Figure 5: Performance of Anytime WR

Figure 5: Performance of Anytime WRBFS. Panel (a) shows performance profiles using three different weights, averaged over Korf ’s 100 random instances of the Fifteen Puzzle. Panel (b) shows the average number of recursive calls required to converge to an optimal solution, using weights from 1.0 to 2.0 in increments of 0.1, and averaged over the same 100 random instances of the Fifteen Puzzle.



that both algorithms can revisit the same nodes multiple times. Figure 5(b) shows that the weighted heuristic used by Anytime WRBFS can reduce the number of recursive calls; intuitively, this occurs because the greedier search strategy of weighted heuristic search tends to delay and reduce backtracking. Of course, if the weight is increased enough, the number of distinct node expansions increases and eventually the number of recursive calls also increases, as Figure 5(b) shows. Nevertheless, the demonstration that a small weight can sometimes improve efficiency in finding optimal solutions is interesting.
For comparison, Figure 6(a) shows performance profiles for a version of Anytime Weighted RBFS that is based on RBFS using a weighted evaluation function, which is the original approach to Weighted RBFS. In this case, the performance profile of Anytime Weighted RBFS using a weight of 1.3 is dominated by its performance profiles using weights of 1.5 and 2.0. Figure 6(b) shows the average number of recursive calls taken by this version of Anytime Weighted RBFS to find optimal solutions for the Fifteen puzzle, using the same range of weights from 1.0 to 2.0. To ensure fair comparison, we implemented this version of Anytime Weighted RBFS so that it saves the admissible F (n) values in addition to the
non-admissible F 0(n) values, and uses the F (n) values to prune branches of the search tree
and detect convergence to an optimal solution, instead of using the static evaluation f (n). Nevertheless, this version of Anytime Weighted RBFS converges much more slowly. The scale of the y-axis in Figure 6(b) is an order of magnitude greater than in Figure 5(b), and this reflects the fact that Anytime Weighted RBFS based on this version of Weighted RBFS takes an order of magnitude longer to converge to an optimal solution than Anytime WRBFS, using the same weight.

Fluctuations in the length of time until convergence in Figure 6(b) are caused by dif- ferences in the number of distinct f 0-costs as the weight increases, causing differences in

Kết quả (Việt) 1:

Hình 5: Các hiệu suất của bất cứ lúc nào WRBFS. Bảng điều khiển (a) cho thấy các cấu hình hoạt động bằng cách sử dụng ba trọng lượng khác nhau, Trung bình trong trường hợp ngẫu nhiên của Korf 100 của mười lăm câu đố. Bảng điều khiển (b) cho thấy số đệ quy cuộc gọi yêu cầu rằng một giải pháp tối ưu, mà hội tụ bằng cách sử dụng trọng lượng từ 1.0, Trung bình mà 2.0 và từng bước của cách 0.1, và trung bình trong cùng một trường hợp ngẫu nhiên 100 của mười lăm câu đố.rằng thuật toán cả hai có thể truy cập lại các nút mình nhiều lần. Hình 5 (b) cho thấy rằng trọng heuristic được sử dụng bởi bất cứ lúc nào WRBFS có thể làm giảm số lượng các cuộc gọi đệ quy; trực giác, điều này xảy ra vì chiến lược tìm greedier của trọng heuristic tìm có xu hướng sự trì hoãn này và giảm backtracking. Tất nhiên, nếu trọng lượng tăng đủ, số lượng các nút khác biệt mở rộng tăng và cuối cùng số lượng đệ quy cũng gọi tăng, như hình 5 (b) cho thấy. Tuy nhiên, các cuộc biểu tình một trọng lượng nhỏ đôi khi có thể cải thiện hiệu quả và tìm giải pháp tối ưu là thú vị.Để so sánh, hình 6 (a) cho thấy các cấu hình hiệu suất cho một phiên bản của trọng RBFS bất cứ lúc nào mà dựa trên RBFS bằng cách sử dụng một chức năng trọng đánh giá, đó là phương pháp ban đầu của này RBFS trọng. Trong trường hợp này, các hồ sơ hiệu suất của bất cứ lúc nào trọng RBFS bằng cách sử dụng một trọng lượng của 1,3 bị chi phối bởi các hồ sơ hiệu suất sử dụng trọng lượng của 1.5 và 2.0. Hình 6 (b) cho thấy số đệ quy cuộc gọi thực hiện bởi phiên bản này của bất cứ lúc nào để tìm thấy tối ưu giải pháp RBFS trọng cho mười lăm các câu đố, sử dụng khoảng cùng một trọng lượng từ 1.0, Trung bình mà 2.0. Đảm bảo một so sánh công bằng, chúng tôi thực hiện phiên bản này của RBFS trọng vì vậy rằng bất cứ lúc nào nó sẽ lưu lại các giá trị admissible của F (n) để bổ sung cácPhòng không admissible F 0 (n) giá trị, và sử dụng các giá trị F (n) này chi nhánh prune của cây tìm kiếmvà phát hiện rằng một giải pháp tối ưu hội tụ, thay vì sử dụng việc thẩm định tĩnh của f (n). Tuy nhiên, phiên bản này của bất cứ lúc nào trọng RBFS hội tụ nhiều hơn nữa từ từ. Quy mô trên trục y và con số 6 (b) là một đơn đặt hàng của cường độ lớn hơn và hình 5 (b), và điều này phản ánh một thực tế là bất cứ lúc nào một RBFS trọng dựa trên phiên bản trọng của RBFS mất một đơn đặt hàng của các cường độ dài hơn mà hội tụ rằng một giải pháp tối ưu hơn bất cứ lúc nào WRBFS, bằng cách sử dụng cùng một trọng lượng.Biến động và thời gian cho đến khi hội tụ và con số 6 (b) là do c-ferences trong số các khác biệt f 0-chi phí như trọng lượng tăng thêm, gây ra sự khác biệt và

Kết quả (Việt) 2:

Hình 5: Hiệu suất của WRBFS Bất cứ lúc nào. Panel (a) Cho thấy hồ sơ thực hiện bằng cách sử dụng ba trọng lượng khác nhau, trung bình trên Korf 's 100 trường hợp ngẫu nhiên của các Fifteen Puzzle. Panel (b) Hiển thị số lượng trung bình của các cuộc gọi đệ quy cần thiết để hội tụ về một giải pháp tối ưu, sử dụng trọng lượng 1,0-2,0 gia của 0,1, và trung bình so với cùng 100 trường hợp ngẫu nhiên của các Fifteen Puzzle. Đó Cả hai thuật toán có thể xem lại cùng các nút nhiều lần. Hình 5 (b) Cho thấy đó heuristic trọng được sử dụng bởi WRBFS Bất cứ lúc nào có thể Giảm số lượng các cuộc gọi đệ quy; trực giác, điều này xảy ra bởi vì các chiến lược tìm kiếm tham lam của tìm kiếm heuristic trọng có xu hướng trì hoãn và giảm tùy ý. Tất nhiên, nếu trọng lượng được tăng đủ, số lượng các bản mở rộng nút riêng biệt gia tăng và cuối cùng số lượng cuộc gọi đệ quy cũng tăng, như Hình 5 (b) Cho thấy. Tuy nhiên, các cuộc biểu tình đó là một trọng lượng nhỏ đôi khi có thể cải thiện hiệu quả và tìm ra giải pháp tối ưu là thú vị. Để so sánh, hình 6 (a) Cho thấy hồ sơ hiệu suất cho một phiên bản của Anytime Weighted RBFS đó được dựa trên RBFS sử dụng một chức năng thẩm quyền, nào là cách tiếp cận ban đầu để RBFS trọng. Trong trường hợp này, hồ sơ thực hiện RBFS Anytime Weighted sử dụng trọng số 1.3 bị chi phối bởi các cấu hình hiệu suất ITS sử dụng trọng lượng là 1,5 và 2,0. Hình 6 (b) Hiển thị số lượng trung bình của các cuộc gọi đệ quy Taken bởi phiên bản này của Anytime RBFS trọng để tìm ra giải pháp tối ưu cho Mười lăm câu đố, sử dụng cùng một phạm vi trọng lượng 1,0-2,0. So sánh công bằng ensur này, chúng tôi thực hiện phiên bản này của Anytime RBFS trọng là nó tiết kiệm F (n) giá trị và bổ sung các thể chấp nhận giá trị không thể chấp nhận được F 0 (n), và sử dụng F (n) giá trị để tỉa cành của cây tìm kiếm và phát hiện sự hội tụ đến một giải pháp tối ưu, thay vì sử dụng các đánh giá f tĩnh (n). Tuy nhiên, phiên bản này của Anytime RBFS trọng hội tụ chậm hơn rất nhiều. Quy mô của các y-axis, và hình 6 (b) là một đơn đặt hàng của các cường độ lớn hơn và hình 5 (b), và điều này phản ánh thực tế đó RBFS Anytime Weighted dựa trên phiên bản này của RBFS trọng Takes theo độ dài hơn để hội tụ về một giải pháp tối ưu hơn Bất cứ lúc nào WRBFS, bằng cách sử dụng cùng một trọng lượng. dao động và độ dài của thời gian đến khi hội tụ và hình 6 (b) được gây ra bởi những khác Nhiễu xạ và số lượng khác nhau f 0-chi phí như tăng cân, gây khác biệt và