21. Wah, B.W., Shang, Y.: Compariso

21. Wah, B.W., Shang, Y.: Comparison and evaluation of a class of IDA* algorithms.
International Journal on Artificial Intelligence Tools 3(4), 493–523 (October 1995)
22. Xu, L., Hutter, F., Hoos, H.H., Leyton-Brown, K.: SATzilla: portfolio-based algo- rithm selection for SAT. Journal of Artificial Intelligence Research 32(1), 565–606 (2008)
23. Zahavi, U., Felner, A., Burch, N., Holte, R.C.: Predicting the performance of IDA*
using conditional distributions. Journal of Artificial Intelligence Research 37, 41–83 (2010)


A Histograms

The incremental model makes use of fixed-size histograms to represent distri- butions over f and ∆f values. To maintain as much accuracy as possible, our implementation uses two types of histograms: an exact points histogram for rep- resenting a small number of data points and an approximate bins histogram for representing a large number of data points. A points histogram is a list of the data points representing the distribution. Points histograms are completely accurate as they represents exactly every value in their distribution. When the number of data points added to the distribution reaches the histogram’s size limit, it is converted to a bins histogram. A bins histogram is an array of fixed-width bins, where each entry is a floating point value that represents the amount of mass in the distribution for the range of values represented by the corresponding bin. A bins histogram is approximate but has the advantage of using a constant amount of memory to store and a constant amount of computation to manipulate. The size of the histogram represents the maximum number of points allowed before converting to bins and once converted to bins the size specifies the number of bins.
Our histogram implementation supports several operations: add mass adds a point mass to the histogram; add returns a histogram representing the sum of a list of histograms; convolve returns a histogram that is the convolution two histograms as described in Section 3.2; weight left of returns the amount of mass in the histogram to the left of a given value; total weight returns the total weight of the histogram; normalize normalizes the distribution such that the total weight is equal to a given value; and prune weight right prunes the mass in the histogram to the right of the given value.
When adding mass to a points histogram the new values are added as ad- ditional points. For a bins histogram, the additional mass is ‘sprinkled’ propor- tionally across the bins containing values for which mass is being added. If mass is added to a value that extends beyond the domain of a bins histogram then the bins of the histogram are recomputed by increasing the bin width by integral multiple of the current width. When the bin width is increased in this manner, adjacent bins are merged and the newly emptied bins are free to accommodate the new values. When convolving two histograms, the result is a bins histogram if either of the operands are a bins histogram, or if they are both points histograms but the domain of the result has more values than the histogram size.

Kết quả (Việt) 1:

21. Wah, BW, Shang, Y.: So sánh và đánh giá một loại IDA * thuật toán.Các tạp chí quốc tế về trí tuệ nhân tạo công cụ 3(4), 493-523 (tháng 10 năm 1995)22. Xu, L., Hutter, F., Hoos, H.H., Leyton-Brown, K.: SATzilla: dựa trên danh mục đầu tư algo-rithm lựa chọn cho SAT. Tạp chí của trí tuệ nhân tạo nghiên cứu 32(1), 565-606 (2008)23. Zahavi, U., Felner, A., Burch, N., Holte, RC: dự đoán hiệu suất của IDA *sử dụng có điều kiện phân phối. Tạp chí nghiên cứu trí tuệ nhân tạo 37, 41-83 (2010)Một HistogramsThe incremental model makes use of fixed-size histograms to represent distri- butions over f and ∆f values. To maintain as much accuracy as possible, our implementation uses two types of histograms: an exact points histogram for rep- resenting a small number of data points and an approximate bins histogram for representing a large number of data points. A points histogram is a list of the data points representing the distribution. Points histograms are completely accurate as they represents exactly every value in their distribution. When the number of data points added to the distribution reaches the histogram’s size limit, it is converted to a bins histogram. A bins histogram is an array of fixed-width bins, where each entry is a floating point value that represents the amount of mass in the distribution for the range of values represented by the corresponding bin. A bins histogram is approximate but has the advantage of using a constant amount of memory to store and a constant amount of computation to manipulate. The size of the histogram represents the maximum number of points allowed before converting to bins and once converted to bins the size specifies the number of bins.Thực hiện biểu đồ của chúng tôi hỗ trợ một số hoạt động: thêm khối lượng cho biết thêm một khối lượng điểm để biểu đồ; Thêm trả về một biểu đồ đại diện cho số tiền của một danh sách các histograms; convolve trả về một biểu đồ là convolution hai histograms như được diễn tả trong phần 3.2; trọng lượng còn lại của lợi nhuận số đoàn thể trong biểu đồ để phía bên trái của một giá trị nhất định; Tổng trọng lượng trả về tổng trọng lượng của biểu đồ; bình thường hóa lại bình thường phân phối như vậy mà tổng trọng lượng là tương đương với một giá trị nhất định; và trọng lượng prune đúng prunes khối lượng trong biểu đồ ở bên phải của giá trị nhất định.Khi thêm khối lượng để một biểu đồ điểm các giá trị mới được thêm vào như là quảng cáo-ditional điểm. Cho một biểu đồ thùng, khối lượng bổ sung là 'rắc' propor-tionally trên các thùng chứa giá trị mà khối lượng đang được bổ sung. Nếu khối lượng sẽ được thêm vào một giá trị mở rộng vượt ra ngoài miền của một biểu đồ thùng sau đó thùng biểu đồ được recomputed bằng cách tăng chiều rộng bin bởi nhiều không thể tách rời của chiều rộng hiện tại. Khi bin chiều rộng được tăng lên theo cách này, bên cạnh thùng được sáp nhập và thùng emptied mới được tự do để chứa các giá trị mới. Khi convolving hai histograms, kết quả là một biểu đồ thùng, nếu một trong các operands một biểu đồ thùng, hoặc nếu họ là cả hai điểm histograms nhưng miền của kết quả có giá trị nhiều hơn kích thước biểu đồ.

Kết quả (Việt) 2:

21. Wah, BW, Shang, Y .: So sánh và đánh giá của một lớp học của IDA * thuật toán.
Tạp chí Quốc tế về Artificial Intelligence Tools (4) 3, 493-523 (October 1995)
22. Xu, L., Hutter, F., Hoos, HH, Leyton-Brown, K .: SATzilla: lựa chọn thuật toán dựa trên danh mục đầu tư cho SAT. Tạp chí Nghiên cứu Trí tuệ nhân tạo 32 (1), 565-606 (2008)
23. Zahavi, U., Felner, A., Burch, N., Holte, RC: Dự đoán hiệu suất của IDA *
sử dụng phân phối điều kiện. Tạp chí Nghiên cứu trí tuệ nhân tạo 37, 41-83 (2010) Một biểu đồ Mô hình gia tăng sử dụng các biểu đồ kích thước cố định để đại diện cho những đóng phối qua các giá trị f và Δf. Để duy trì sự chính xác càng tốt, thực hiện của chúng tôi sử dụng hai loại biểu đồ: một điểm biểu đồ chính xác cho resenting của đại diện một số lượng nhỏ các điểm dữ liệu và một thùng gần đúng biểu đồ để đại diện cho một số lượng lớn các điểm dữ liệu. Một điểm histogram là một danh sách các điểm dữ liệu đại diện phân phối. Điểm biểu đồ là hoàn toàn chính xác khi họ thực hiện chính xác mọi giá trị trong phân phối của họ. Khi số lượng các điểm dữ liệu thêm vào phân phối đạt đến giới hạn kích thước của biểu đồ, nó được chuyển đổi thành một biểu đồ thùng. Một biểu đồ thùng là một mảng của thùng cố định chiều rộng, nơi mỗi mục là một giá trị dấu chấm đại diện cho số của khối lượng trong phân phối cho các phạm vi giá trị đại diện bởi bin tương ứng. Một biểu đồ thùng là gần đúng nhưng có lợi thế của việc sử dụng một lượng không đổi bộ nhớ để lưu trữ và một lượng không đổi tính toán để thao tác. Kích thước của biểu đồ thể hiện số điểm tối đa cho phép trước khi chuyển đổi để các thùng và một lần chuyển đổi để thùng kích thước quy định cụ thể số lượng thùng. Thực hiện biểu đồ của chúng tôi hỗ trợ một số hoạt động: thêm khối lượng bổ sung thêm một loạt các điểm đến biểu đồ; thêm lợi nhuận một biểu đồ đại diện cho tổng của một danh sách các biểu đồ; dây leo trả về một biểu đồ đó là chập hai biểu đồ như được mô tả trong mục 3.2; trọng lượng trái trả về số lượng của khối lượng trong biểu đồ bên trái của một giá trị nhất định; tổng trọng lượng trả về tổng trọng lượng của biểu đồ; normalize bình thường hóa sự phân bố như vậy mà tổng trọng lượng là tương đương với một giá trị nhất định; và trọng lượng mận mận đúng khối lượng trong biểu đồ bên phải giá trị nhất định. Khi thêm khối lượng vào một điểm biểu đồ giá trị mới được thêm vào như quảng cáo- điểm ditional. Đối với một biểu đồ thùng, khối lượng tăng thêm là 'rắc' lệ thuận tionally trên các thùng chứa giá trị mà khối lượng đang được thêm vào. Nếu khối lượng được thêm vào một giá trị vượt ra ngoài phạm vi của một biểu đồ thùng thì thùng của biểu đồ được tính toán lại bằng cách tăng chiều rộng bin bằng bội số nguyên của chiều rộng hiện nay. Khi chiều rộng bin được tăng lên theo cách này, thùng liền kề được sáp nhập và các thùng mới được làm trống là miễn phí để chứa các giá trị mới. Khi convolving hai biểu đồ, kết quả là một thùng Histogram nếu một trong hai toán hạng là một biểu đồ thùng, hoặc nếu họ là cả hai điểm biểu đồ nhưng các miền của kết quả có giá trị hơn so với kích thước biểu đồ.