使用PDDL4J从命令行运行规划器教程
2025-06-06 21:54:10作者:伍希望
PDDL4J是一个强大的规划系统库,提供了多种规划算法实现。本文将详细介绍如何从命令行运行PDDL4J中的各种规划器,帮助用户快速上手使用这些工具解决实际问题。
PDDL4J规划器概述
PDDL4J库目前实现了以下几种主要规划器:
- FF (FastForward) - 基于强制爬山算法和A*搜索,使用J. Hoffmann提出的松弛规划图启发式
- HSP (Heuristic Search Planner) - 基于A*搜索,可与库中任何目标成本启发式函数结合使用
- GSP (Generic Search Planner) - 通用状态空间规划器,可选择搜索策略和启发式函数
- TFD (Total-order Forward Decomposition) - 基于深度优先搜索策略,仅处理全序任务分解
- PFD (Partial-order Forward Decomposition) - 基于深度优先搜索策略,可处理偏序任务分解
FF规划器使用指南
FF规划器结合了强制爬山和A*搜索策略,使用删除松弛启发式方法解决规划问题。
基本命令格式
FF [-hV] [-l=<logLevel>] [-t=<timeout>] [-w=<weight>] <domain> <problem>
参数说明
<domain>: 领域定义文件<problem>: 问题定义文件
可选参数
| 选项 | 描述 |
|---|---|
| -l, --log= | 设置日志级别: ALL, DEBUG, INFO, ERROR, FATAL, OFF, TRACE (默认INFO) |
| -t, --timeout= | 设置超时时间(秒,默认600) |
| -w, --weight= | 设置启发式权重(默认1.0) |
| -h, --help | 显示帮助信息 |
| -V, --version | 显示版本信息 |
使用示例
java -cp pddl4j.jar fr.uga.pddl4j.planners.statespace.FF \
domain.pddl problem.pddl \
-t 1000
此命令启动FF规划器,为搜索分配1000秒时间。
HSP规划器使用指南
HSP是基于A*搜索策略的规划器,支持多种启发式函数。
基本命令格式
HSP [-hV] [-e=<heuristic>] [-l=<logLevel>] [-t=<timeout>] [-w=<weight>] <domain> <problem>
特有参数
-e, --heuristic=<heuristic>: 设置启发式函数,可选值包括:- AJUSTED_SUM, AJUSTED_SUM2, AJUSTED_SUM2M
- COMBO, MAX, FAST_FORWARD
- SET_LEVEL, SUM, SUM_MUTEX (默认FAST_FORWARD)
使用示例
java -cp pddl4j.jar fr.uga.pddl4j.planners.statespace.HSP \
domain.pddl problem.pddl \
-e MAX -w 1.2 -t 600
此命令使用MAX启发式函数,权重1.2,超时时间600秒。
GSP规划器使用指南
GSP是通用搜索规划器,允许自定义搜索策略和启发式函数。
基本命令格式
GSP [-hV] [-e=<heuristic>] [-l=<logLevel>] [-t=<timeout>] [-w=<weight>] [-s [=<strategies>...]]... <domain> <problem>
特有参数
-s, --search-strategies[=<strategies>...]: 设置搜索策略,可选值包括:- ASTAR, ENFORCED_HILL_CLIMBING
- BREADTH_FIRST, GREEDY_BEST_FIRST
- DEPTH_FIRST, HILL_CLIMBING (默认ASTAR)
使用示例
java -cp pddl4j.jar fr.uga.pddl4j.planners.statespace.GSP \
domain.pddl problem.pddl \
-s ENFORCED_HILL_CLIMBING ASTAR \
-e FAST_FORWARD -t 1000
此命令首先尝试ENFORCED_HILL_CLIMBING策略,失败后使用ASTAR策略,启发式函数为FAST_FORWARD,超时1000秒。
TFD规划器使用指南
TFD使用全序前向分解策略解决层次任务网络(HTN)规划问题。
基本命令格式
TFD [-hiV] [-l=<logLevel>] [-t=<timeout>] <domain> <problem>
特有参数
-i, --interactive: 启用交互模式用于调试
使用示例
java -cp pddl4j.jar fr.uga.pddl4j.planners.htn.stn.TFD \
domain.hddl problem.hddl \
-t 600
此命令启动TFD规划器,超时时间600秒。
PFD规划器使用指南
PFD使用偏序前向分解策略解决HTN规划问题。
基本命令格式
PFD [-hiV] [-l=<logLevel>] [-t=<timeout>] <domain> <problem>
参数与TFD相同,但处理的是偏序任务分解。
实用技巧
- 日志级别选择:调试时使用DEBUG或TRACE级别,生产环境使用INFO或ERROR
- 超时设置:复杂问题可适当增加超时时间
- 启发式选择:不同问题适合不同启发式,可多尝试几种
- 交互模式:TFD和PFD的交互模式(-i)有助于理解任务分解过程
通过以上介绍,您应该已经掌握了使用PDDL4J从命令行运行各种规划器的基本方法。根据具体问题特点选择合适的规划器和参数配置,可以更高效地解决规划问题。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
311
2.72 K
deepin linux kernel
C
24
7
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
639
242
仓颉编译器源码及 cjdb 调试工具。
C++
124
851
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
469
Ascend Extension for PyTorch
Python
149
175
暂无简介
Dart
604
135
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
227
81
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
363
2.99 K
React Native鸿蒙化仓库
JavaScript
236
310