【摘要】：同全序规划相比，偏序规划的明显优点是能够将问题分解成子问题。而其不足之处是不直接表示状态，所以很难估计偏序规划距离获得目标有多远。最明显的启发式是对独特的开放前提计数。CPS的最大约束变量启发式适合于规划算法，并且看来能良好运转。这个启发式有两种特殊情况。
同全序规划相比，偏序规划的明显优点是能够将问题分解成子问题。而其不足之处是不直接表示状态，所以很难估计偏序规划距离获得目标有多远。目前，对如何计算精确的启发式的了解，偏序规划比全序规划要少。
最明显的启发式是对独特的开放前提计数。这可以通过减去与Start状态中的文字相匹配的开放前提个数来改进。同全序情况下一样，当有行动能获得多个目标时这将对耗散估计过高，而当规划步骤间存在负相互作用时则可能对耗散估计不足。下一节提出一种允许我们从松弛问题得到更精确启发式的方法。
启发式函数用来选择哪个规划需要改进。给定这个选择，算法基于对单一开放前提的选择来生成后继以使算法继续。正如约束满足算法中变量选择的情况，这种选择在效率上有很大影响。CPS的最大约束变量启发式适合于规划算法，并且看来能良好运转。这个思想是选择能够被满足的路径数最少的开放前提。这个启发式有两种特殊情况。第一，如果一个开放条件不能被任何行动获得，启发式会选中它；这是一个很好的思想，因为尽早检测到不可能性能够节省大量的工作。第二，如果一个开放条件只能通过一条路径获得，那么它应该被选中，因为结果是不可避免的，并且在其它仍要进行的选择上提供附加约束。虽然完全计算满足每个开放条件的路径数是代价昂贵的而且并不总是值得的，但是实验表明处理这两类特殊情况会带来实质性的速度提高。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
