IDA*IM IDA*CR IDA* y=26 90 0 800 5

IDA*IM IDA*CR IDA* y=2

6 90






0 80

0 5 10 0
iteration number



10000
CPU time



20000


Fig. 6. Unit tiles: growth rates and number of instances solved.

the bound for the next iteration by consulting the incremental model to find a bound that is predicted to double the number of node expansions from that of the previous iteration. As we will see, because the model is trained on the exact instance for which it will be predicting, the estimations tend to be more accurate than the off-line estimations, even with a much smaller training set. In the following subsections, we evaluate the incremental model by comparing IDA*IM to the original IDA*[8] and IDA*CR [18].


Sliding Tiles. The unit-cost sliding tiles puzzle is a domain where standard IDA* search works very well. The minimum cost increase between iterations is two and this leads to a geometric increase in the number of nodes between subsequent iterations.
The left panel of Fig. 6 shows the median growth factor, the relative size of one iteration compared to the next, on the y axis, for IDA* , IDA*CR and IDA*IM . Ideally, all algorithms would have a median growth factor of two. All three of the lines for the algorithms are drawn directly on top of one another in this plot. While both IDA*CR and IDA*IM attempted to double the work done by subsequent iterations, all algorithms still achieved no less than 5x growth. This is because, due to the coarse granularity of f values in this domain, no threshold can actually achieve the target growth factor. However, the median estimation factor of the incremental model over all iterations in all instances was 1.029. This is very close to the optimal estimation factor of one. So, while granularity of f values made doubling impossible, the incremental model still predicted the amount of work with great accuracy. The right panel shows the percentage of instances solved within the time given on the x axis. Because IDA*IM and IDA*CR must use branch-and-bound on the final iteration of search they are unable to outperform IDA* in this domain. It should also be noted that, because IDA*IM and IDA*CR expand the exact same number of nodes on these

Kết quả (Việt) 1:

IDA*IM IDA*CR IDA* y=26 90 0 800 5 10 0iteration number 10000CPU time 20000 Fig. 6. Unit tiles: growth rates and number of instances solved.the bound for the next iteration by consulting the incremental model to find a bound that is predicted to double the number of node expansions from that of the previous iteration. As we will see, because the model is trained on the exact instance for which it will be predicting, the estimations tend to be more accurate than the off-line estimations, even with a much smaller training set. In the following subsections, we evaluate the incremental model by comparing IDA*IM to the original IDA*[8] and IDA*CR [18].Sliding Tiles. The unit-cost sliding tiles puzzle is a domain where standard IDA* search works very well. The minimum cost increase between iterations is two and this leads to a geometric increase in the number of nodes between subsequent iterations.Cửa sổ hình 6 cho thấy yếu tố tăng trưởng trung bình là kích thước tương đối của một lặp so với tiếp theo, trên trục y, cho IDA *, IDA * CR và IDA * IM. Lý tưởng nhất, tất cả các thuật toán sẽ có một yếu tố tăng trưởng trung bình của hai. Tất cả ba trong số các dòng cho các thuật toán được rút ra trực tiếp trên đầu trang của nhau trong âm mưu này. Trong khi cả hai IDA * CR và IDA * IM cố gắng để tăng gấp đôi công việc được thực hiện bởi lặp đi lặp lại tiếp theo, tất cả các thuật toán vẫn đạt được không ít hơn 5 x tăng trưởng. Điều này là bởi vì, do sự granularity thô của f giá trị trong lĩnh vực này, ngưỡng không thực sự có thể đạt được mục tiêu tăng trưởng factor. Tuy nhiên, các yếu tố dự toán trung bình của mô hình gia tăng trong lặp đi lặp lại tất cả trong tất cả các trường hợp là 1.029. Điều này là rất gần gũi với các yếu tố dự toán tối ưu của một. Vì vậy, trong khi granularity của f giá trị thực hiện tăng gấp đôi không thể, mô hình gia tăng vẫn dự đoán số lượng công việc với độ chính xác tuyệt vời. Bảng bên phải cho thấy tỷ lệ phần trăm trường hợp được giải quyết trong vòng thời gian nhất định trên trục x. Bởi vì IDA * IM và IDA * CR phải sử dụng chi nhánh-và-bound ngày lặp tìm, cuối cùng họ là không thể tốt hơn IDA * trong lĩnh vực này. Nó cũng nên lưu ý rằng, bởi vì IDA * IM và IDA * CR mở rộng chính xác cùng một số nút này

Kết quả (Việt) 2:

IDA * IM IDA * CR IDA * y = 2 6 90 0 80 0 10 0 5 lần lặp số 10000 thời gian CPU 20000 Fig. 6. Đơn vị gạch:. Tốc độ tăng trưởng và số lượng các trường hợp giải quyết các ràng buộc đối với các hệ tiếp theo bằng cách tham khảo các mô hình gia tăng để tìm một ràng buộc được dự đoán sẽ tăng gấp đôi số lượng các bản mở rộng nút từ đó của lặp trước. Như chúng ta sẽ thấy, bởi vì các mô hình được tập huấn về các ví dụ chính xác mà nó sẽ được dự đoán, các ước tính có xu hướng được chính xác hơn các ước tính off-line, ngay cả với một tập huấn luyện nhỏ hơn nhiều. Trong phần dưới đây, chúng tôi đánh giá các mô hình gia tăng bằng cách so sánh IDA * IM cho IDA gốc [8] * và IDA * CR [18]. Lùa Tiles. Các đơn vị chi phí trượt gạch câu đố là một miền nơi tiêu chuẩn IDA * tìm kiếm hoạt động rất tốt. Sự gia tăng chi phí tối thiểu giữa các lần lặp lại là hai và điều này dẫn đến một sự gia tăng hình học trong số nút giữa các phiên tiếp theo. Các bảng điều khiển bên trái của hình. 6 cho thấy các yếu tố tăng trưởng trung bình, kích thước tương đối của một lặp so với các tiếp theo, trên trục y, cho IDA *, IDA * CR và IDA * IM. Lý tưởng nhất, tất cả các thuật toán sẽ có một yếu tố tăng trưởng trung bình của hai. Cả ba dòng cho các thuật toán được rút ra trực tiếp trên đầu trang của nhau trong âm mưu này. Trong khi cả hai IDA * CR và IDA * IM cố gắng tăng gấp đôi công việc được thực hiện bởi sự lặp lại tiếp theo, tất cả các thuật toán vẫn đạt được không ít hơn mức tăng trưởng 5x. Điều này là bởi vì, do granularity thô của các giá trị f trong phạm vi này, không có ngưỡng thực sự có thể đạt được các yếu tố tăng trưởng mục tiêu. Tuy nhiên, các yếu tố dự đoán của các mô hình gia tăng trên tất cả các lần lặp lại trong tất cả các trường là 1,029. Điều này là rất gần với các yếu tố ước lượng tối ưu của một. Vì vậy, trong khi granularity của các giá trị f làm tăng gấp đôi không thể, các mô hình gia tăng vẫn dự đoán số lượng công việc với độ chính xác tuyệt vời. Phần bên phải là tỷ lệ phần trăm các trường hợp giải quyết trong thời gian nhất định trên trục x. Vì IDA * IM và IDA * CR phải sử dụng chi nhánh-và-ràng buộc trên lặp cuối cùng của tìm kiếm mà họ không thể làm tốt hơn IDA * trong lĩnh vực này. Cũng cần phải lưu ý rằng, vì IDA * IM và IDA * CR mở rộng số lượng chính xác của các nút trên các