a-star

本文提出一种轻量级策略——基于A*的批量选择方法（A*-BS），它将小批量调度视为启发式搜索，以提高CNN训练效率。在MedMNIST任务中，采用A*-BS的简单CNN在准确率和训练速度上均超越了更深的ResNet-18/50基线模型。

解释如何使用 A* 算法在圆形障碍物周围进行路径寻找，通过将环境转换为使用切线可见性和双切线构建的图。

这条 Twitter 帖子重点介绍了斯坦福 CS221 课程第 6 讲关于启发式算法的内容，解释了 A* 搜索如何通过使用启发式算法指导决策来提高代理效率。关键要点包括：通过放松问题来构建启发式算法、糟糕启发式算法的危险性，以及具有正确估计的 A* 算法的最优性。

本文将资源受限项目调度问题建模为Petri网可达图上的最优搜索，并采用A*算法求解，结合关键路径与资源下界的相容启发式函数，在PSPLIB基准测试上优于MIP基线。