IDA*CR 16IDA*IMy=2 908 00 10 8020 3

IDA*CR
16
IDA*IM
y=2


90
8





0

0 10

80

20 30 0



30000



60000
iteration number

CPU time


Fig. 7. Square root tiles: growth rates and number of instances solved.

instances (they use the same bounds for all iterations, and both use branch-and- bound on the final iteration), the difference in their performance, as seen in this plot, also shows the overhead incurred in learning the incremental model.


Square Root Tiles. While IDA* works well on the classic sliding tile puzzle, a trivial modification exposes its fragility: changing the edge costs. We examined the square root cost variant of the sliding tiles. This domain has many distinct f values, so when IDA* increases the bound to the smallest out-of-bound f value, it will visit a very small number of new nodes with the same f in the next iteration. We do not plot the results for IDA* on this domain because it gave extremely poor performance. IDA* was unable to solve any instances with a one hour timeout and at least one instance requires more than a week to solve.
Figure 7 presents the results for IDA*IM and IDA*CR . Even with the branch- and-bound requirement, IDA*IM and IDA*CR easily outperform IDA* by in- creasing the bound more liberally between iterations. While IDA*CR gave slightly better performance with respect to CPU time, its model was not able to provide very accurate predictions. The growth factor between iterations for IDA*CR was no smaller than eight times the size of the previous iteration when the goal was to double. The incremental model, however, was able to keep the growth factor very close to doubling. The median estimation factor was 0.871 for the incre- mental model which is closer to the optimal estimation factor of one than when the model was trained off-line. We conjecture that the model was able to learn information specific to the instance for which it was predicting.
One reason why IDA*CR was able to achieve competitive performance in this domain is because, by increasing the bound very quickly, it was able to skip many iterations of search that IDA*IM performed. IDA*CR performed no more than 10 iterations on any instance in this set whereas IDA*IM performed up to 33 iterations on a single instance. Although the rapid bound increase was

Kết quả (Việt) 1:

IDA * CR 16IDA * IMy = 2 908 00 10 8020 30 0 30000 60000 lặp đi lặp lại số Thời gian CPU Hình 7. Căn bậc hai gạch: tốc độ tăng trưởng và số lượng các trường hợp được giải quyết.trường hợp (họ sử dụng cùng một giới hạn cho tất cả lặp đi lặp lại, và cả hai sử dụng chi nhánh-và-ràng buộc vào lặp cuối cùng), sự khác biệt trong hiệu suất của chúng, như đã thấy trong âm mưu này, cũng cho thấy chi phí phát sinh trong việc học mô hình gia tăng.Căn bậc hai gạch. Trong khi IDA * hoạt động tốt trên các câu đố cổ điển gạch trượt, một thay đổi nhỏ cho thấy nhiều mong manh của nó: thay đổi các chi phí cạnh. Chúng tôi kiểm tra phiên bản chi phí căn bậc hai của gạch trượt. Tên miền này có nhiều khác biệt f giá trị, do đó, khi IDA * tăng bị ràng buộc để giá trị nhỏ nhất out ràng buộc f, nó sẽ ghé thăm một số rất nhỏ của các nút mới với cùng một f trong sự lặp tiếp theo. Chúng tôi không lô kết quả cho IDA * trên tên miền này bởi vì nó đã cho hiệu suất rất kém. IDA * là không thể giải quyết mọi phiên bản với một thời gian chờ một giờ và ít nhất một trường hợp yêu cầu nhiều hơn một tuần để giải quyết.Hình 7 trình bày kết quả cho IDA * IM và IDA * CR. Ngay cả với yêu cầu chi nhánh và ràng buộc, IDA * IM và IDA * CR dễ dàng tốt hơn IDA * bởi tại - hủy ràng buộc hơn liberally giữa lặp đi lặp lại. Trong khi IDA * CR cho một chút tốt hơn hiệu suất đối với thời gian CPU, mô hình của nó đã không thể cung cấp dự đoán rất chính xác. Các yếu tố tăng trưởng giữa lặp đi lặp lại cho IDA * CR là không nhỏ hơn tám lần kích thước của lặp đi lặp lại trước khi mục tiêu là tăng gấp đôi. Mô hình gia tăng, Tuy nhiên, đã có thể để giữ cho các yếu tố tăng trưởng rất gần với tăng gấp đôi. Các yếu tố dự toán trung bình là 0.871 cho incre - mô hình tinh thần mà là gần gũi hơn với các yếu tố dự toán tối ưu của hơn khi các mô hình đã được đào tạo off-line. Chúng tôi phỏng đoán rằng các mô hình đã có thể tìm hiểu thông tin cụ thể cho trường hợp mà nó dự đoán.Một lý do tại sao IDA * CR đã có thể để đạt được các hiệu suất cạnh tranh trong tên miền là bởi vì, bằng cách tăng ràng buộc rất nhanh chóng, nó đã có thể bỏ qua lặp đi lặp lại nhiều tìm kiếm đó IDA * IM thực hiện. IDA * CR thực hiện không có nhiều hơn 10 lặp đi lặp lại trên bất kỳ trường hợp trong này thiết lập trong khi IDA * IM thực hiện lên đến 33 lặp đi lặp lại trên một trường hợp duy nhất. Mặc dù nhanh chóng ràng buộc tăng

Kết quả (Việt) 2:

IDA * CR
16
IDA * IM
y = 2 90 8 0 0 10 80 20 30 0 30000 60000 lần lặp số lần CPU Fig. 7. gạch vuông gốc: tốc độ tăng trưởng và số lượng các trường hợp giải quyết. Trường (họ sử dụng các giới hạn tương tự cho tất cả các lần lặp lại, và cả hai đều sử dụng chi nhánh-và-bound trên lặp cuối cùng), sự khác biệt trong hoạt động của họ, như đã thấy trong âm mưu này , cũng cho thấy các chi phí phát sinh trong việc học các mô hình gia tăng. Square Root Tiles. Trong khi IDA * hoạt động tốt trên các câu đố trượt ngói cổ điển, một sửa đổi nhỏ cho thấy mỏng manh của nó: thay đổi các chi phí cạnh. Chúng tôi kiểm tra các biến thể giá căn bậc hai của gạch trượt. Tên miền này có nhiều giá trị f nhau, do đó khi IDA * tăng ràng buộc đến nhỏ nhất out-of-ràng buộc giá trị f, nó sẽ truy cập vào một số lượng rất nhỏ của các nút mới với f cùng trong phiên bản kế tiếp. Chúng tôi không vẽ các kết quả cho IDA * trên tên miền này vì nó cho hiệu suất rất kém. IDA * đã không thể giải quyết bất kỳ trường hợp với thời gian chờ một giờ và có ít nhất một trường hợp đòi hỏi nhiều hơn một tuần để giải quyết. Hình 7 trình bày các kết quả cho IDA * IM và IDA * CR. Ngay cả với yêu cầu các ngành, ràng buộc, IDA * IM và IDA * CR dễ dàng làm tốt hơn IDA * bởi In- nhăn liberally các ràng buộc hơn giữa các lần lặp lại. Trong khi IDA * CR cho hiệu suất tốt hơn một chút về thời gian CPU với, mô hình của nó là không thể cung cấp những dự đoán rất chính xác. Các yếu tố tăng trưởng giữa các lần lặp lại cho IDA * CR là không nhỏ hơn tám lần kích thước của lặp trước khi mục tiêu là tăng gấp đôi. Mô hình gia tăng, tuy nhiên, đã có thể giữ các yếu tố tăng trưởng rất gần gấp đôi. Các yếu tố ước lượng trung bình là 0,871 cho các mô hình về tinh thần tăng lên với bước gần hơn với các yếu tố ước lượng tối ưu của một trong hơn khi các mô hình đã được đào tạo off-line. Chúng tôi phỏng đoán rằng các mô hình đã có thể tìm hiểu thông tin cụ thể để các ví dụ mà nó đã được dự đoán. Một lý do tại sao IDA * CR đã có thể đạt được hiệu suất cạnh tranh trong lĩnh vực này là bởi vì, bởi tăng cao hơn các ràng buộc rất nhanh chóng, nó đã có thể bỏ qua nhiều lần lặp lại tìm kiếm IDA * IM thực hiện. IDA * CR thực hiện không quá 10 lần lặp lại trên bất kỳ trường hợp trong bộ này trong khi IDA * IM thực hiện lên đến 33 lần lặp lại về một trường hợp duy nhất. Mặc dù sự gia tăng nhanh là ràng buộc