Professional Documents
Culture Documents
Multiobjective Path Planning Under Dynamic Uncertain Environment
Multiobjective Path Planning Under Dynamic Uncertain Environment
4卷 第5期 计 算 机 学 报 V
ol
.3
4No.
5
2
01年5月
1 C
HI
NES
EJO
URNA
LOFCOM
PUT
ERS Ma
y2
01
1
动态不确定环境下多目标路径规划方法
魏
(
唯 欧阳丹彤 吕 帅
吉林大学计算机科学与技术学院 长春
冯)宇轩
13
00
12
吉林大学符号计算与知识工程教育部重点实验室 长春
( 13
00
1)
2
摘 要 提出一种在动态不确定环境下求解多目标问题时快速调整移动路径的方法.首先提出采用逆向多目标启
发式搜索进行全局规划,求解问题的最优路径集合;
然后提出动态多目标路径规划方法,先根据当前观测进行全局
规划,
在移动过程中探测到不一致的环境信息时,通过对先前搜索中部分信息的重用,在全局规划的基础上进行增
调整当前状态与目标状态之间的移动路径.
量重规划, 研究结果表明:采用增量重规划的求解方法通过搜索信息的
重用提高求解效率,能够有效地处理动态不确定环境下的多目标路径规划问题.
关键词 多目标路径规划;
动态不确定环境;启发式搜索;
全局规划;增量重规划
中图法分类号TP1
8 犇
犗犐号:
10.
3
72
4/S
P.
J.
10
16
.2
01
1.
00
83
6
犕
狌犾
狋
犻狅
犫
犼犲
犮狋
犻
狏犲犘
犪
狋犺犘
犾
犪狀
狀犻
狀
犵狌狀
犱犲
狉犇
狔狀
犪犿
犻犮
犝狀犮
犲
狉狋
犪犻
狀犈
狀狏
犻
狉狅
狀犿
犲狀
狋
W
EIW
ei
OU
YAN
GDa
n
To
n
gLUS
hu
ai
FE
NGY
u
Xu
an
(犆
狅犾
犾
犲犲
犵狅
犳犆狅犿
狆狌
狋犲
狉犛
犮犻
犲
狀犮
犲犪狀
犱犜犲
犮
犺狀
狅犾
狅犵
狔,犑
犻
犾犻
狀犝
狀犻
狏犲
狉
狊犻
狋,
狔犆犺
犪狀
犵犮
犺狌
狀 1
30
01
2)
(
犓犲
狔犔
犪犫
狅
狉犪
狋狅
狉
狔狅犛
犳狔犿
犫狅
犾
犻犮
犆狅犿
狆狌
狋犪
狋
犻狅
狀犪
狀犱犓狀
狅狑
犾犲
犱犲
犵犈
狀犻
犵狀
犲犲
狉
犻狀
犵狅
犳犕犻
狀犻
狊
狋狉
狔狅
犳犈犱
狌犮
犪狋
犻
狅 ,
狀犑犻
犾
犻狀犝
狀犻
狏
犲狉
狊犻
狋
狔,犆
犺犪
狀犮
犵犺
狌狀
13
0
01
2)
犃犫
狊
狋狉
犪犮
狋 Int
hi
sa
pe
pr,
am e
t
hodf
or
ad
ju
st
i
ngt
hee
xe
c
ut
in
gpa
t
hofm
ul
ti
o
be
jc
ti
ve
pat
hl
pa
n
n
in
gpr
ob
le
msun
de
rdyn
ami
cu
nc
ert
a
ine
nv
i
ro
nme
nt
si
spr
oo
ps
e
d.Th
eba
ck
wa
rdmu
l
ti
ob
je
ct
i
ve
he
u
ri
st
i
cse
ar
cha
lor
i
thm
g ppi
s r
oose
df
i
rs
tl
ywh
i
chs
ta
rt
st
he
se
ar
chr
po
ce
s
sfr
omt
heg e
o
a
lst
a
t
t
oth
es
ta
rt
sta
t
eto
so
lve
the
gi
ve
n m
ul
t
io
be
c
jt
iv
er
po
bl
em.
Th
ent
hed
yn
am
icm
ul
ti
o
be
jc
ti
ve
pa
th
l
pa
nn
in
gal
go
ri
th
mis
pro
pos
ed
.The
al
go
ri
t
hmpe
r
fo
rms
gl
ob
al
pl
an
ni
nga
c
co
rd
in
gtoi
ni
t
ia
lo
b
s
er
va
t
io
nst
o t
hes
ta
t
e s
pac
e.
In
cre
me
nt
al
rel
an
ni
n
p gp ro
ce
s
sise
pr
f
or
medi
mme
di
a
tel
ywh
en
c
ha
nge
so
fenv
i
ro
nme
nta
red
et
ec
t
eddu
r
in
gth
emo
vi
ngr
o
pc
es
s.T
her
el
a
pn
ni
ngr
po
ce
ssc
an
ex
e
c
ut
ei
nc
rem
ent
a
ll
yba
s
edonth
el
gob
al
pl
an
ni
ngr
o
pc
es
sto
re
vi
se
th
epa
thb
et
we
ena
nycu
r
re
nt
s
ta
te
an
d t
heg
oa
lst
at
eef
fi
ci
e
nt
lybr
ye
us
in
gpa
rt
so
fth
esa
ve
di
nf
or
mat
i
ono
fth
epre
v
io
us
s
ea
rc
h.Th
eex
pe
ri
me
ntre
su
lt
ss
howth
a
tth
edn
ya
mi
cmul
t
io
be
c
jt
i
vea
pt
hpl
an
ni
nga
lo
gr
i
thm
a
do
pt
in
gani
nc
re
me
nt
alr
el
pa
nn
in
gca
nso
l
vem
ul
ti
o
be
jc
ti
v
epa
th
pl
an
ni
ng
pr
ob
lem
su
nde
rdn
ya
m
i
cun
ce
r
ta
ine
nv
ir
on
men
tse
ff
i
ci
en
tl
ybr
ye
us
in
gt
hei
nf
o
rma
t
io
nof
pr
ev
io
us
se
ar
ch.
犓犲
狔狑
狅狉
犱狊 mul
t
io
be
jc
ti
vepa
t
hpla
nn
in
g;d
yn
am
icun
c
er
ta
i
nenv
i
ro
nme
n;
the
ur
is
t
ics
ea
rc
h;
l
go
ba
ll
pa
nni
ng;
i
nc
reme
n
tal
re
pl
ann
i
ng
智能研究领域的重要分支.求解路径规划问题时,如
引 言
1 果假定环境信息是静态完全可知的, 可利用一次性
的全局规划来获得一条初始状态到达目标状态的最
路径规划是智能交通、 通信网络、机器人等人工 优路径, 但很多现实情况下,对于环境信息,特别是
收稿日期:
20
09
0
6
2
8;最终修改稿收到日期:2
01
0
08
24本课题得到国家自然科学基金(
. 6
07
73
09
7,
60
87
30
44,
6
087
31
4,
86
09
73
08
9)
、符
号计算与知识工程教育部重点实验室开放基金项目(93
K
17
20
09
K
02,
9
3K
17
20
09
K
06和吉林大学研究生创新基金(
) 2
01
11
06
0资助.
)
女,
魏 唯, 1
94年生,
8 博士研究生,主要研究方向为智能规划与自动推理.
E
ma:
i
lwe
iw
e
i.
ne
nu@
ya
ho
o.
co
m.c
n欧阳丹彤,
. 女,
19
68年
教授,
生, 博士生导师,主要研究领域为基于模型的诊断与自动推理.E
m
ai
l:
oua
nda
n
yg gt
on@1
63
.c
om吕
. 帅,男,
19
81年生博
,士,讲
师,
主要研究方向为智能规划与自动推理. 男,
冯宇轩, 1
90年生,
8 博士研究生,主要研究方向为智能规划与自动推理.
5期 魏 唯等:
动态不确定环境下多目标路径规划方法 8
37
动态障碍物的信息很难具有先验知识, 实际移动过 最优性的方法, 首先根据当前观测信息采用逆向启
程中可能探测到真实情况与最初观测不同, 这时只 发式搜索方法进行全局规划, 并选择一条实际移动
能根据实时探测到的环境信息, 经过多次重规划来 路径, 移动过程中探测到不一致的环境信息时执行
获得从当前状态到达目标状态的移动路径. 很多研 局部重规划, 重规划过程对先前搜索过程中的各项
究者已提出了不确定环境以及动态障碍物环境下求 记录实时地更新, 更新后在全局规划的基础上进行
解路径规划问题的方法和策略 , [1
4]其中增量搜索是 增量式搜索, 求解当前状态与目标状态之间的最优
一种非常有效的处理方法, 对于不确定环境下的路 路径集合. 实验结果表明: 采用增量重规划的动态多
径规划问题, 能够对搜索现场所保留的信息进行有 目标路径规划方法通过搜索信息的重用与启发信息
效地重用, 从而减少工作量. 的引导提高了求解效率, 能够有效地求解一系列动
传统的路径规划只考虑单个衡量准则的优化. 态不确定环境下的多目标路径规划问题.
然而, 单个目标函数往往很难准确描述很多现实问
题中多个相互冲突的衡量准则. 路径规划问题中需 2 相关定义
要优化的目标函数超过一个并需要同时处理时, 称
为多目标路径规划. 启发式搜索方法在人工智能的 本节给出多目标路径规划问题的相关定义, 下
众多领域都有广泛应用, 其用于解决多目标路径规 述定义中, 向量表示路径的权重, 向量的维数表示需
划问题得到了相关研究者的关注. 多目标启发式搜 要优化的目标函数的个数, 每一维元素刻画一个单
索模型最早由S te
wa
rt与Whi
t
e 提出,将A算法扩 独的目标上的优化准则.
支配关系是向量之间的一
展到多个目标函数的情况, 利用启发式搜索方法很 种偏序关系.
好地处理了多目标路径规划问题[5]; D
asu
gpta等人 多目标路径规划问题可以形式化地表示为三元
在搜索过程中使用非单调的启发信息, 将多目标启 组〈 犌 ,
犛 s
t
ar,
t犛go
a
l〉其中犌
, =( 犖,犃,犮)表示状态空间
发式搜索方法应用于V L
SI设计问题 ;
[
6]
Mand
ow 图,犖为状态节点集合, 犃为弧的集合, 犮(
犿 ,
狀 )为转
等人提出了路径扩展的方法, 弥补了多目标启发式 移代价函数, 表示由状态节点犛 犿转 移 到 状 态 节 点
搜索中采用节点扩展方法的不足, 提高了求解的准 犛 狀的 狇维代价向量, 犌为无向图时, 犮 (犿 ,
狀 ) =
确性78;
[ ]
Da
su
gpt与
aH ar
ik
uma
r 等人提 出 了几 种 (,
犮狀犿 犛); st
ar
t∈ 犖为初 始 状 态 节点 ;犛 o
a
gl∈ 犖目 为
深度优先搜索方法用于解决多目标路径规划问 标状态节点.
] 设
题[6,9].目前,很多状态空间搜索规划器在求解智能 定义1 [
6. 向量犳 1和 犳2为 两个犓维向量, 称
规划问题时也考虑了多个衡量尺度的折中 . 犳 1弱 支配犳 2当 且仅当犻 ,
1 犻犓满足犳 犳 ,记
[
10
1
2]
犻
1 犻
2
多目标的引入使得问题的求解与单目标条件下 作犳 1犳 2,其中犳 犻
1和犳 犻
2表示向量 犳1和 犳 2的 第 犻个
不同, 由于各个目标之间通常都存在着冲突, 一个解 元素.
] 设
对于某个目标来说是较好的, 对于其它目标来说可 定义2 [
6 . 向量犳 1和 犳2为 两个犓维向量,
能是较差的, 这样就造成多目标路径规划问题一般 称犳 1强 支配犳 2当且仅当 犻,1犻 犓满足犳 犻
1 犳2犻
不存在唯一确定的最优路径, 而是一组无法进行相 且 犳1≠犳 2,记作犳 1犳2,其中犳 犻和
1 犳2犻表 示向量 犳1
互比较的最优路径的集合. 当移动过程中检测到变 和犳 2的 第 犻个元素.
] 对
化的环境信息时, 需要实时地重新规划出新的移动 定义3 [
6 . 于向量集合 犡 称向量狓
, ∈ 犡为非
路径, 这就要求以最快的速度计算出当前状态与目 支 配的 当 且 仅 当 /
狔
∈ 使
犡 狔得 ,
狓狀 称 狅狀犱狅犿 (犡 )=
标状态之间的最优路径集合, 因此,在动态不确定环 狓 { ∈犡 |/
狔∈ 使
犡 狔得 }
狓 犡为 集 合 中 所 有 非 支 配
境中进行有效的多目标路径规划增加了问题求解的 向量的集合.
] 设 是
难度. 定义4 . 犘 狀 状 态节点犛 犿与 状态节点
[
7 犿
文献[ 1
3]提出了一种多目标增量搜索算法, 在 犛狀之 间的所有路径的集合, 路径狆 1,
狆2∈ 犘 犿狀,称狆 1
求解过程中状态格局之间发生微小改变时, 通过对 支配狆 2,当 且 仅 当犵
1 犵2,记 作 狆1狆 2,其 中 犵 1与
先前搜索信息的重用, 能够快速地得到新问题的最 犵 2分别 是 路 径 狆 与
1 狆2的 代 价向 量 .
] 设 是
优解集, 适用于求解一系列相似度较高的多目标问 定义5 . 犘 狀 状 态节点犛 犿与 状态节点
[
7 犿
题. 本文进一步提出在移动过程中检测到环境信息 犛 狀之 间的所有路径的集合, 路径 狆1∈ 犘犿狀,称 狆 1为 非
的改变时, 如何快速调整移动路线以保证全局工作 支配路径当且仅当 /狆2∈ 犘犿狀使 得狆 2 狆1, 即不存
8
38 计 算 机 学 报 2
01年
1
在其它路径在所有目标上都优于路径狆 1. 态 7的
狊 代价估值,犺7为 状态狊7到初始状态 狊0的最优
指定初始状态犛s
ta
r
t与目标状态犛 o
ga
l,多目标路 代价估计, 此时犳(狆)
3= (
犵狆
3 )
+狊7为路径狆 3的代价
径规划问题的最优解集即为犛 s
t
ar
t与犛
go
a
l之间的所有 估值. 可见, 路径扩展方法对于到达同一个状态的各
非支配路径的集合, 它们的特点是无法在改进任何 个路径进行区分, 搜索过程用集合犌 o
p(犿记录到达
)
目标函数的同时不削弱至少一个其它目标函数, 均 状态犛 犿的 未扩展的路径, 集合犌 c
l(犿)记录到达状态
视为一条最优路径. 犛犿的已扩展的路径, 因此,逆向搜索的扩展过程中
上述定义了两种支配关系, 原因如下: ()
1搜索 犌o
p(犿)∪犌c
l( 记录的是当前已找出的目标状态
犿)
过程中各个目标函数上权重都相等的两条路径具有 与犛 犿之间 的 所有非支配路径, 表犗犘犈 犖记录当前
同等的资格做进一步考虑, 此时利用强支配关系比 各个状态节点的所有未扩展路径, 每一个记录项为
较所有待扩展候选路径; (
2搜索过程中的一条路
) 三元组( 犛犿,犵(
狆)
,犳(
狆 )
)表示的一条路径狆 .
径的代价估值与已求出的一条解路径的权重相等
时,该路径扩展出的任何路径必然是被这条解路径
强支配的, 已没有进一步扩展的必要,此时利用弱支
配关系比较候选路径与解路径即可.
逆向多目标启发式搜索
3
当问题指定唯一确定的初始状态与目标状态,
状态空间图为无向图时, 可以采用逆向搜索方法, 从
目标状态开始执行搜索过程, 求解初始状态与目标
状态之间的最优路径集合.
采用路径扩展方法的多目标启发式搜索方法每
次扩展的基本单位是一条路径, 利用路径的启发信
息引导搜索过程以提高搜索效率.
] 设为
定义6 [
7 狆 搜索过程中到达状态节点
.
犛犿的一条路径, 称犳 (狆)=犵 (
狆 )+犺犿为 路径狆的代
价估值, 其中犵 (
狆 为路径狆的代价向量,
) 犺 犿为 犛犿上
的启发信息, 估计每一个目标函数上从状态节点犛 犿
到达目标状态的最小代价.
正向搜索时, 路径狆为从初始状态 犛 s
t
ar
t到达状
态节点犛 犿的 一条路径, 犵(狆 为状态节点犛
) 犿的 起始
距离,犺犿为 从犛犿到 达目标节点的代价估值. 逆向搜
索时,狆为从目标节点犛 o
ga
l到达状态节点犛 犿的 一条 图1 正向搜索与逆向搜索
路径,犵(狆)为犛犿的 目标距离, 犺 犿为 从犛犿到 达初始状 定义7 设狆
. 1为表犗 犘犈犖中一条未扩展路
态的代价估值. 如图1所示, 其中( a)为正向搜索过 径, 犳(
狆1为路径狆
) 1的代价估值, 称狆1为一条非支
程,当前状态为 狊5,
狆 1=狊
0→ 狊2→狊6→狊5为 从初始状 配犗 犘
犈犖路径当且仅当 / (狀,
犛犵(2)
狆 ,
犳(2)
狆)∈
态 狊到
0狊 5的一 条路 径 ,(
犵狆 )为
1 狆 1的 代价 向 量 ,
狆2= 犗犘犈犖使得犳(
狆2)犳(
狆)
1.
狊
0→狊3→狊5为 初始 状 态与 狊5之 间 的 另一 条 路 径, 多目标启发式搜索利用向量之间的支配关系从
(
犵狆 )为
2 狆 2的 代价向 量,
犺 为
5 狊 5与 目标 状 态 γ 之间 犗
犘犈犖表中选择将要扩展的路径并识别最优解路
最优代价的估计, 因此 犳(
狆 1)
= 犵(
狆 1)
+ 犺5为 路径狆1 径 从非空的犗
, 犘
犈 犖表中选择一条非支配犗 犘
犈犖
的代价估值, 而犳狆( )
2= (
犵狆 )
2+ 犺5为路 径 狆2的 代价 路径进行扩展,并将 扩展出的 路径插入 犗
犘犈犖作
表
估值; (
b)为逆向搜索过程, 从目标状态 γ开始执行, 为下一次扩展的候选路径, 在此过程中,用犆犗犛犜
犛
当前状态为 狊 ,
7狆 =
3γ 狊 狊
→9→7 为目 标状 态 与 狊7之间 记录当前已求得的 非支配解 路径 集合.
的一条路径, 犵(
狆3)为从目标状态沿该路径到达状 下面给出逆向多目标启发式搜索算法B MH
S
5期 魏 唯等:
动态不确定环境下多目标路径规划方法 8
39
(
B
ack
wa
rdM
uo
be
c
jt
i
veH
eu
ri
s
ti
cS
ea
r
ch的基本 支配解路径,
) 而单目标搜索过程,
如经典的
A算法,
流程. 只需要求出初始状态与目标状态之间一条最优路
算法1 .B
MHS(〈
犌,
犛st
a
r,
t犛o
a
gl〉,
犗犘犈犖,犆
犗犛
犜犛. 径,
) 并且一旦得出最优路径, 搜索过程立即结束.
如
输入:多目标路径规划问题〈 ,
犌犛 s
t
a ,
t犛
r go
a
l〉初
,始犗犘
犈犖 果目标函数的个数退化为单个目标, 支配关系变成
表与犆犗
犛犜犛集合 单纯的小于关系, 那么算法1将变成求出所有最优
输出:最优路径集合 路径的逆向A算法,
即若存在多条代价相等的最
1反复执行步1
. .
1~1
.,
3直到犗 犘犈 犖表为空
1.
1路径选择.
. 从犗犘犈犖表中根据路径代价估值选择 优 路径,搜索过程将在逐个求出这些路径之后结束.
一条非支配犗 犘犈 犖路径狆 狓进行扩展, 令犵 (
狆狓)为路径狆 狓的
代价向量,
犗
犘 犈
将狆
犖表中删除,
狓 所 对
并将狆
应 的
狓从
记
犌
录
o(
p
项
犿
(
)
犛 ,
犿犵
移到犌c
(
狆
(
l
),
狓 犳
犿);
(
狆 狓 从
)
) 动态多目标路径规划
4
1 .
2.若犛 =犛
犿 s t
a ,则
t 狆
r 狓为一 条 解路径 ,
犵狆( 为解路径
狓)
本节提出动态多目标路径规划算法D MPP
狆
狓的 代 价,将 (
犵狆 狓)加 入犆 犗犛犜 并
犛 犗从 犘
犈 犖 删除所有
( 表中 ) 执
, 行过 程
被犵 (
狆狓)支配的未扩展路径; Dy namicMul
ti
obje
cti
vePathPlanning
1 .
3.若犛 犿≠犛 s
t
ar
t,则对犛 犿的 分为全局规划与局部重规划.
所有前驱状态犛 狀,生成到 全局规划获得初始状
达犛 狀的路径 狆 ,
狔 犵令 (狆 )
狔= (
犵狆狓+) (, 态与目标状态之间的最优路径集合,
),
犮犿狀 犵狆若 ( 狔)不被 移动过程中探
犌o
p(
狀 )犌
∪ c
l(
狀) 中任意路径代价支配, 则 测到环境信息改变时, 局部重规划过程重新计算出
1 .
3.
1.将狆 狔插入 犌 o
p(狀)
,并 删 除犌p(
o 狀)∪犌 (
狀 )中所
变化点与目标状态之间的移动路径,
c
l 直到成功移动
有被狆 狔支配的路径; 到目标状态.
1 .
3.
2.计算路径狆 狔的 代价估值犳 (
狆狔),若犳(狆狔)不被
犆
犗 犛犜犛中任何解路径支配, 则将( 犛 ,
狀犵(狆4.
1
)
狔犳, 动态多目标路径规划算法
(
狆狔))插入
犗
犘 犈犖表并记录相关的前驱信息; 当探测到实际情况与最初观测不符时, 为避免
2 输出所求得的犛
. st
ar
t与犛go
al 停留时间过长,
之间的最优路径集合. 需要立即重新计算出当前状态与目
算法1从输入接收犗 犘犈犖表初始值, 对于给定 标状态之间的最优路径. 本节提出的动态多目标路
的多目标路径规划问题, 初始假设只有一条代价向 径规划算法进行局部重规划时, 对受影响的记录进
量为零向量的路径到达目标节点, 令犗 犘
犈犖= 行更新, 更新后在发生变化的状态与目标状态之间
{
(犛
go ,
l犵
a g ,
l犳
o
a g )}
,
l 犆
o
a 犗
犛犜 为
犛 .空 每次 循环首先判 进行重规划, 求得剩余的最优移动路径.
断犗犘犈 犖 是否为 空当
, 犗犘犈犖 为空时,搜索过程终 下面给出动态多目标路径规划算法D MPP的
止,
输出所求得的最优路径集合; 犗犘犈
犖 表 非空时, 基本流程.
从中选择一条非支配的犗 犘犈犖 路径进行扩 展. 算法2 .
DMPP (
犌,犛s
t
ar
t,犛go
al).
对选出的一条路径狆 犿进行 扩展时,生成到达状 输入 :多目标路 径 规划问题 〈 ,
犌犛 s
t ,
t犛
a
r o
ga
l〉
态犛犿的 所有前驱状态的路径, 当生成的路径在所有 输出: 到达目标状态的最优移动路径
到达该前驱状态的路径中非支配时, 计算路径的代 1.初始化. 犗犘犈犖={ (
犛go
a
l,犵go
a
l,犳gl)
o
a } ,
犆犗犛犛为
犜
价估值, 若生成的路径代价估值不受当前任何最优 空集 ;
解路径支配, 则将该路径插入犗 犘犈犖表;否则,该路 2.全局规划. 执行逆向多目标搜索过程B MHS(〈
犌 ,
径已没有继续扩展的必要, 直接舍弃.扩展到达初始 犛 st
a
rt,
犛go
a〉
l,犗犘
犈犖,犆犗犛犜犛)求得初始状态与目标状态之
,
状态时, 则求得了初始状态与目标状态之间的一条 间的 最 优路 径集合 从
, 中 选择一条实际移动路径;
解路径. 由于多目标路径规划问题需要求解一个最 则输出 3.沿移动路径向目标状态移动, 若成功到达目标状态,
优解集, 在求得一条解路径之后, 搜索过程并不终 所移动的路径, 算法结束;
4 若
. 犛移动到 e时探测到由犛 e到 达相邻状态犛
止,而是反复扩展犗 犘犈犖表中其余路径, 直到求出 的情况 发生改变,
c
ha
ng
则执行局部重规划过程:
c
ha
ng 狏
犠犈
犐犠犲
犻,bo
rn
in1
98,
4Ph
.D. 犗 犝犢犃犖犌犇犪
狀
犜狅
狀,
犵bo
rn
in1
96
8,r
po
fe
s
so
r,P
h.D
.
c
an
d
id
at
e.H
erma
i
nre
se
a
rch
in
te
r
es
ts s
ue
pr
v
is
or.
Herma
i
nre
s
ea
rc
hi
nt
er
e
st
si
nc
lu
dem
od
el
ba
se
d
i
n
cl
ud
ei
nt
e
ll
i
gen
c
epl
an
ni
nga
nda
ut
o d
i
an
go
si
san
dau
tom
at
e
dre
as
on
i
ng.
m
at
ed
re
as
on
i
ng. 犔
犝犛犺狌
犪犻,
bo
rn
in1
98
1,P
h.
D.,
l
ec
tu
re
r.
Hi
sma
in
re
s
e
ar
chi
n
ter
e
sts
in
cl
ud
ei
nt
el
l
i
ge
nc
epl
an
ni
n
gan
dau
to
ma
te
d
r
e
as
on
in
g.
犉
犈犖犌犢狌
犡狌
犪,
狀bo
rn
in1
98
0,P
h.D.
ca
nd
i
da
te
.Hi
s
m
ai
nr
es
ea
rc
h i
n
te
re
st
si
nc
l
ud
ei
nt
el
l
ie
gn
ce
pl
an
ni
na
gn
dau
t
om
at
ed
re
as
oni
n.
g
8
46 计 算 机 学 报 2
01年
1
犅
犪犮
犽狉
犵狅
狌狀
犱
T
hewo
rkf
ocu
se
s ont
h
e t
o
pi
c o
fso
l
vi
ngm u
l
ti
ob
je
c
ti
veen
tfr
omt
heor
igi
n
alo
bs
er
va
ti
o
n.
a
pt
hpl
a
nni
ngpr
ob
lemsun
de
rdynam
i
cunc
ert
ai
nen
vi
ro
n O n
lyo
necr
it
e
ri
on
isc
on
si
de
re
di
n t
r
ad
it
i
on
ala
pt
h l
a
pn
m
e ,
tw
n h
ic
hiss
upo
prt
edbyt
heNat
i
on
alNat
ur
alS
ci
en
ceni
ng.
Buton
esi
nl
ge
ob
jec
t
iv
ef
unc
t
io
nca
n’
tde
sc
r
ib
esev
er
a
l
F
ou
nd
at
i
onofC
hi
naunde
rr
gan
tNos
.60
77
309,
760
873
04
4,co
nf
li
c
tcr
it
er
iaex
ac
t
l.
yIft
h
enum
be
r o
fob
e
jc
t
iv
efu
nct
i
on
s
6
08
73
14
8,6
097
30
89,theO
pe
nRese
ar
chF
ound
at
i
onofK
eyinaa
pt
hpl
ann
ing
pr
ob
lemi
smo
re
th
anon
e,i
t
isamu
lt
i
ob
L
ab
or
at
or
yofS
ymbo
li
cCompu
t
at
iona
ndKnowl
e
deE
g ni
gje
ct
i
vepa
thpl
ann
i
n r
gpob
le
m.Mul
t
io
be
jc
ti
v
epr
ob
lemsa
r
e
n
ee
r
in
gofM i
n
is
tr
yo fEd
uca
t
ionofCh
in
au n
de
rgra
ntdi
ff
er
en
tf
romsi
nl
geo
be
jc
t
iv
epr
ob
le
msbe
ca
us
eof
thec
on
N
os
.9
3K
17
20
09
K29
0 ,3K
17
2009
K0
6andGr
ad
ua
teI
nfl
i
cto
ft
heob
je
cti
v
efu
nct
i
on
s.As
ol
ut
io
nwhi
c
his
goodf
o
r
n
ov
at
i
onFu
ndo
fJ
il
inUni
ve
rs
it
yund
err
a
gntNo
.20
11
10
60.oneo
be
c
jt
ive
func
t
io
nmayb
eb
adf
ora
no
th
era
nd
th
isca
u
se
s
P
at
hpl
ann
i
ngi
s a
n i
mpo
rt
an
tbra
nc
hofman
yf
ie
ld
softh
att
he
rei
sus
ual
l
yas
eto
fso
l
ut
io
nsc
omo
ps
edo
fa
l
lthe
o
p
a
r
ti
f
ic
i
al
int
e
ll
ie
gn
cer
ese
ar
ch.T
het
asko
fo
pti
mal
pa
thl
pa
nti
ma
lpa
th
s .D
uetot
h
e c
oml
e
pxi
t
yofmu
lt
i
ob
je
ct
i
vesi
t
ua
n
i
ngi
st
ofi
nda
be
stpa
thin
the
st
at
espa
c
ebetw
ee
nt
hes
ta
rtti
o ,
ni
tismuchmo
red
if
f
ic
ul
tt
oso
lv
em u
l
ti
o
be
jc
t
ivep
at
h
s
t
at
epr
ob
le
mandt
hegoa
ls
tat
ea
cco
rd
in
gtosom
ecr
it
e
ri
a.pl
ann
i
ngpr
ob
lemsu
nd
erd
yn
am
icu
nc
er
ta
ine
nv
i
ro
nmen
t.
T
heo
pt
ima
lpa
thcanbecom
pu
tedi
nag l
oba
lpl
an
ni
ng I nth
i
s a
ppe
r,am
eth
od
ca
ll
edD
M P
Pis
pr
oo
ps
edwh
ic
h
r
po
ce
s
s wh
ent
hesi
tua
ti
onoft
heenv
i
ro
nmen
tisst
a
ti
c. e
r
pf
orm
sone l
ob
all
an
g p gpn
in ro
c
es
s a
nds
ev
er
a
llo
calr
e
Ho
we
ve
r,s
ome
ti
mesi
tisi
mpo
ss
ib
let
okn
owt h
ec
oml
pe
tepl
ann
i
ngpro
ce
sse
s.T
heex
pe
r
ime
ntr
es
ul
tss
ho
wthat
th
e
i
n
fo
rma
t
io
noft
hee
nvi
ron
me
n ,
tese
pc
ia
ll
yt
heex
ac
ts
it
ua
ti
onmet
ho
dadot
i
pngani
n
cre
me
nt
alr
el
a
pnn
in
gca
nso
lv
em u
l
o
fdn
ya
mi
cobs
ta
cl
es,ort
hepr
obl
em
scha
nget
he
irs
ta
teti
ob
je
c
ti
vepa
thpl
an
ni
n r
gpo
bl
emsu
nde
rdn
ya
mi
cun
cer
ta
i
n
s
pa
ce
fo
rth
edi
f
fe
re
nts
itu
at
i
on,
st
hust
hemo
vin
gpa
t
h t
ot
heen
vi
ro
nmen
tef
fi
ci
en
t
lyb
yre
us
i
ngt
he
inf
o
rma
ti
on
ofr
pev
i
ou
s
o
ga
ls
ta
temus
tbere
comu
pt
edbyman
yloca
lre
pl
an
ni
ngse
ar
chan
du s
in
gheu
r
ist
i
cin
f
orm
at
io
ntol
ea
dth
es e
a
rc
h
r
po
ce
s
se
s w
hen
th
e e
nvi
ro
nme
nts
it
uat
i
oni
sdet
ec
te
ddi
f
fe
rpr
oce
s
s.