[논문 리뷰] Exponential-Binary State-Space Search

Nathan Sturtevant, Malte Helmert|arXiv (Cornell University)|2019. 06. 07.

AI-based Problem Solving and Planning참고 문헌 10인용 수 4

한 줄 요약

이 논문은 히وري스틱 상태공간 탐색에서 최적의 f-비용 한도를 효율적으로 결정하기 위해 지수적 및 이진 탐색을 조합한 새로운 프레임워크인 지수-이진 상태공간 탐색(EBSS)을 소개한다. 최악의 경우 노드 전개 수를 O(N²)에서 O(N log C*)로 줄여, 비일관성 있는 히وري스틱을 가진 IDA* 및 A*-스타일 탐색의 성능을 향상시키며, 실질적으로 오라클에 가까운 성능을 달성하면서도 최적의 해를 보장한다.

ABSTRACT

Iterative deepening search is used in applications where the best cost bound for state-space search is unknown. The iterative deepening process is used to avoid overshooting the appropriate cost bound and doing too much work as a result. However, iterative deepening search also does too much work if the cost bound grows too slowly. This paper proposes a new framework for iterative deepening search called exponential-binary state-space search. The approach interleaves exponential and binary searches to find the desired cost bound, reducing the worst-case overhead from polynomial to logarithmic. Exponential-binary search can be used with bounded depth-first search to improve the worst-case performance of IDA* and with breadth-first heuristic search to improve the worst-case performance of search with inconsistent heuristics.

연구 동기 및 목표

• 최적의 비용 한도를 알 수 없을 때 반복적 깊이 탐색의 높은 최악의 경우 시간 복잡도를 해결하기 위해.
• 반복적 재전개로 인해 제곱 오버헤드를 겪을 수 있는 비일관성 있는 히وري스틱을 가진 IDA* 및 A*에서 노드 전개 수를 줄이기 위해.
• 상태공간 탐색에서 탐색 속도와 정확성 사이의 균형을 적응적으로 유지할 수 있는 일반 목적의 탐색 프레임워크를 개발하기 위해.
• 최적의 해 비용에 가까운 성능을 달성하면서도 실질적으로 최적성 보장을 유지하기 위해.

제안 방법

• EBSS는 최적의 f-비용 한도를 찾기 위해 지수적 탐색 단계와 이진 탐색 단계를 번갈아 사용하는 하이브리드 탐색 전략을 사용한다.
• f-비용 한도가 너무 느리게나 너무 빨리 증가하지 않도록 노드 전개 수의 하한 및 상한을 유지한다.
• 알고리즘은 f-비용 한도의 지수적 증가와 이진 보정을 번갈아가며 최적의 비용 창문에 수렴하도록 한다.
• 깊이 우선 탐색 방식의 IDA* 및 너비 우선 탐색 방식의 A* 모두에 적용되며, 재전개 오버헤드를 제어함으로써 비일관성 있는 히وري스틱에 적응한다.
• 초기 지수적 단계 크기를 제어하는 가변 매개변수 Δ를 사용하며, 이는 초기 탐색 효율성에 영향을 준다.
• 일반적이고 다양한 문제 도메인에 적용 가능하도록 블랙박스 상태공간 액세스(interface: init, is_goal, succ, cost, h)를 활용한다.

실험 결과

연구 질문

• RQ1 지수적 및 이진 탐색을 조합한 하이브리드 탐색 전략이 반복적 깊이 탐색의 최악의 경우 노드 전개 오버헤드를 줄일 수 있는가?
• RQ2 비단위 비용을 가진 문제에서 EBSS는 IDA*에 비해 노드 전개 수와 런타임 측면에서 어떻게 비교되는가?
• RQ3 A*에서 비일관성 있는 히وري스틱을 가질 경우 EBSS는 재전개 오버헤드를 어느 정도 줄일 수 있는가?
• RQ4 EBSS는 실질적으로 최적의 해에 가까운 성능을 달성하면서도 최적성 보장을 유지하는가?
• RQ5 EBSS는 Δ 및 전개 창 크기와 같은 매개변수 선택에 얼마나 민감한가?

주요 결과

• EBTS는 자동화된 4x4 스ライ딩 퍼즐 100개의 모든 인스턴스를 자원 제한 내에서 해결했지만, IDA*는 57개만 해결했다.
• 최적의 매개변수를 사용할 경우 EBTS는 노드 전개 수가 858.6×10⁶이었고, IDA*는 62,044.3×10⁶이었으며, 노드 전개 수를 약 72배 감소시켰다.
• EBTS는 4x4 스라이딩 퍼즐에서 오라클 성능의 3배 이내로 성능을 달성하여 근사 최적의 효율성을 보였다.
• 🥞 퍼즐 문제에서 EBTS(10,20,1e6,1e6)는 100개의 모든 인스턴스를 10.3×10⁶회의 전개로 해결했고, IDA*는 590.73×10⁶회의 전개를 기록했다.
• Mérő(1984)의 비일관성 있는 히وري스틱 그래프에서 EBGS(10,20,3)는 k=10,000까지 확장되며 단지 91,625회의 노드 전개로 해결했고, A*의 7500만 번에 비해 훨씬 낮았다.
• 가장 큰 테스트 인스턴스에서 EBGS는 오라클 성능에 매우 가까운 결과(20,002 대비 91,625회의 전개)를 달성했으며, 오버헤드가 로그 스케일로 증가하는 것을 보였다.