规划的形式表示技术研究

智能规划是人工智能研究领域中的一个富有挑战性的课题.同时,智能规划问题具有广泛的实际应用背景.而自动规划问题面临的首要问题是规划问题的形式表示问题.本文系统地分析了情景演算,STRIPS,PDDL,HTN等各种规划形式表示技术,比较了各种形式表示技术的优缺点,并指出了进一步研究设计高效智能规划系统的方向.     

领域信息提取的缩规划图算法

传统的图规划技术在处理规模较大的智能规划问题时,由于计算量的递增爆炸,导致算法在规划问题上容易出现效率瓶颈。对图规划技术进行了一些改进：（1）加入领域信息的动态提取和使用;（2）提出了缩规划图的概念和算法,通过引入基于领域信息的启发式函数,对不同的扩展分支进行优选排序,剪除一些执行希望小甚至不合理的扩展分支,从而提高了系统执行效率。实验表明该策略是有效的。     

基于规划图的过程活动流规划算法

软件过程的智能控制及其计算技术是近年来出现的新兴研究方向,对软件过程的发展有着重要的影响。基于规划图方法设计了一种软件过程规划系统,能对过程活动的安排做出自动规划。有序化地规划和安排过程活动将会减少执行过程活动的盲目性,提高管理者在执行每个软件活动时的全局意识。系统的实例实验表明,软件过程规划系统可以使软件开发始终处于有序的过程控制之中,并最终取得既定目标。     

HTN规划及其复杂度分析

为了克服经典状态空间规划中的状态空间的指数爆炸问题,研究者们提出了分层任务网络规划（HTN）技术。给出了HTN规划的形式表示,并给出了其操作语义,在此基础上讨论了HTN规划的复杂性,指出了HTN规划技术的优缺点所在。     

领域知识优化的蚁群规划算法

在智能规划领域的传统图规划算法中,规划解的提取是从规划图的最后一层不断向前提取。提取过程中要不断进行大量状态互斥判断。提取过程中一旦发生失败就要回溯,即使再遇到相同的互斥情形也要重新计算,大量判断互斥的计算被带入主循环搜索过程,极大地影响了搜索效率。将领域知识通过禁忌连接集的形式加入蚁群规划算法中,相邻动作层的很多互斥信息通过禁忌连接集只需计算一次,不带入主循环计算中,可以较好地提升算法的执行效率,实例分析表明这一策略是有效的。     

面向结构的基于学习的规划方法

近年来,规划中的学习问题重新受到了关注.如何通过学习机制改善现有规划器,使其能够可靠而令人信服地超越现有非学习的规划器的能力,仍然是一个尚未解决的难题.提出了面向规划问题和解的结构的基于学习的规划技术.该方法将先验知识表示成“子问题-规划片段”的形式.每次规划器成功找到解以后,根据问题的初始状态和目标状态,构造规划对象的初始子状态和目标子状态,构成子问题,并从规划解中抽取该子问题对应的规划片段.这些先验知识将被唯一记录并保存成先验知识库.新问题的求解首先从先验知识库中检索与当前求解问题相关的先验知识;然后,将这些先验知识经过例化、合并步骤后编码成句子;最后,将这些句子连同问题编码得到的句子作为SAT 求解器的输入,实现最终解的确定.实验使用了IPC 中的基准测试例子进行测试.实验结果表明,SOLP 算法求解速度与传统非学习的规划器相比具有明显优势,最佳情况下可达约80%的效率提升.     

色彩管理的体系机理与模型分析

彩色图像在不同I／O设备中的色彩表达基于不同色域机制,即使基于相同色域的不同设备常常又有较大的特性差异,因此在不同图像设备和系统平台间提供高品质的色彩再现一直困扰着工业界。该文对目前各种色彩管理体系机理及模型进行了系统的分析,评价和总结,对典型方法分析归纳了主要思想和机理。对研究和应用现状进行了系统总结。最后通过对目前存在问题的分析,指出今后研究出路及应用趋势。     

基于学习的规划技术研究

经过近十多年的努力,现代智能规划器无论是效率还是处理能力均得到了极大提高。鉴于现有规划理论的局限性,进一步提高现有规划技术效率已愈显困难。现有的大多数规划器均不具备学习能力,无法从先前求解经验中学习有用知识。综述了基于学习的规划技术的发展现状,然后重点介绍了规划大赛中最佳学习器所使用的学习技术,最后指出当前基于学习的规划技术研究领域中存在的主要问题。     

图像色偏的量化研究与应用

目前,国内外针对各种色彩I／O设备中图像色偏的量化的研究还比较薄弱,虽然有ICC色彩标准,但是没有一个独立于设备的图像色偏量化标准。本文试图提出一套独立于打机、印刷机等色彩设备的色偏量化体系与方法,通过该方法的应用可方便地实现不同种类的数码打样(印刷机打样,照排机打样,屏幕打样等)。随着色偏量化的深入研究与应用,业界通过主观经验进行色彩纠偏的做法将会成为历史。     

基于规划图的蚁群规划算法

图规划是智能规划领域近年来出现的一种重要规划方法,对智能规划的发展起到了很重要的推动作用,图规划算法首先扩展生成规划图,然后通过逐层组合不断回溯的穷举方式进行解提取,这种方式使解提取不仅耗时而且容易陷入局部搜索中.在规划图基础上定义了蚁群智能体,并定义了在规划图上的蚁群搜索方式,提出了蚁群规划算法,使搜索具有较好的全局性和并发性,并具备加速收敛的寻解能力.实验表明,蚁群规划算法在求解一些相对规模较大的规划问题时有更好的优越性.