[論文レビュー] Search-Space Characterization for Real-time Heuristic Search

Daniel Huntley, Vadim Bulitko|arXiv (Cornell University)|Aug 15, 2013

Artificial Intelligence in Games参考文献 19被引用数 5

ひとこと要約

本稿では、リアルタイムヒューリスティックサーチの探索空間を特徴付けるための8つのドメイン非依存の複雑性測度を導入し、ビデオゲームのマップ、迷路、道路網の文脈で、アルゴリズムの性能とその統計的相関関係を示している。これらの測度は、サブ最適性を予測し、特にkNN LRTA*の複雑性に配慮したデータベース構築による改善を含め、アルゴリズム選択とパrameter設定の向上を可能にする。

ABSTRACT

Recent real-time heuristic search algorithms have demonstrated outstanding performance in video-game pathfinding. However, their applications have been thus far limited to that domain. We proceed with the aim of facilitating wider applications of real-time search by fostering a greater understanding of the performance of recent algorithms. We first introduce eight algorithm-independent complexity measures for search spaces and correlate their values with algorithm performance. The complexity measures are statistically shown to be significant predictors of algorithm performance across a set of commercial video-game maps. We then extend this analysis to a wider variety of search spaces in the first application of database-driven real-time search to domains outside of video-game pathfinding. In doing so, we gain insight into algorithm performance and possible enhancement as well as into search space complexity.

研究の動機と目的

• 最近のリアルタイムヒューリスティックサーチアルゴリズムが、ビデオゲームのパスファインディングでは優れた性能を発揮するが、他の分野では劣る理由を理解すること。
• 特定のアルゴリズムに依存しない、体系的で実験的な方法を用いて、探索空間の複雑性を特徴付けること。
• 測定可能な探索空間の特徴を用いて、データドリブンなリアルタイム探索アルゴリズムの選択とパrameter設定を可能にすること。
• データベース駆動型リアルタイム探索の適用範囲を、ビデオゲームにとどまらず迷路や道路網へと拡張すること。
• 将来的なアルゴリズム開発と評価のための、複雑性測度を用いた標準化されたベンチマークフレームワークを提供すること。

提案手法

• 探索空間の構造的性質を定量化する8つのアルゴリズム非依存の複雑性測度（例：パス密度、ゴールへの近接性、ヒューリスティックの分散）を定義する。
• 実世界および合成された探索空間上で、グラフ走査とヒューリスティック解析を用いて、これらの測度を効率的に計算する。
• 5つのリアルタイム探索アルゴリズムを用いて、ビデオゲームのマップ上で、各測度と解のサブ最適性、事前計算時間との相関関係を分析する。
• 複雑性測度を用いて機械学習予測器を訓練し、アルゴリズムの性能を予測し、パrameterチューニングを支援する。
• 非ゲーム分野（迷路と道路網）への分析を拡張し、複雑性測度の一般化可能性を検証する。
• kNN LRTA*に、探索空間の高複雑性領域を優先してデータベース構築を行う、複雑性に配慮した拡張を提案する。

実験結果

リサーチクエスチョン

• RQ1 探索空間のどの構造的性質が、リアルタイムヒューリスティックサーチアルゴリズムの性能を最も強く予測するか？
• RQ2 探索空間構造から導出された複雑性測度は、解のサブ最適性と事前計算時間の両方を信頼性高く予測できるか？
• RQ3 これらの測度は、熟練した専門家による介入なしに、どの程度アルゴリズム選択とパrameter設定を改善できるか？
• RQ4 同じ複雑性測度は、ビデオゲームパスファインディングを超えた多様な分野でも効果的に機能するか？
• RQ5 複雑性に配慮したデータベース構築は、kNN LRTA*のようなリアルタイム探索アルゴリズムの性能を向上させることができるか？

主な発見

• 8つの複雑性測度は、ビデオゲームのマップ上での複数のリアルタイム探索アルゴリズムにおいて、解のサブ最適性と統計的に有意な相関関係を示している。
• 複雑性測度に基づく機械学習予測器は、高い精度でアルゴリズムの性能を予測でき、自動的なパrameterチューニングを可能にした。
• 複雑性測度は迷路や道路網へも効果的に一般化され、それらの分野における有用性が裏付けられた。
• kNN LRTA*の性能は、測度によって特定された高複雑性領域に重点を置いたデータベース構築によって向上し、複雑性に配慮した拡張の有効性が検証された。
• 本研究では、探索空間の次元数と構造的不規則性が、特にD LRTA*においてアルゴリズムの性能に大きな影響を与える要因であることが明らかになった。
• 提案された複雑性測度は、多様な分野におけるリアルタイムヒューリスティックサーチアルゴリズムのベンチマークと評価のための普遍的で実験的フレームワークを提供する。