RBF-HS：递归最佳优先碰集搜索
摘要
各种基于模型的诊断场景需要计算最偏好的故障解释。然而，现有既可靠（即仅输出实际故障解释）又完备（即能返回所有解释）的算法需要指数空间来完成此任务。作为补救，我们提出两种新颖的诊断搜索算法，称为 RBF-HS（递归最佳优先碰集搜索）和 HBF-HS（混合最佳优先碰集搜索），它们建立在启发式搜索领域久经考验的技术之上。RBF-HS 可以在线性空间界限内以最佳优先顺序枚举任意预定义的有限数量的故障解释，且不牺牲所期望的可靠性或完备性属性。HBF-HS 的思想是在运行时优化与不超过可用内存的限制空间消耗之间找到权衡。在真实世界诊断案例上的大量实验中，我们将我们的方法与 Reiter 的 HS-Tree 进行比较，后者是一种最先进的方法，提供相同的理论保证，并且与所提算法一样通用（适用）。对于最小基数故障解释的计算，我们发现（1）RBF-HS 在大多数情况下大幅降低内存需求，达数个数量级，（2）在超过三分之一的案例中，同时实现了内存节省和运行时节省，以及（3）鉴于运行时开销显著，使用 HBF-HS 替代 RBF-HS 将运行时减少到与 HS-Tree 相当的值，同时保持所用内存在合理界限内。当计算最可能故障解释时，我们观察到 RBF-HS 倾向于将内存节省或多或少一对一地换取运行时开销。同样，HBF-HS 被证明是在遵守可行内存界限的同时削减运行时的合理补救。
引用
@article{arxiv.2010.04282,
title = {RBF-HS: Recursive Best-First Hitting Set Search},
author = {Patrick Rodler},
journal= {arXiv preprint arXiv:2010.04282},
year = {2022}
}
备注
This is a technical report underlying the work "Patrick Rodler. Memory-limited model-based diagnosis" published in the journal Artificial Intelligence, volume 305, 2022. arXiv admin note: text overlap with arXiv:2009.12190