Probabilistische Focal-Suche: Beschleunigung begrenzter suboptimaler Suche durch Fortschritt des unteren Schranks

Die suboptimale Suche mit Grenzwert zielt darauf ab, eine Lösung zu finden, deren Qualität nicht mehr als einen Faktor w über der optimalen liegt, während gleichzeitig die Rechenarbeit minimiert wird. Der klassische Ansatz, Focal Search (FS), wählt die zu expandierenden Knoten aus einer Menge namens FOCAL, die alle Zustände enthält, deren Kostenfunktion f nicht größer als w · f_min ist. FS‑Politik hält jedoch häufig den minimalen f-Wert konstant, was die Aufnahme neuer Knoten in den Fokus verzögert und damit die Entdeckung von Lösungen erschwert.

Um diese Schwäche zu beheben, stellen die Autoren Probabilistic Focal Search (PFS) vor. Bei jedem Schritt wird mit Wahrscheinlichkeit p die FS‑Orientierung beibehalten; mit Wahrscheinlichkeit 1 – p wird der Knoten mit dem kleinsten verfügbaren f aus der OPEN‑Liste expandiert. Diese zweite Option beschleunigt die Aktualisierung von f_min, erweitert die FOCAL‑Gruppe und lässt potenziell nützliche Knoten früher eintreten. Das Gleichgewicht zwischen heuristischer Führung und dem Fortschritt von f_min reduziert die notwendige Anzahl an Expansionen, wenn f_min stagniert.

Die Experimente vergleichen PFS mit FS bei klassischen Problemen wie dem N‑Puzzle, dem Pancake‑Sorting und dem Travelling‑Salesman‑Problem sowie einer „anytime“-Variante im Generalized Covering TSP. Die Ergebnisse zeigen Einsparungen von bis zu 90 % bei der Anzahl der expandierten Knoten, wenn die f_min‑Plateau lange anhält; in Domänen, in denen FS bereits schnell voranschreitet, ist der Gewinn geringer. Ein weiteres Experiment überträgt das probabilistische Schema auf Dynamic Potential Search und erzeugt Probabilistic Dynamic Potential Search (PDPS), dessen Leistung ebenfalls domänenabhängig und w‑sensitiv ist.

Diese Studie ist bedeutsam, weil sie demonstriert, wie gezielte Zufälligkeit Suchprozesse beschleunigen kann, die sonst in Engpässen stecken bleiben würden, und damit ein potenziell nützliches Werkzeug für die Optimierung von Planungs- und Problemlösungsalgorithmen in der KI bietet.

Originalartikel lesen auf arXiv cs.AI

Diese Zusammenfassung ist eine informationelle Synthese von dataqbs.com. Alle Rechte am Originalinhalt liegen beim Autor und dem genannten Medienunternehmen. Wir handeln ausschließlich als Kuratoren von Technologie-Nachrichten und beanspruchen keine Urheberschaft.