tended to give accurate predictions

tended to give accurate predictions for the vacuum maze domain, a different model may be required for other domains.
We have looked at using an incremental model for predicting the number of nodes that will be expanded within a given cost bound. Another possible use for the incremental model is estimating the optimal solution cost for a problem. Since the distance-to-go estimate d is only equal to zero for goal nodes, the sim- ulation procedure described in Section 3 may be used to determine the smallest f value among all of the nodes with d = 0. This f value is an estimate of the optimal solution cost. This would extend the results presented by Lelis, Stern, and Jabbari [11] to on-line learning and domains with real valued costs.
There has been much successful work in the area of exploiting instance- specific information for automatic algorithm selection and configuration [22, 12,
1]. In agreement with these results, we believe that instance-specific informa-
tion is what allows the incremental model to make accurate predictions when trained online (cf Section 5.2, where our results show that the model was more accurate when trained online on each instance than when trained offline). Reac- tive and autonomous search [2, 5], in which optimization algorithms attempt to tune themselves online, have been show to be quite effective for constraint pro- gramming and combinatorial optimization. IDA*IM demonstrates that on-line learning can be used to control search for shortest-path problems too.



7 Conclusion


In this paper, we presented a new incremental model for predicting the dis- tribution of solution cost estimates in a search tree and hence the number of nodes that bounded depth-first search will visit. Our new model is comparable to state-of-the-art methods in domains where those methods apply. The three main advantages of our new model are that it works naturally in domains with real-valued heuristic estimates, it is accurate with few training samples, and it can be trained on-line. We demonstrated that training the model on-line can lead to more accurate predictions. Additionally, we have shown that the incre- mental model can be used to control an IDA* search, giving a robust algorithm, IDA*IM . Given the prevalence of real-valued costs in real-world problems, on- line incremental models are an important step in broadening the applicability of iterative deepening search.



8 Acknowledgements


We gratefully acknowledge support from NSF (grant IIS-0812141), the DARPA CSSG program (grant HR0011-09-1-0021), and the University of New Hampshire Dissertation Year Fellowship.

Kết quả (Việt) 1:

có xu hướng để cung cấp cho các dự báo chính xác cho vùng chân không mê cung, một mô hình khác nhau có thể được yêu cầu cho các tên miền khác.Chúng tôi đã xem xét bằng cách sử dụng một mô hình gia tăng dự đoán số lượng các nút sẽ được mở rộng trong một chi phí nhất định bị ràng buộc. Một có thể sử dụng cho mô hình gia tăng là ước tính chi phí giải pháp tối ưu cho một vấn đề. Kể từ khi ước tính khoảng cách để đi d là chỉ bằng 0 cho các nút mục tiêu, các sim-ulation thủ tục được mô tả trong phần 3 có thể được sử dụng để xác định giá trị f nhỏ nhất trong số tất cả các nút với d = 0. Giá trị này f là một ước tính chi phí giải pháp tối ưu. Điều này sẽ mở rộng kết quả trình bày bởi Lelis, đuôi, và Jabbari [11] để học trực tuyến và tên miền với chi phí thực sự có giá trị.Đã có nhiều thành công làm việc trong lĩnh vực khai thác thông tin cụ thể trường hợp cho lựa chọn thuật toán tự động và cấu hình [22, 12,1]. trong thỏa thuận với những kết quả này, chúng tôi tin rằng informa trường hợp cụ thể -tion là những gì cho phép mô hình gia tăng để làm cho dự báo chính xác khi đào tạo trực tuyến (cf phần 5.2, nơi chúng tôi kết quả cho thấy rằng các mô hình là chính xác hơn khi được đào tạo trực tuyến về mỗi trường hợp hơn khi được đào tạo gián tuyến). Reac-hoạt động cùng và tìm kiếm tự [2, 5], trong đó tối ưu hóa thuật toán cố gắng điều chỉnh bản thân trực tuyến, đã là hiển thị để khá hiệu quả tối ưu hóa pro-gramming và tổ hợp công hạn chế. IDA * IM chứng tỏ rằng học trực tuyến có thể được sử dụng để kiểm soát tìm kiếm đường đi ngắn nhất vấn đề quá.7 ConclusionIn this paper, we presented a new incremental model for predicting the dis- tribution of solution cost estimates in a search tree and hence the number of nodes that bounded depth-first search will visit. Our new model is comparable to state-of-the-art methods in domains where those methods apply. The three main advantages of our new model are that it works naturally in domains with real-valued heuristic estimates, it is accurate with few training samples, and it can be trained on-line. We demonstrated that training the model on-line can lead to more accurate predictions. Additionally, we have shown that the incre- mental model can be used to control an IDA* search, giving a robust algorithm, IDA*IM . Given the prevalence of real-valued costs in real-world problems, on- line incremental models are an important step in broadening the applicability of iterative deepening search.8 AcknowledgementsWe gratefully acknowledge support from NSF (grant IIS-0812141), the DARPA CSSG program (grant HR0011-09-1-0021), and the University of New Hampshire Dissertation Year Fellowship.

Kết quả (Việt) 2:

thường đứng cho dự đoán chính xác cho lĩnh vực chân không mê cung, một mô hình khác nhau có thể được yêu cầu cho các lĩnh vực khác.
Chúng tôi đã xem xét sử dụng một mô hình gia tăng cho dự đoán số lượng của các nút đó sẽ được mở rộng trong phạm vi một chi phí nhất định ràng buộc. Một ứng dụng khác có thể cho mô hình gia tăng được ước tính chi phí giải pháp tối ưu cho một vấn đề. Do khoảng cách để đi dự d là chỉ bằng không cho các nút mục tiêu, các thủ tục ulation giản được mô tả trong phần 3 có thể được sử dụng để xác định giá trị f nhỏ nhất trong số tất cả các nút với d = 0. Giá trị này là f ước tính chi phí giải pháp tối ưu. Điều này sẽ mở rộng các kết quả trình bày bởi Lelis, Stern, và Jabbari [11] để vào đường học tập và lĩnh vực có giá trị thực chi phí.
Hiện đã có nhiều tác phẩm thành công trong lĩnh vực khai thác instance- thông tin cụ thể để lựa chọn thuật toán tự động và cấu hình [ 22, 12,
1]. Trong thỏa thuận với kết quả này, chúng tôi tin rằng trường hợp cụ thể informa-
tion là những gì cho phép các mô hình gia tăng để đưa ra dự đoán chính xác khi được đào tạo trực tuyến (Phần cf 5.2, nơi mà kết quả của chúng tôi cho thấy rằng mô hình là chính xác hơn khi được đào tạo trực tuyến về mỗi thể hơn sau khi đã được ẩn). Chính kịp phản ứng và tìm kiếm tự trị [2, 5], trong đó thuật toán tối ưu cố gắng để điều chỉnh mình lên trên mạng, đã được trình diễn được khá hiệu quả cho chế trình gramming và tối ưu hóa tổ hợp. IDA * IM chứng minh rằng trên đường học tập có thể được sử dụng để điều khiển tìm kiếm cho các vấn đề ngắn nhất con đường quá. 7 Kết luận Trong bài báo này, chúng tôi trình bày một mô hình gia tăng mới để dự đoán sự đóng dis- dự toán chi phí giải pháp trong một cây tìm kiếm và do đó số nút mà giáp tìm kiếm theo chiều sâu sẽ đến thăm. Mô hình mới của chúng tôi là so sánh với nhà nước-of-the-nghệ thuật các phương pháp trong các lĩnh vực nơi mà các phương pháp áp dụng. Ba ưu điểm chính của mô hình mới của chúng tôi rằng nó hoạt động một cách tự nhiên trong các lĩnh vực với các ước tính phỏng đoán giá trị thực, nó là chính xác với vài mẫu huấn luyện, và nó có thể được đào tạo trực tuyến. Chúng tôi đã chứng minh rằng mô hình đào tạo trực tuyến có thể dẫn tới những dự đoán chính xác hơn. Ngoài ra, chúng tôi đã chỉ ra rằng các mô hình về tinh thần tăng lên với bước có thể được sử dụng để kiểm soát một tìm kiếm IDA *, cho một thuật toán mạnh mẽ, IDA * IM. Với sự phổ biến của các chi phí thực tế có giá trị trong các vấn đề thế giới thực, on-line mô hình gia tăng là một bước quan trọng trong việc mở rộng phạm vi áp dụng của lặp đi lặp lại tìm kiếm sâu hơn. 8 Lời cảm ơn Chúng tôi chân thành cảm ơn sự hỗ trợ của NSF (cấp IIS-0.812.141), các DARPA CSSG chương trình (cấp HR0011-09-1-0021), và Đại học New Hampshire Dissertation Năm Fellowship.