[论文解读] Extended Breadth-First Search Algorithm

Tamás Kádek, János Pánovics|arXiv (Cornell University)|Feb 21, 2014

AI-based Problem Solving and Planning被引用 1

一句话总结

本文提出了一种扩展广度优先搜索（EBFS）算法，通过整合扩展状态空间模型（ESSM），利用初始已知状态形式的启发式知识，更高效地处理大规模状态空间。通过追踪从这些已知状态出发的前向和后向距离，EBFS减少了探索的状态数量，在仅初始已知两个或三个状态的八皇后问题中，状态扩展次数最多可减少95%。

ABSTRACT

The task of artificial intelligence is to provide representation techniques for describing problems, as well as search algorithms that can be used to answer our questions. A widespread and elaborated model is state-space representation, which, however, has some shortcomings. Classical search algorithms are not applicable in practice when the state space contains even only a few tens of thousands of states. We can give remedy to this problem by defining some kind of heuristic knowledge. In case of classical state-space representation, heuristic must be defined so that it qualifies an arbitrary state based on its "goodness," which is obviously not trivial. In our paper, we introduce an algorithm that gives us the ability to handle huge state spaces and to use a heuristic concept which is easier to embed into search algorithms.

研究动机与目标

• 解决经典BFS在大规模状态空间中因无法穷举探索而效率低下的问题。
• 克服标准状态空间表示中难以定义有效启发函数的困难。
• 开发一种利用已知状态作为启发式锚点以更有效地引导搜索的搜索算法。
• 提出一种支持前向和后向算子的扩展状态空间模型（ESSM），以提升搜索引导能力。

提出的方法

• 提出一种扩展状态空间模型（ESSM），定义为五元组⟨K, initial, goal, F, B⟩，其中K包含初始已知状态。
• 通过维护每个已知状态K中前向（F-DISTANCE）和后向（B-DISTANCE）距离向量，将BFS扩展为EBFS。
• 使用SELECT函数，优先选择F-DISTANCE最小的节点，以引导探索向有希望的路径进行。
• 通过F-UPDATE函数递归传播距离更新，当发现通往已知状态的更短路径时触发。
• 采用GOAL-CONDITION函数，检查目标状态是否可通过某个共同已知状态从任一已知初始状态可达。
• 支持前向和后向算子（F和B），以实现在状态空间中的双向路径推断。

实验结果

研究问题

• RQ1 通过将已知状态作为启发式锚点，能否减少修改后BFS算法的状态空间探索？
• RQ2 前向和后向距离追踪的整合在大规模状态空间中如何提升搜索效率？
• RQ3 当仅有少量已知状态时，EBFS相比经典BFS的性能优势有多大？
• RQ4 ESSM模型是否能比经典状态空间表示支持更有效的启发式集成？
• RQ5 添加虚假或无关的已知状态对EBFS性能有何影响？

主要发现

• 在5-皇后问题中，EBFS使用两个已知状态仅探索了216个状态，而经典BFS探索了453个状态，减少了52.3%。
• 在8-皇后问题中，EBFS使用两个已知状态探索了46,286个状态，相比经典BFS探索的118,878个状态，减少了60.9%。
• 增加第三个已知状态（即使为虚假状态）并未显著降低性能，探索状态数为46,319个，仍比BFS减少了60.8%。
• EBFS在所有测试的n-皇后问题中均表现出一致的性能优势，使用两个已知状态的EBFS在每种情况下均优于标准BFS。
• 当目标状态可通过共享已知状态从任一已知初始状态可达时，GOAL-CONDITION函数能正确识别解，验证了算法的正确性。
• F-UPDATE函数能有效维护最小距离并触发必要的重新评估，确保搜索过程中最优性得以保持。