26、规划模型对比与风险敏感在线规划

规划模型对比与风险敏感在线规划

在规划领域，不同的模型和算法有着各自的特点和适用场景。下面将介绍PDDL相关模型的对比情况，以及一种风险敏感在线规划算法。

PDDL模型对比

有PDDLg、PDDLh1、PDDLh2和PDDLh3这几种模型，它们在约束和领域知识的复杂度上逐渐增加。PDDLh3过度拟合，仅能解释“布朗尼”实验中的序列。以下是它们的详细对比：
| 指标 | PDDLg | PDDLh1 | PDDLh2 | PDDLh3 |
| — | — | — | — | — |
| 操作符 | 421 | 1854 | 1461 | 257 |
| 谓词 | 10 | 1853 | 424 | 48 |
| 函数 | 329 | 0 | 0 | 41 |
| 最小/平均/最大分支因子 | 1/231.19/421 | 1848/1848/1854 | 82/117.28/290 | 5/30.82/55 |
| 状态（深度5） | 10000227 | 10000162 | 10000009 | 1785896 |

从表格数据可以看出，约束和上下文知识越复杂，模型越具体，搜索空间复杂度越低。在操作符和谓词方面，PDDLg与过度拟合的PDDLh3表现更相似，PDDLg的操作符比PDDLh3多1.6倍。PDDLg的分支因子是PDDLh2的两倍，但仍比PDDLh1小8倍。这表明该模型与未编码隐式常识知识或系统设计者用于减少模型状态空间知识的手工模型具有可比性。

风险敏感在线规划

在很多实际场景中，风险感知规划至关重要，比如涉及昂贵硬件的任务。然而，现有的很多方法适用于离散