPC 基准，评估对偶性的实际影响。
• 展示如何利用对偶性设计改进的规划器，通过适配现有算法以利用对偶结构。

提出的方法

• 定义一种对偶映射，通过交换初始与目标条件、互补化两者，并将每个动作的先决条件与删除列表互换，来转换 STRIPS 任务。
• 通过证明在对偶任务上的推进对应于在原任务上的回溯，证明原任务存在解当且仅当对偶任务存在解。
• 利用对偶性推导出规划概念的对偶形式，例如删除松弛启发式的对偶形式。
• 实现 FF 规划器的对偶版本（FF-DUAL），以在对偶化的 IPC 基准上评估性能。
• 分析对偶化领域中启发式值与搜索行为，以理解原规划器与对偶规划器之间的性能差异。
• 利用对偶性对规划器进行改造，以在对偶基准上获得更好性能，证明其实际效用。

实验结果

研究问题

• RQ1 是否存在 STRIPS 规划任务之间的正式对偶性，使得在对偶任务上的推进等价于在原任务上的回溯？
• RQ2 这种对偶性对相关性与松弛启发式等规划概念有何理论影响？
• RQ3 对偶化的标准 IPC 基准与原始基准相比，对现代规划器而言难度如何？
• RQ4 能否利用对偶性来提升特定领域中规划器的性能？
• RQ5 基准中何种结构不对称性解释了为何对偶版本通常更难求解？

主要发现

• 对偶化的 IPC 基准通常比原始基准难得多，现代规划器如 FF 在对偶实例上经常超时。
• 在三个领域——PSR、Woodworking 和 Floortile 中，FF-DUAL 表现优于原始 FF，独立解决了更多问题，尤其在 PSR 领域因启发式估计更具信息量，在 Floortile 领域因对目标分解处理更优。
• 删除松弛启发式的对偶形式存在，且在某些领域（如 PSR）中可能更具信息量，例如 FF-DUAL 的初始启发式值始终高于 FF。
• 在大多数领域中，FF-DUAL 的初始启发式值显著低于 FF，解释了其普遍效率低下，但这也表明对偶基准暴露了标准启发式设计的弱点。
• 对偶性使得新算法的构建成为可能；例如，对 FF 的简单对偶化修改显著提升了特定领域的性能，证明了其实际效用。
• 对偶性揭示了前向与后向搜索之间的性能差异源于基准的不对称性，而非两种范式本身存在本质差异。