利纳·哈提卜;莫里斯,保罗;罗伯特·莫里斯;弗朗西丝卡·罗西;亚历山德罗·斯佩尔杜蒂;维纳布尔,K.布伦特 解决和学习一类易于处理的软时间约束:理论和实验结果。 (英语) Zbl 1143.68545号 AI通讯。 20,第3期,181-209(2007). 总结:我们通常需要在事件随时间发生且偏好与事件距离和持续时间相关的场景中工作。软时间约束允许人们以自然的方式描述此类场景中出现的问题。一般来说,在最坏的情况下,解决软时间问题需要指数时间,但有一些有趣的问题子类是多项式可解的。在本文中,我们识别了这样一个子类,即具有半凸偏好函数的简单模糊时间问题,并给出了可处理性结果。此外,我们描述了这类软时间问题的两个求解器,并给出了一些实验结果。还描述了用于构建执行测试的问题的随机生成器。我们还比较了这两个解算器,强调了性能和鲁棒性之间的权衡。然而,有时时间-局部偏好很难设置,相反,将偏好与问题的一些完整解决方案关联起来可能会更容易。为了仅通过局部偏好以统一的方式建模所有内容,并利用现有的仅利用局部偏好的约束求解器,我们表明机器学习技术在这方面是有用的。特别地,我们提出了一个基于梯度下降技术的学习模块,该技术从全局时间偏好中诱导出局部时间偏好。我们还展示了学习模块在随机生成的示例上的行为。 引用于5文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 68T20型 人工智能背景下的问题解决(启发式、搜索策略等) 关键词:行程安排;学习约束 PDF格式BibTeX公司 XML格式引用 \textit{L.Khatib}等人,AI Commun。20,第3号,181--209(2007;Zbl 1143.68545)