GONDOR：受限記憶下的記憶節省貪婪優先搜尋
在記憶受限的啟發式搜尋場景，研究提出GONDOR，一種基於貪婪優先搜尋的記憶節省延伸。它週期性壓縮搜尋樹並保留稀疏錨點，再於達到目標時透過錨點間重搜尋還原路徑。此外實驗顯示在低記憶預算下能提升覆蓋率，並提供含布隆過濾器的實作以促進後續研究。
重點速覽
GONDOR在記憶受限情境下，讓貪婪優先搜尋（GBFS）能持續運作。核心做法是週期性壓縮搜尋樹，只保留稀疏錨點；抵達目標後，透過錨點間重搜尋還原完整路徑。
方法概述
為了適應邊緣或記憶受限的系統，GONDOR在搜尋進行中定期壓縮已展開的搜尋樹，節省記憶。壓縮後保留的錨點作為稀疏代表狀態，維持可追溯的關鍵節點。當搜尋到潛在目標時，系統不依賴完整原始樹，而是在錨點之間重新執行局部搜尋以還原從起點到目標的路徑。
變體與技術細節
作者檢視多種錨點選擇策略，這些策略決定哪些狀態被保留為出堡（outpost）。此外，為了在更嚴苛的記憶限制下進一步壓縮，研究也嘗試以布隆過濾器做為封閉表的重複檢測，換取更小記憶開銷但帶有限制性假陽性風險。
實驗與結果
在多個數值規劃領域與不同啟發式設定下的實驗顯示，GONDOR在低記憶預算情境比標準GBFS能穩定提升覆蓋率。研究同時對比不同錨點策略與是否使用布隆過濾器，觀察到在部分情況下能取得更高的搜尋成功率與記憶使用率平衡。
開放實作
為促進後續研究，作者釋出GONDOR及其布隆過濾器變體的實作，方便社群驗證不同場景與參數下的表現，並推動記憶高效啟發式搜尋在實務端的採用。
延伸閱讀
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
