两篇新研究论文介绍了学习AI规划和搜索中可接受启发式方法的创新途径。第一篇论文提出了一个利用拉格朗日对偶等价和图神经网络推断成本划分的框架，保证了可接受性。第二篇论文专注于组合搜索问题，开发了一种具有低估贝尔曼算子和事后校准的深度强化学习方法，以确保启发式方法从不过度估计成本。 AI
影响 这些方法可以提高AI规划和搜索算法在复杂问题上的效率和最优性。
排序理由 两篇在arXiv上发表的学术论文，提出了学习AI中可接受启发式方法的创新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.04597v1 Announce Type: new Abstract: Admissible heuristics are essential for optimal planning, yet learning them remains challenging due to the risk of overestimation. Cost partitioning combines multiple abstraction heuristics while preserving admissibility, but comput…
arXiv:2606.04860v1 Announce Type: cross Abstract: Finding optimal solution paths for combinatorial puzzles like the Rubik's Cube, sliding tile puzzles, and Lights Out remains a classical challenge in artificial intelligence. Heuristic search algorithms, such as A* , guarantee pat…