Lặp đi lặp lại làm sâu sắc thêm tìm

Lặp đi lặp lại làm sâu sắc thêm tìm kiếm với
On-line cây kích thước dự đoán


Ethan Burns và thợ làm bánh xe Ruml

Đại học New Hampshire
Vùng máy tính khoa học
eaburns tại cs.unh.edu và ruml lúc cs.unh.edu



Tóm tắt. Các yêu cầu bộ nhớ của đồ thị đầu tiên tốt nhất tìm algo-rithms chẳng hạn như A * thường ngăn chặn chúng từ giải quyết vấn đề lớn. Phương pháp nổi tiếng nhất để đối phó với vấn đề này là lặp đi lặp lại làm sâu sắc thêm, mà thực hiện một loạt các bị chặn độ sâu-đầu tiên tìm kiếm. Thật không may, lặp đi lặp lại làm sâu sắc thêm chỉ hoạt động tốt khi kế tiếp chi phí giới hạn truy cập vào một số geometrically ngày càng tăng của các nút. Trong khi nó xảy ra với làm việc acceptably cho câu đố cổ điển gạch trượt, IDA * không cho nhiều lĩnh vực khác. Trong bài này, chúng tôi trình bày một thuật toán mà một cách điều hợp chọn thích hợp chi phí giới hạn trên mạng trong thời gian tìm kiếm. Trong mỗi lặp đi lặp lại, nó học một mô hình của cây tìm kiếm giúp nó để dự đoán ràng buộc để sử dụng tiếp theo. Mô hình cây tìm kiếm của chúng tôi có ba lợi ích chính trên phương pháp tiếp cận trước vious: 1) nó sẽ làm việc trong các lĩnh vực với các giá trị thực ước tính heuristic, 2) nó có thể được đào tạo on-line và 3) nó có thể làm cho dự báo chính xác hơn với chỉ một số ít các ví dụ huấn luyện. Chúng tôi chứng minh sức mạnh của mô hình cải tiến của chúng tôi bằng cách sử dụng nó để kiểm soát một lặp đi lặp lại làm sâu sắc thêm A * tìm kiếm trực tuyến. Trong khi kỹ thuật của chúng tôi có các chi phí thêm hơn các phương pháp trước đó cho việc kiểm soát lặp đi lặp lại-sâu sắc A *, nó có thể cung cấp cho hiệu suất mạnh mẽ hơn bằng cách sử dụng kinh nghiệm của nó chính xác tăng gấp đôi số nỗ lực tìm kiếm giữa lặp đi lặp lại.

Từ khóa: heuristic tìm, tìm cây, cây kích thước dự đoán, phản ứng tìm kiếm, tìm kiếm tự


1 giới thiệu

Tìm kiếm theo tốt nhất là một công cụ cơ bản cho lập kế hoạch tự động và giải quyết vấn đề. Một ma nhược điểm jor của thuật toán tìm kiếm theo tốt nhất, chẳng hạn như A * [6], là họ lưu trữ mỗi nút mà họ tạo ra. Điều này có nghĩa rằng cho các vấn đề khó khăn trong đó nhiều nút phải được tạo ra, A * chạy ra khỏi bộ nhớ. Nếu các giải pháp tối ưu là cần thiết, lặp đi lặp lại sâu A * (IDA *) [8] có thể thường được sử dụng để thay thế. IDA * thực hiện một loạt các độ sâu đầu tiên tìm kiếm nơi mỗi tìm kiếm mở rộng tất cả các nút mà chi phí ước tính giải pháp nằm trong một ràng buộc nhất định. Như với A *, chi phí giải pháp của một nút n ước tính bằng cách sử dụng giá trị f (n) = g(n) + h(n) nơi g(n) là chi phí đã tích luỹ dọc theo con đường từ gốc để n và h(n) là một ràng buộc thấp hơn chi phí của con đường rẻ nhất để một nút mục tiêu từ n. Chúng tôi

Kết quả (Việt) 1:

Lặp đi lặp lại làm sâu sắc thêm tìm kiếm vớiOn-line cây kích thước dự đoánEthan Burns và thợ làm bánh xe RumlĐại học New HampshireVùng máy tính khoa họceaburns tại cs.unh.edu và ruml lúc cs.unh.eduTóm tắt. Các yêu cầu bộ nhớ của đồ thị đầu tiên tốt nhất tìm algo-rithms chẳng hạn như A * thường ngăn chặn chúng từ giải quyết vấn đề lớn. Phương pháp nổi tiếng nhất tiếng đối phó với vấn đề này là lặp đi lặp lại làm sâu sắc thêm, mà thực hiện một loạt các bị chặn độ sâu-đầu tiên tìm kiếm. Thật không may, lặp đi lặp lại làm sâu sắc thêm chỉ hoạt động tốt khi kế truyện chí phí giới hạn truy cập vào một số geometrically ngày càng tăng của các nút. Trong khi nó xảy ra với làm việc acceptably cho câu đố cổ điển gạch trượt, IDA * không cho nhiều lĩnh vực ông. Trong hai này, chúng tôi trình bày một thuật toán mà một cách ban hợp chọn thích hợp chi phí giới hạn trên mạng trong thời gian tìm kiếm. Trong mỗi lặp đi lặp lại, nó khóa học một mô chuyển của cây tìm kiếm giúp nó tiếng dự đoán ràng buộc tiếng sử scholars truyện theo. Mô chuyển cây tìm kiếm của chúng tôi có ba lợi học chính trên phương pháp truyện cận trước vious: 1) nó sẽ làm việc trong các lĩnh vực với các giá trị thực ước tính heuristic, 2) nó có Bulgaria được đào chức on-line và 3) nó có Bulgaria làm cho dự báo chính xác hơn với chỉ một số ít các ví dụ huấn luyện. Chúng tôi chứng minh sức mạnh của mô chuyển cải tiến của chúng tôi bằng cách sử scholars nó tiếng kiểm soát một lặp đi lặp lại làm sâu sắc thêm A * tìm kiếm rục tuyến. Trong khi kỹ thuật của chúng tôi có các chi phí thêm hơn các phương pháp trước đó cho việc kiểm soát lặp đi lặp lại-sâu sắc A *, nó có Bulgaria cung cấp cho hiệu suất mạnh mẽ hơn bằng cách sử scholars kinh nghiệm của nó chính xác tăng gấp đôi số nỗ lực tìm kiếm giữa lặp đi lặp lại.Từ Teamwork: heuristic tìm, tìm cây, cây kích thước dự đoán, phản ứng tìm kiếm, tìm kiếm tự1 giới thiệuTìm kiếm theo tốt nhất là một công cụ cơ bản cho lập kế hoạch tự động và giải quyết vấn đề. Một ma nhược điểm jor của thuật toán tìm kiếm theo tốt nhất, chẳng hạn như A * [6], là họ lưu trữ mỗi nút mà họ chức ra. Điều này có nghĩa rằng cho các vấn đề khó khăn trong đó nhiều nút phải được chức ra, A * chạy ra khỏi bộ nhớ. Nếu các giải pháp lồng ưu là cần thiết, lặp đi lặp lại sâu A * (IDA *) [8] có mùa thường được sử scholars tiếng thay thế. IDA * thực hiện một loạt các độ sâu đầu tiên tìm kiếm nơi mỗi tìm kiếm mở rộng tất đoàn các nút mà chi phí ước tính giải pháp nằm trong một ràng buộc nhất định. Như với A *, chi phí giải pháp của một nút n ước tính bằng cách sử scholars giá trị f (n) = g(n) + h(n) nơi g(n) là chi phí đã tích luỹ dọc theo con đường từ gốc tiếng n và h(n) là một ràng buộc thấp hơn chi phí của con đường rẻ nhất tiếng một nút mục tiêu từ n. Chúng tôi

Kết quả (Việt) 2:

Lặp đi lặp lại làm sâu sắc thêm search for
On-line cây kích thước dự đoán Ethan Burns and thợ làm bánh xe Ruml Đại học New Hampshire Vùng máy tính khoa học eaburns tại cs.unh.edu and ruml lúc cs.unh. edu Tóm tắt. Các yêu cầu memory of đồ thị đầu tiên tốt nhất tìm algo-rithms chẳng hạn such as A * thường ngăn chặn they are from giải quyết vấn đề lớn. Phương pháp nổi tiếng nhất to đối phó with the problem This is lặp đi lặp lại làm sâu sắc thêm, mà thực hiện an loat the blocked depth-first search. Thật không may, lặp đi lặp lại làm sâu sắc thêm chỉ hoạt động tốt when the next chi phí giới hạn truy cập vào a number hình học ngày as increase of nodes. While it happen for làm việc chấp nhận được cho câu đố cổ điển gạch trượt, IDA * not nhiều lĩnh vực khác. In the bài, we trình bày one thuật toán mà one cách điều hợp select thích hợp chi phí giới hạn trên mạng in thời gian tìm kiếm. In each lặp đi lặp lại, it one học mô hình của cây search help it to dự đoán ràng buộc for use tiếp theo. Mô hình cây search of we have ba lợi ích chính trên phương pháp tiếp cận trước vious: 1) it will work in the lĩnh vực with giá trị thực ước tính heuristic, 2) it may be đào tạo on- dòng and 3) it possible làm cho dự báo chính xác than with the only one số ít examples huấn luyện. We chứng Minh sức mạnh của mô hình cải tiến of our bằng cách sử dụng it to kiểm soát an lặp đi lặp lại làm sâu sắc thêm A * search trực tuyến. While điện lạnh of we have chi phí thêm than its phương pháp trước which cho việc kiểm soát lặp đi lặp lại, sâu sắc A *, it may be cung cấp cho hiệu suất mạnh mẽ than bằng cách sử dụng kinh nghiệm of it exactly increase gấp đôi như vậy không có lực tìm kiếm Centered lặp đi lặp lại. Từ khóa: tìm heuristic, tìm cây, cây kích thước dự đoán, phản ứng tìm kiếm, tìm kiếm tự 1 giới thiệu Tìm kiếm theo tốt nhất is one công cụ cơ bản cho lập kế hoạch tự động and giải quyết vấn đề. Một ma nhược điểm Jor of thuật toán tìm kiếm theo tốt nhất, chẳng hạn such as A * [6], as they lưu trữ each of which they nút tạo ra. This means that cho các vấn đề khó khăn in which nhiều nút to be made, A * run from memory. If the giải pháp tối ưu is necessary, lặp đi lặp lại sâu A * (IDA *) [8] possible thường used instead. IDA * thực hiện an loat the depth đầu tiên tìm kiếm nơi at a search expanded all the node mà chi phí ước tính giải pháp is in one ràng buộc nhất định. Như voi A *, chi phí giải pháp of a nút n ước tính bằng cách sử dụng giá trị f (n) = g (n) + h (n) nơi g (n) is chi phí was tích lũy dọc theo con đường từ gốc to n and h (n) is one ràng buộc thấp than chi phí of con đường rẻ nhất for one nút mục tiêu từ n. We