文件夹

furcy无效a_200412_phd.pdf （2.12 MB）

作者

大卫·安德烈·福西

作者

顾问

斯文·柯尼格

顾问

编辑

关联的组织

组织单位

计算机学院

系列

收藏

论文和学位论文

补充

永久链接

http://hdl.handle.net/1853/4855

摘要

中最常用的解决最短路径问题的方法人工智能是启发式搜索算法。主要这项研究的贡献是新的启发式搜索算法比现有问题更快或扩展到更大的问题算法。我们的贡献适用于在线和离线任务。对于在线任务，现有的实时启发式搜索算法学习更好的启发式值，在某些情况下最终收敛通过重复执行导致具有最低成本目标估计值的继任州。相比之下，我们声称实时启发式搜索更快收敛到最短路径，当它总是选择一个导致状态的操作时最小f值，其中状态的f值是对通过状态从起点到目标的最短路径的成本，就像离线A*搜索算法。我们通过实施FALCONS和从经验上看，FALCONS显著减少了行动次数汇聚最先进的实时搜索算法。对于离线任务，我们改进了两种现有的扩展方式大问题的最佳优先搜索。首先，众所周知，WA*算法（a*的贪婪变体）可以解决更大的问题多元化（即当其并行扩张时）或已提交（即，当它选择在生成但未展开状态集的固定大小子集）。我们声称WA*可以解决更大的问题多样性和承诺。我们支持MSC-KWA的索赔*算法。其次，众所周知，广度优先搜索解决了当它删减无望状态时，会出现更大的问题，导致波束搜索算法。我们声称光束搜索可以快速解决甚至使用基于限制的回溯增强时的较大问题差异搜索。我们用BULB算法支持这一说法。我们表明MSC-KWA*和BULB都会扩展到比三种标准中的几种最先进的离线搜索算法基准域。最后，我们提出了灯泡的一种任意变体将其应用于生物学中的多序列比对问题。

赞助商

发布日期

2004-11-25

范围

2224191字节

资源类型

文本

资源子类型

论文

权利声明

权限URI