Fig. 2. Histogram pruning.is greate

Fig. 2. Histogram pruning.

is greater than or equal to our desired node count, the maximum f value in the histogram can be fixed as an upper bound; selecting a greater f value can only give more nodes than desired. As the simulation proceeds and the weight in our accumulation histogram increases, we re-estimate the f value that gives our desired count. This upper bound will continue to decrease and the simulation will estimate fewer and fewer new nodes within the bound at each depth. When the expected number of new nodes is smaller than some ǫ the simulation can
stop. In our experiments we use ǫ = 10−3 . Additionally, because the d value of
a node can never be negative, we can prune all nodes that would be generated with d < 02 .

Example 1. Figure 2 shows a graphical example of histogram pruning. In this example, the desired number of nodes is 3. In the top row, the left-most histogram shows an accumulation histogram with a total weight of 7 (1 from each of the left two bars, 3 from the 3rd bar and 2 from the right-most bar). An arrow is drawn showing that the pruning bound is just after the 3rd bar; this is the first bar at which the total weight (aggregating from the left) surpasses the desired amount. The right-most histogram in this row shows the result of adding new nodes to this accumulation. Because the height of each bar has increased, the pruning bound has shifted to the left: only the first two bars are required to get our desired count. The next row shows a subsequent addition to this accumulation. As the bound moves further and further to the left, the total non-pruned weight in each of the histograms being added to the accumulation (the distribution of new nodes introduced at the current depth) will continue to decrease. When the count in one of these histograms is finally less than ǫ, the simulation will stop.

Figure 3 shows the pseudo-code for the procedure that uses the ∆f distri- bution to estimate the f distribution. The entry point is the recursive function Simulate, which has the following parameters: the cost bound, desired number


2 This could also be used to estimate the solution cost.

Kết quả (Việt) 1:

Hình 2. Cắt tỉa biểu đồ.lớn hơn hoặc bằng số lượng mong muốn nút của chúng tôi, giá trị tối đa f trong biểu đồ có thể được cố định như là một ràng buộc; chọn một giá trị lớn hơn f chỉ có thể cho thêm các nút hơn mong muốn. Là tiền thu được mô phỏng và trọng lượng trong tăng lên biểu đồ tích lũy của chúng tôi, chúng tôi lại ước tính giá trị f cung cấp cho chúng tôi số lượng mong muốn. Cận trên này sẽ tiếp tục giảm và mô phỏng sẽ ước tính ít và ít mới các nút trong ràng buộc ở mỗi sâu. Khi số lượng các nút mới dự kiến là nhỏ hơn so với một số ǫ có thể mô phỏngDừng. Trong các thí nghiệm của chúng tôi, chúng tôi sử dụng ǫ = 10−3. Ngoài ra, bởi vì giá trị d củamột nút có thể không bao giờ được tiêu cực, chúng tôi có thể prune tất cả các nút nào được tạo ra với d < 02.Ví dụ 1. Hình 2 cho thấy một ví dụ đồ họa của biểu đồ cắt tỉa. Trong ví dụ này, mong muốn số lượng nút là 3. Ở hàng trên cùng, biểu đồ hầu hết bên trái cho thấy một biểu đồ tích lũy với tổng trọng lượng của 7 (1 từ mỗi của các thanh hai trái, 3 từ thanh 3 và 2 từ thanh hầu hết quyền). Một mũi tên được rút ra Hiển thị rằng cắt tỉa ràng buộc là ngay sau khi thanh 3; đây là thanh đầu tiên mà tổng khối lượng (tập hợp từ bên trái) vượt quá số tiền mong muốn. Biểu đồ bên phải-hầu hết trong hàng này cho thấy kết quả của việc thêm các nút mới để tích lũy này. Bởi vì chiều cao của mỗi thanh đã tăng lên, ràng buộc cắt tỉa đã chuyển sang: chỉ đầu tiên hai thanh được yêu cầu để có được số lượng mong muốn của chúng tôi. Hàng tiếp theo cho thấy một bổ sung tiếp theo để tích lũy này. Là bị ràng buộc di chuyển xa hơn và xa hơn về phía bên trái, tất cả không bớt trọng lượng trong mỗi histograms được bổ sung vào sự tích tụ (phân phối mới nút giới thiệu ở độ sâu hiện nay) sẽ tiếp tục giảm. Khi tính trong một trong những histograms cuối cùng là ít hơn ǫ, mô phỏng sẽ ngừng.Hình 3 cho thấy mã giả cho các thủ tục sử dụng ∆f distri-bution để ước tính f phân phối. Điểm là chức năng đệ quy Simulate, trong đó có các tham số sau: chi phí ràng buộc, mong muốn số 2 điều này cũng có thể được sử dụng để ước tính chi phí giải pháp.

Kết quả (Việt) 2:

Sung. . 2. Histogram cắt tỉa là lớn hơn hoặc bằng với chúng tôi đếm nút mong muốn, giá trị tối đa f trong biểu đồ có thể được cố định như một trên ràng buộc; lựa chọn một giá trị f lớn chỉ có thể cung cấp cho các nút hơn so với mong muốn. Là số tiền thu được mô phỏng và trọng lượng trong biểu đồ tích lũy của chúng tôi tăng lên, chúng ta lại ước tính giá trị f cung cấp cho chúng tôi số lượng mong muốn. Điều này hạn trên sẽ tiếp tục giảm và mô phỏng sẽ ước tính ít hơn và ít hơn các nút mới trong phạm vi giới hạn ở mỗi độ sâu. Khi số lượng dự kiến của các nút mới là nhỏ hơn so với một số ǫ các mô phỏng có thể dừng lại. Trong thí nghiệm của chúng tôi, chúng tôi sử dụng ǫ = 10-3. Ngoài ra, bởi vì giá trị d của một nút không bao giờ có thể được tiêu cực, chúng ta có thể tỉa tất cả các nút sẽ được tạo ra với d <02. Ví dụ 1. Hình 2 cho thấy một ví dụ đồ họa của biểu đồ cắt tỉa. Trong ví dụ này, số lượng mong muốn của các nút là 3. Trong hàng trên cùng, bên trái là biểu đồ cho thấy một biểu đồ tích lũy với trọng lượng tổng cộng 7 (1 từ mỗi bên trái hai quán bar, 3 từ thanh thứ 3 và 2 từ bên phải nhất quán). Một mũi tên được vẽ cho thấy cắt tỉa bị ràng buộc là chỉ sau khi thanh thứ 3; đây là thanh đầu tiên mà tổng trọng lượng (tổng hợp từ bên trái) vượt qua số tiền mong muốn. Các bên phải có biểu đồ trong hàng này cho thấy kết quả của việc thêm các nút mới để tích lũy này. Bởi vì chiều cao của mỗi thanh đã tăng lên, cắt tỉa ràng buộc đã chuyển sang trái: chỉ có hai thanh đầu tiên được yêu cầu để có được số lượng của chúng tôi mong muốn. Các hàng tiếp theo cho thấy một sự bổ sung tiếp theo để tích lũy này. Khi di chuyển ràng buộc hơn nữa và tiếp tục sang trái, tổng trọng lượng không tỉa trong mỗi biểu đồ được thêm vào sự tích lũy (sự phân bố của các nút mới được giới thiệu ở độ sâu hiện tại) sẽ tiếp tục giảm. Khi đếm trong một trong các biểu đồ cuối cùng là ít hơn ǫ, mô phỏng sẽ dừng lại. Hình 3 cho thấy các pseudo-code cho thủ tục mà sử dụng sự phân phối Δf để ước tính sự phân bố f. Điểm vào là hàm Simulate đệ quy, trong đó có các thông số sau: chi phí ràng buộc, mong muốn số 2 này cũng có thể được sử dụng để ước tính chi phí giải pháp.