[논문 리뷰] Towards Rational Deployment of Multiple Heuristics in A*

David Tolpin, Tal Beja외 3명|arXiv (Cornell University)|2013. 05. 22.

AI-based Problem Solving and Planning참고 문헌 16인용 수 12

한 줄 요약

이 논문은 A* 탐색에서 비용이 많이 들는 휴리스틱의 계산 시간을 줄이기 위해 비용이 많이 드는 휴리스틱의 평가를 연기하는 두 가지 방법인 Lazy A*와 Rational Lazy A*를 제안한다. Lazy A*는 탐색 중에 필요한 순간에만 휴리스틱을 계산하는 반면, Rational Lazy A*는 정보의 가치 기준을 사용하여 두 번째 휴리스틱을 계산할지 여부를 결정함으로써 계획 수립 및 15-퍼즐 도메인에서 최신 기술 수준의 성능을 달성하며, 빠른 속도 향상을 이룬다.

ABSTRACT

The obvious way to use several admissible heuristics in A* is to take their maximum. In this paper we aim to reduce the time spent on computing heuristics. We discuss Lazy A*, a variant of A* where heuristics are evaluated lazily: only when they are essential to a decision to be made in the A* search process. We present a new rational meta-reasoning based scheme, rational lazy A*, which decides whether to compute the more expensive heuristics at all, based on a myopic value of information estimate. Both methods are examined theoretically. Empirical evaluation on several domains supports the theoretical results, and shows that lazy A* and rational lazy A* are state-of-the-art heuristic combination methods.

연구 동기 및 목표

• 최적성의 손실 없이 A* 탐색에서 다수의 가능 휴리스틱을 평가하는 계산 비용을 줄이는 것.
• 특히 일부 휴리스틱이 계산에 매우 비용이 많이 들기 때문에, 모든 노드에 대해 모든 휴리스틱을 난수로 계산하는 데서 비효율성을 해결하는 것.
• 기대 정보 수익을 바탕으로 더 비싼 휴리스틱을 계산할지 여부를 지능적으로 결정하는 방법을 개발하는 것.
• 약간의 노드 확장 수 증가를 감수하여 휴리스틱 평가 시간을 크게 줄임으로써 탐색 효율성을 향상시키는 것.
• 기존의 온라인 학습 및 랜덤화 접근 방식을 능가하는 실용적이고 이성적인 메타이성의 휴리스틱 선택 프레임워크를 제공하는 것.

제안 방법

• Lazy A*는 필요할 때만 휴리스틱을 평가한다: 노드가 처음 생성될 때는 빠른 휴리스틱 $h_1$만 계산하고, 노드가 Open의 앞부분으로 재등장할 때만 더 비싼 $h_2$를 계산한다.
• 알고리즘은 처음에 $f(n) = g(n) + h_1(n)$을 유지하며, $h_2(n)$가 계산될 때만 $f_{\text{max}}(n) = g(n) + \max(h_1(n), h_2(n))$로 업데이트한다.
• Rational Lazy A*는 재진입 시 Open에 들어올 때 정보의 가치 기준을 사용하여 $h_2(n)$를 계산할지 여부를 결정한다. 이는 기대 수익 대비 계산 비용을 기반으로 한다.
• Rational Lazy A*의 결정은 $f$-값 향상의 기대치를 $h_2$ 계산 비용 $t_2$와 비교하여 이성적인 메타이성 프레임워크를 기반으로 한다.
• 이 방법은 Sel-MAX보다 더 단순하게 구현할 수 있으며, 재방문 시 $f_1(n) \leq C^*$임을 활용함으로써 더 정보가 풍부한 결정을 내린다.
• 두 방법 모두 이론적으로 분석되고 15-퍼즐 및 계획 수립 도메인에서 실험적으로 평가되었으며, 노드 확장 수, 휴리스틱 평가 횟수, 런타임을 기준으로 성능을 측정했다.

실험 결과

연구 질문

• RQ1 휴리스틱의 지연 평가가 최적성의 손실 없이 A* 탐색의 총 탐색 시간을 줄일 수 있는가?
• RQ2 Lazy A*는 최대 휴리스틱 조합을 사용한 표준 A*와 비교해 노드 확장 수와 런타임 측면에서 어떤 성능을 보이는가?
• RQ3 휴리스틱 $h_2$의 정보 가치를 평가하는 이성적인 메타이성 접근 방식이 휴리스틱 평가 시간을 추가로 줄일 수 있는가?
• RQ4 Rational Lazy A*는 Sel-MAX나 랜덤 휴리스틱 선택과 같은 기존 방법보다 어떤 도메인에서 슈퍼어리어어를 달성하는가?
• RQ5 어떤 조건(예: 휴리스틱 비용 격차, 비균일한 연산자 비용)에서 지연 및 이성적인 휴리스틱 평가의 이점이 최대가 되는가?

주요 결과

• 15-퍼즐에서 $\Delta x$ 및 $\Delta y$ 휴리스틱을 사용할 경우, Lazy A*는 휴리스틱 평가를 최대 28% 감소시켜 $t_2$가 $t_1$보다 현저히 클 경우 시간을 절약한다.
• 휴리스틱 $h_2$가 $h_1$를 지배하는 도메인(예: 7-8 PDB 대비 맨하탄 거리)에서는 Lazy A*가 얻는 좋은 노드 비율이 4%에 불과하여, $h_2$가 항상 초기에 필요할 경우 이점이 제한됨을 보여준다.
• 계획 수립 도메인에서 Rational Lazy A*는 Sel-MAX보다 더 정보가 풍부한 결정을 내림으로써 성능이 뛰어나다. 이는 Sel-MAX가 노드 생성 시점에 결정을 내리지만, Rational Lazy A*는 $f_1(n)$을 본 후에야 $h_2$의 가치를 평가하기 때문이다.
• 가중치가 부여된 15-퍼즐 및 계획 수립 도메인에서 Rational Lazy A*는 휴리스틱 계산 시간을 줄이면서도 $A^*_{\text{MAX}}$와 거의 동일한 노드 수를 확장함으로써 최신 기술 수준의 성능을 달성한다.
• Lazy A*와 HBP(휴리스틱 분기 차단)의 조합은 $\Delta x/\Delta y$ 실험에서 좋은 노드 수를 28%에서 11%로 줄였다. 이는 분기 차단이 지연 평가의 적용 범위를 줄임을 보여준다.
• 빠른 휴리스틱(예: $\Delta x/\Delta y$)을 사용한 실험에서는 지연 평가의 시간 절감 효과가 미미했지만, $h_2$가 비용이 많이 들었을 경우(예: 7-8 PDB)에는 효과가 뚜렷했으며, 이는 방법의 성능이 휴리스틱 비용 격차에 의존함을 확인한다.