إن التخطيط تحت عدم اليقين في البيئات المستمرة يعد من العوامل الأساسية للأنظمة الذاتية، ولكنه يحتاج إلى جهد حسابي كبير. تعد الأساليب القائمة على الشجرة مثل بحث مونت كارلو الشجري (Monte Carlo Tree Search - MCTS) من الطرق الشائعة، لكن هيكلها المتفرع قد يتطلب ميزانيات عينات تتزايد بشكل أُسّي مع عمق التوقع في أسوأ الحالات.

يصبح التخطيط في المساحات المستمرة للولايات أو الأفعال تحديًا خاصًا، نظرًا لأن المخطط يجب أن يقرر مكان البحث في تسلسل متفرع لا نهائي. ولتجاوز هذه القيود، نقترح خوارزمية Graph Sparse Sampling (GSS)، وهي خوارزمية تخطيط عبر الإنترنت تشارك العينات المستقبلية بين العديد من قرارات المرشحين، بدلاً من عينة الخلفاء المنفصلة لكل إجراء مرشح.

تتيح هذه الخوارزمية، التي تعتمد على رسم بياني خالي من التفرع، استخدام دفعات كبيرة صديقة لوحدات المعالجة الرسومية، بينما تستخدم الخوارزمية تقنيات توجيه الحسابات. وقد أثبتنا ضمانات أداء بعينات محدودة لخوارزمية GSS التي تغطي المولدات ذات الرتبة الكاملة أو المنخفضة عبر النسخ المتحركة، جنبًا إلى جنب مع مساحات الأفعال المتقطعة أو الم sampled. تعتمد هذه الحدود بدورها على ظروف الشمول، والانتظام، وتغطية الأفعال.

من خلال تنفيذ محاكاة تحكم مستمرة، أثبتت GSS تفوقها بشكل ملحوظ على المخططات المعتمدة على الشجرة في الآفاق الطويلة أو حققت أداءً قريبًا من الأمثل، مما يدعم التخطيط بدون تفرع كخطوة تصميم مكملة للتحكم عبر الإنترنت.

هل تعتقد أن هذه الخوارزمية ستحدث ثورة في عمليات التخطيط الذكي؟ شاركونا آراءكم في التعليقات!