17、规划任务求解：从理论到实践

规划任务求解：从理论到实践

规划问题的近似求解与性能差异

在众多 IPC 领域中，除了 Blocksworld、类似 Blocksworld 的 Depots 领域以及 Promela 变体之外，通过使用 Hoffmann 的强制爬山算法，并以未满足目标的数量作为启发式估计器，能够获得多项式时间的常数因子近似解。这一发现很好地解释了为何基于局部搜索的规划系统（如 FF 或 LPG）常常能显著优于像 SATPLAN 这样更具系统性的搜索算法。局部搜索规划系统能够凭借这种近似求解的方式，更高效地找到接近最优的解决方案，而系统性搜索算法可能在搜索空间的遍历上花费过多时间。

进一步探索规划基准

为了更好地理解规划基准，还需要完成至少两个步骤：
1. 确定相变区域 ：了解真正困难的任务所在位置，这有助于我们聚焦于更具挑战性的问题，从而有针对性地进行算法优化和改进。
2. 提供最优求解器 ：拥有依赖于特定领域的最优求解器，能够更实际地评估非最优规划器的解决方案质量，为算法的性能评估提供更准确的参考。

分层解决规划任务的实例分析

以一个典型的运输规划任务为例，邮政服务需要使用车辆车队将多个包裹送到各自的目的地。假设汽车服务于一个城市内的所有地点，不同城市通过高速公路连接，由卡车负责运输。并且假设每条道路或高速公路段的行驶成本相同。

例如，在图 8.1 所示的任务中，有两个城市、三辆汽车和一辆卡车，需要运送两个包裹。其中一个包裹 p1 需要在两个城市之间移动，另一个包裹 p2 可以在其初始城市内完成配送。

人类规划