많은 학습된 순차적 의사결정 시스템은 현재 상태를 직접 하나의 액션에 매핑합니다. 하지만 후보 액션이 많고, 기하학적으로 구조화되어 있으며, 상태와 함께 재구성될 때 이러한 지름길은 취약해집니다. 다수 지점 충전(One-to-Many mobile charging)은 이 설정을 구체화합니다: N=250개의 센서가 있을 때, 초기 상태는 약 1,125개의 후보 충전 정지 액션을 유도하며; 선택된 각 정지는 범위 내의 센서들을 동시에 지원하고, 센서들이 고갈됨에 따라 액션 우주(action universe)가 변화합니다. LP-BTS는 학습 기반 계획 아키텍처입니다: 그래프 제안 정책(graph proposal policy)이 작은 후보 지지 집합을 집중시키고, 학습된 값 비평가(learned value critic)가 리프 노드를 평가하며, 엣지 예산 할당 PUCT(edge-budgeted PUCT)는 액션을 확정하기 전에 짧은 시뮬레이션 미래를 비교합니다. 정책이 고정된 출력 헤드 없이 이 세트를 점수화하기 때문에, 단일 동결 체크포인트가 모든 평가된 설정을 포괄하며, 736개부터 2,813개의 정지 지점을 아우르는 액션 우주에 걸쳐 작동합니다. 일치하는 제거 분석(matched ablations)은 상호 보완적인 효과를 보여줍니다: 균일 샘플링은 생존율을 8.8 퍼센트 포인트 감소시키는 반면, 목표 지원이 고정된 상태에서 PUCT는 공동으로 1.4 포인트를 유지하고 (250개 센서의 약 3.5개), 직접 정책 선택은 23% 더 멀리 이동합니다. 사전에 지정되고 밀봉된 30가지 시나리오 확인 은행(confirmatory bank)에서 한 번 평가했을 때, LP-BTS는 가장 높은 관찰 생존율(0.4545)과 살아남음 AUC(alive-AUC, 0.8031)를 달성합니다. 가장 강력한 도메인 엔지니어링 비교 대상 대비 추정 생존 이점은 +0.0066 (95% CI [-0.0037, +0.0184])로, 해결되지 않은 차이입니다. 하지만 모든 쌍별 시나리오에서 기한 휴리스틱(deadline heuristic)과 두 개의 출처 기반 직접 정책 재구성을 능가합니다. 학습된 두 행은 훈련되었으며, Gong et al.에 의해 보고된 출처 기반 변형 재구성도 포함됩니다. 이 설정에서 결과는 대규모의 동적 액션 공간에서의 학습 기반 계획에 대한 통제된 증거를 제공합니다.