Fugu-MT 論文翻訳(概要): A*+BFHS: A Hybrid Heuristic Search Algorithm

論文の概要: A*+BFHS: A Hybrid Heuristic Search Algorithm

arxiv url: http://arxiv.org/abs/2103.12701v1
Date: Tue, 23 Mar 2021 17:22:03 GMT
ステータス: 処理完了
システム内更新日: 2021-03-24 13:58:43.486685
Title: A*+BFHS: A Hybrid Heuristic Search Algorithm
Title（参考訳）: A*+BFHS:ハイブリッドヒューリスティック検索アルゴリズム
Authors: Zhaoxing Bu and Richard E. Korf
Abstract要約: A*+BFHSはA*とBFHSに基づいている簡単な問題では、A*+BFHS は A* と同じ振る舞いをする。難しい問題では、それはA*よりも遅いですが、大量のメモリを節約します。 BFIDA*と比較して、A*+BFHSは様々なプランニングドメインで検索時間やメモリ要件を数回削減します。
参考スコア（独自算出の注目度）: 6.85316573653194
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a new algorithm A*+BFHS for solving hard problems where A* and IDA* fail due to memory limitations and/or the existence of many short cycles. A*+BFHS is based on A* and breadth-first heuristic search (BFHS). A*+BFHS combines advantages from both algorithms, namely A*'s node ordering, BFHS's memory savings, and both algorithms' duplicate detection. On easy problems, A*+BFHS behaves the same as A*. On hard problems, it is slower than A* but saves a large amount of memory. Compared to BFIDA*, A*+BFHS reduces the search time and/or memory requirement by several times on a variety of planning domains.
Abstract（参考訳）: 本稿では,A* と IDA* がメモリ制限や多くの短周期の存在により失敗する難題を解くためのアルゴリズム A*+BFHS を提案する。 a*+bfhsは、a*および幅優先ヒューリスティック探索(bfhs)に基づいている。 A*+BFHSは、A*のノードオーダリング、BFHSのメモリセーブ、および両方のアルゴリズムの重複検出という、両方のアルゴリズムの利点を組み合わせる。簡単な問題では、A*+BFHS は A* と同じ振る舞いをする。難しい問題では、A*よりも遅いが、大量のメモリを節約する。 BFIDA*と比較すると、A*+BFHSは様々な計画領域において検索時間やメモリ要求を数回削減する。

関連論文リスト

Evolving A* to Efficiently Solve the k Shortest-Path Problem (Extended Version) [0.0]
そこで本研究では,A*の自然進化により,その興味深い性質を全て保ちながら,同時に時間的複雑性をもった新しい探索アルゴリズムを提案する。様々なテストベッドでの実験では、しばしば1～2桁のオーダーで、芸術の状況よりもパフォーマンスが大幅に向上した。
論文参考訳（メタデータ） (2024-08-15T15:54:25Z)
LEA*: An A* Variant Algorithm with Improved Edge Efficiency for Robot Motion Planning [17.746746646529424]
ロボットの動作計画のための新しいグラフ探索アルゴリズムである遅延エッジベースA*(LEA*)を導入する。 LEA* は A* に最小限の変更を加えるだけで実装が簡単であり、従来の遅延探索アルゴリズムに比べてオーバーヘッドが非常に小さい。 We show that the edge efficiency of wLEA* is close to LazySP, so is almost-optimal。
論文参考訳（メタデータ） (2023-09-19T16:04:09Z)
A-ePA*SE: Anytime Edge-Based Parallel A* for Slow Evaluations [15.00536873208851]
任意の検索アルゴリズムは、限られた時間予算の下でソリューションが要求されるような計画上の問題に有用である。そのようなアルゴリズムの1つであるePA*SEは、より高速な計画を実現するためにエッジ評価を並列化する。 A-ePA*SEは他の検索手法よりもはるかに効率的であることを示す。
論文参考訳（メタデータ） (2023-05-08T01:21:27Z)
Enhanced Multi-Objective A* with Partial Expansion [22.45142249108214]
グラフ上に現れる多目的短経路問題(MO-SPP)は、複数の目的を最適化しながら経路の集合を決定する。この問題に対処するため,複数のMOA*アルゴリズムが最近開発された。この作業は,MOA*の高メモリ消費を,実行時にほとんど増加せずに削減することを目的としている。
論文参考訳（メタデータ） (2022-12-06T05:48:11Z)
HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection [75.84584400866254]
両アプローチの強みを両アプローチの弱さを緩和しつつ組み合わせ, 特殊林を利用した新しいアルゴリズムセレクタを提案する。 HARRISの決定は、ハイブリッドランキングと回帰損失関数に基づいて最適化された木を作成する森林モデルに基づいている。
論文参考訳（メタデータ） (2022-10-31T14:06:11Z)
Lifelong Bandit Optimization: No Prior and No Regret [70.94238868711952]
我々は,過去の経験から学習することで環境に適応するアルゴリズムであるLIBOを開発した。カーネルが未知だが、すべてのタスク間で共有されるカーネル構造を仮定する。我々のアルゴリズムは、任意のカーネル化または線形バンディットアルゴリズムと組み合わせて、最適な性能を保証できる。
論文参考訳（メタデータ） (2022-10-27T14:48:49Z)
Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。両レベル最適化のための2つの新しいアルゴリズムを提案する。両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文参考訳（メタデータ） (2021-06-08T21:05:30Z)
Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-01-07T08:00:02Z)
RBF-HS: Recursive Best-First Hitting Set Search [0.0]
本稿では,2つの新しい診断アルゴリズムを提案する。 RBF-HS (Recursive Best-First Hitting Set Search)とHBF-HS (Hybrid Best-First Hitting Set Search) 最小限の心不全説明の計算では,RBF-HSがメモリ要求を大幅に削減することがわかった。
論文参考訳（メタデータ） (2020-10-08T22:09:39Z)
Faster Person Re-Identification [68.22203008760269]
本稿では,新しいハッシュコード検索戦略を定式化することによって,高速ReIDのための新しいソリューションを提案する。より短いコードを使用して、より正確なReIDのいくつかのトップ候補を洗練するために、より広い一致の類似性を粗くランク付けし、より長いコードを使用する。 2つのデータセットに対する実験結果から,提案手法(CtF)は現在のハッシュReID法よりも8%精度が高いだけでなく,5倍高速であることがわかった。
論文参考訳（メタデータ） (2020-08-16T03:02:49Z)
New Oracle-Efficient Algorithms for Private Synthetic Data Release [52.33506193761153]
微分プライベートな合成データを構築するための3つの新しいアルゴリズムを提案する。アルゴリズムは最悪の場合でも差分プライバシーを満たす。現状の手法である高次元行列機構 citeMcKennaMHM18 と比較すると,我々のアルゴリズムは大規模作業負荷の精度が向上する。
論文参考訳（メタデータ） (2020-07-10T15:46:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。