[论文解读] Theory and Algorithms for Partial Order Based Reduction in Planning

You Xu, Yixin Chen+2 more|arXiv (Cornell University)|Jun 27, 2011

AI-based Problem Solving and Planning被引用 7

一句话总结

本文提出了一种新颖的理论框架，用于人工智能规划中的部分顺序缩减（POR），其基础是模型检测中的顽固集理论。该文引入了一种更强的POR算法SAC，通过在更细粒度上利用动作之间的左交换性，显著减少了搜索空间，并在多个规划领域中相比先前方法提升了效率。

ABSTRACT

Search is a major technique for planning. It amounts to exploring a state space of planning domains typically modeled as a directed graph. However, prohibitively large sizes of the search space make search expensive. Developing better heuristic functions has been the main technique for improving search efficiency. Nevertheless, recent studies have shown that improving heuristics alone has certain fundamental limits on improving search efficiency. Recently, a new direction of research called partial order based reduction (POR) has been proposed as an alternative to improving heuristics. POR has shown promise in speeding up searches. POR has been extensively studied in model checking research and is a key enabling technique for scalability of model checking systems. Although the POR theory has been extensively studied in model checking, it has never been developed systematically for planning before. In addition, the conditions for POR in the model checking theory are abstract and not directly applicable in planning. Previous works on POR algorithms for planning did not establish the connection between these algorithms and existing theory in model checking. In this paper, we develop a theory for POR in planning. The new theory we develop connects the stubborn set theory in model checking and POR methods in planning. We show that previous POR algorithms in planning can be explained by the new theory. Based on the new theory, we propose a new, stronger POR algorithm. Experimental results on various planning domains show further search cost reduction using the new algorithm.

研究动机与目标

• 建立人工智能规划中部分顺序缩减（POR）的系统性理论基础，类似于模型检测中已充分发展的顽固集理论。
• 阐明模型检测中的POR方法与现有规划中POR算法之间的关系，这些关系此前缺乏理论基础。
• 通过分析动作依赖关系与交换性结构，识别规划中POR的充分条件。
• 开发一种新型、更强大的POR算法，其在缩减强度与搜索成本方面优于现有方法。

提出的方法

• 通过将模型检测中的顽固集理论适配到经典规划中使用的SAS+形式化，提出一种用于规划中POR的新理论框架。
• 基于动作的先决条件与效果，定义了一种新的动作之间‘左交换性’概念，从而实现对动作独立性的更细粒度分析。
• 基于左交换性与动作支持图，推导出识别顽固集（即在搜索过程中可安全剪枝的动作集合）的充分条件。
• 提出SAC（更强动作交换性）算法，通过更精细的左交换性检查，识别出更大且更有效的顽固集。
• 将该理论应用于解释并统一规划中两种现有的POR算法，为其行为提供共同的理论基础。
• 在标准规划领域进行实验评估，将SAC与先前的POR方法（如EC）进行比较，测量节点缩减量与搜索成本。

实验结果

研究问题

• RQ1 如何将模型检测中已确立的顽固集理论适配并应用于人工智能规划领域？
• RQ2 在规划中，确保搜索过程中安全剪枝动作的POR充分条件是什么？
• RQ3 不同规划中的POR算法在缩减能力上如何比较，其差异的结构性特征是什么？
• RQ4 能否通过细化动作独立性的标准，特别是通过更细粒度的动作交换性分析，设计出更强的POR算法？
• RQ5 新POR算法对不同规划领域中的搜索成本与可扩展性有何影响？

主要发现

• 所提出的理论框架成功地将现有规划中的POR算法统一于源自顽固集理论的共同基础之上。
• 新提出的SAC算法通过利用更细粒度的左交换性标准，相比先前的POR方法（包括EC算法）实现了显著更强的搜索空间缩减。
• 实验结果表明，SAC在最优与非最优规划设置下，均比EC更有效地减少了探索的节点数。
• 该改进在多个基准领域中保持一致，证明了新方法在实际可扩展性与效率方面的优势。
• POR在具有方向性动作依赖关系与稀疏交互图的问题中最为有效，而在高度连通的领域（如15数码难题）中则无效。
• 本研究证实，POR与启发式设计是正交的，可与抽象、地标识别、对称性检测等其他技术结合，以获得进一步增益。