এই বিভাগে ডি *, ডি * -লাইট বা বর্ধিত অ্যালগরিদমগুলির কোনও ব্যবহার করার সময় একটি বিশাল ক্যাভিয়েট রয়েছে (এবং এটি লক্ষ্য করার মতো বিষয় যে সাহিত্যে এই ক্যাভিটটি খুব কমই উল্লেখ করা হয়েছে)। এই ধরণের অ্যালগরিদমগুলি বিপরীত অনুসন্ধান ব্যবহার করে। এটি হ'ল গোল নোড থেকে বাহিরের দিকে ছড়িয়ে পড়া একটি লম্বালম্বির মতো ব্যয়গুলি বাইরের দিকে গণনা করে। যখন প্রান্তগুলির ব্যয় পরিবর্তিত হয় (উদাহরণস্বরূপ আপনি আপনার উদাহরণে কোনও প্রাচীর যোগ করুন বা মুছে ফেলুন) তাদের পরিবর্তনগুলির দ্বারা প্রভাবিত শুধুমাত্র এক্সপ্লোরড (ওরফে 'ভিজিটেড') নোডের সাবসেট আপডেট করার জন্য তাদের সকলের বিভিন্ন দক্ষ কৌশল রয়েছে।
বড় সতর্কতাই হ'ল লক্ষ্য অবস্থানের সাথে সম্পর্কিত এই পরিবর্তনের অবস্থানটি অ্যালগরিদমের দক্ষতায় এক বিশাল পার্থক্য করে। আমি বিভিন্ন কাগজপত্র এবং আমার থিসিসে দেখিয়েছি যে এই সমস্ত বর্ধিত অ্যালগরিদমগুলির মধ্যে সবচেয়ে খারাপ অবস্থার পারফরম্যান্সের জন্য সমস্ত তথ্য ফেলে দেওয়া এবং সরল পুরানো এ * এর মতো অ-বর্ধনমূলক কিছু দিয়ে নতুন করে শুরু করার চেয়ে খারাপ হওয়া সম্পূর্ণভাবে সম্ভব ।
পরিবর্তিত ব্যয়ের তথ্য যখন প্রসারিত অনুসন্ধান ফ্রন্টের ('পরিদর্শন করা' অঞ্চল) এর ঘেরের কাছাকাছি থাকে তখন কয়েকটি পাথ পরিবর্তন করতে হয় এবং বর্ধিত আপডেটগুলি দ্রুত হয়। প্রাসঙ্গিক উদাহরণ হ'ল একটি মোবাইল রোবট যা এর দেহের সাথে সংযুক্ত থাকে। সেন্সরগুলি কেবল রোবটের কাছেই বিশ্বকে দেখে এবং তাই এই অঞ্চলে পরিবর্তনগুলি ঘটে। এই অঞ্চলটি লক্ষ্য নয়, অনুসন্ধানের সূচনাস্থল, এবং তাই সবকিছু ভালভাবে কাজ করে এবং পরিবর্তনগুলি সংশোধন করার জন্য অ্যালগরিদমগুলি সর্বোত্তম পথ আপডেট করতে খুব দক্ষ।
পরিবর্তিত ব্যয়ের তথ্য অনুসন্ধানের লক্ষ্যটির কাছাকাছি থাকলে (বা আপনার দৃশ্যে লক্ষ্যমাত্রার পরিবর্তনগুলি কেবলমাত্র শুরু নয় দেখুন), এই অ্যালগরিদমগুলি বিপর্যয়কর মন্দাকে ভোগ করে। এই দৃশ্যে, প্রায় সমস্ত সংরক্ষিত তথ্য আপডেট করা দরকার, কারণ পরিবর্তিত অঞ্চলটি লক্ষ্যটির এত কাছাকাছি যে প্রায় সমস্ত প্রাক-গণনা করা পথগুলি পরিবর্তনের মধ্য দিয়ে যায় এবং অবশ্যই পুনরায় মূল্যায়ন করতে হবে। অতিরিক্ত তথ্য এবং বর্ধিত আপডেটগুলি করার জন্য গণনার গণনার ওভারহেডের কারণে, এই স্কেলটির একটি পুনরায় মূল্যায়ন একটি নতুন শুরুর চেয়ে ধীর।
যেহেতু আপনার উদাহরণের দৃশ্যের ফলে ব্যবহারকারীরা তাদের ইচ্ছামতো যে কোনও প্রাচীর সরিয়ে নিতে দেয়, তাই আপনি ডি *, ডি * -লাইট, এলপিএ * ইত্যাদি ব্যবহার করেন তবে আপনি এই সমস্যার মুখোমুখি হবেন আপনার এলগরিদমের সময় পারফরম্যান্স পরিবর্তনশীল, ব্যবহারকারীর উপর নির্ভরশীল হবে ইনপুট. সাধারণভাবে, "এটি একটি খারাপ জিনিস" ...
উদাহরণস্বরূপ, সিএমইউতে অ্যালোনজো কেলির গ্রুপটির পার্সেপটোর নামে একটি দুর্দান্ত প্রোগ্রাম ছিল যা গ্রাউন্ড রোবটগুলিকে বায়বীয় রোবোটগুলির সাথে একত্রে করার চেষ্টা করেছিল, যা বাস্তবের সময়ে সমস্ত ভাগ্য উপলব্ধির তথ্যই ছিল। তারা যখন কোনও স্থল যানবাহনের পরিকল্পনার সিস্টেমে রিয়েল-টাইম ব্যয় আপডেটের জন্য একটি হেলিকপ্টার ব্যবহার করার চেষ্টা করেছিল, তারা এই সমস্যার মুখোমুখি হয়েছিল কারণ হেলিকপ্টারটি গ্রাউন্ড যানবাহনের সামনে উড়তে পারে, লক্ষ্যের কাছাকাছি খরচের পরিবর্তনগুলি দেখে এবং এইভাবে ধীর গতিতে আসে। তাদের অ্যালগোরিদম নিচে। তারা কি এই আকর্ষণীয় পর্যবেক্ষণ নিয়ে আলোচনা করেছেন? না। শেষ পর্যন্ত, তারা সবচেয়ে ভাল পরিচালিত হ'ল হেলিকপ্টারটি স্থল যানটির সরাসরি ওভারহেডে উড়ে আসা - এটি বিশ্বের সর্বাধিক ব্যয়বহুল সেন্সর মাস্ট হিসাবে তৈরি করে। অবশ্যই, আমি ক্ষুদ্র হয়ে যাচ্ছি। তবে এটি একটি বড় সমস্যা যার বিষয়ে কেউ কথা বলতে চায় না - এবং তাদের উচিত,
কেবলমাত্র হাতে গোনা কয়েকটি কাগজপত্র এই বিষয়ে আলোচনা করে, বেশিরভাগ আমার দ্বারা। এই প্রশ্নে তালিকাভুক্ত মূল কাগজপত্রের লেখকদের লেখক বা শিক্ষার্থীদের দ্বারা লিখিত কাগজপত্রগুলির মধ্যে, আমি কেবলমাত্র এই সমস্যার কথা উল্লেখ করেছি কেবলমাত্র একটি সম্পর্কে ভাবতে পারি। লিখাচেভ এবং ফার্গুসন প্রয়োজনীয় আপডেটের স্কেল অনুমান করার চেষ্টা করার এবং বর্ধিত আপডেটটি যদি নতুন শুরুর চেয়ে আরও বেশি সময় নেয় বলে মনে করা হয় তবে সঞ্চিত তথ্য ফ্লাশ করার পরামর্শ দেয়। এটি একটি দুর্দান্ত বুদ্ধিমান কাজ, তবে অন্যরাও আছেন। আমার পিএইচডি গণ্য সমস্যাগুলির বিস্তৃত পরিসীমা জুড়ে একটি অনুরূপ পদ্ধতির জেনারেলাইজ করে এবং এই প্রশ্নের ক্ষেত্রের বাইরে চলেছে, তবে আপনি উল্লেখগুলি দরকারী হিসাবে খুঁজে পেতে পারেন কারণ এর মধ্যে বেশিরভাগ অ্যালগরিদম এবং আরও অনেকের একটি বিশদ ধারণা রয়েছে over Http://db.acfr.usyd.edu.au/download.php/Alenlen2011_Thesis.pdf?id=2364 দেখুন বিস্তারিত জানার জন্য.
