4次元データによる経路探索

Question

問題は、4次元の風（異なる高さの風と、旅行時に変化する風（叙述的風モデル））を通る平面の最適なルートを見つけることです。

私は伝統的なA *検索アルゴリズムを使用して、それを3次元および風ベクトルで動作させるためにハッキングしました。

これは多くのケースで動作しますが、非常に遅いです（膨大な量のデータノードを扱っています）。そして、いくつかのエッジケースではうまく動作しません。

私はそれが "うまく"動作しているように感じますが、その感触は非常にハッキングされています。

このようなデータ（おそらく遺伝的アルゴリズムやニューラルネットワーク）を使ってパスを見つける方法がより効率的になっていますか？多分流体力学？知りません？

編集：詳細。

データは風ベクトル（方向、大きさ）です。 データは25の異なる標高レベルで15x15kmの間隔を置いています。

"それはいつもうまくいく"とは、パスウェイトが別のパスと同じであるため、航空機にとって愚かなパスを選ぶということです。パス発見には最適ですが、飛行機には最適ではありません。

私は、各ノードの変化のために、アカウントに多くのものを取る：降順を超える標高の

• コストを。
• 耐風性。
• 抵抗が大きすぎるノードを無視します。
• 私は私のヒューリスティックまたはH値としてユークリッド距離を使用し

などストレート対対角線タヴェルのコスト。 私は体重やG値（上記のリスト）にさまざまな要素を使用します。

ありがとうございます！

Answer 1

いつでも、weighted A*を使用すると、時間の最適性とのトレードオフを得ることができます。

加重A * [またはA *ε]は、A *より速い経路を見つけると予想されますが、経路は最適ではありません[ただし、最適性には限界があります。イプシロン/重量]。

Answer 2

A *は、最速の検索アルゴリズムであると宣伝されていません。それが見つけた最初の解決策が最高になることを保証します（あなたが認めるヒューリスティックを提供していると仮定します）。いくつかのケースでうまく動作しない場合は、実装のいくつかの面で何かが間違っているかもしれません（おそらくA *の仕組み、おそらくドメイン固有のもので、詳細を指定しなかった場合、それ以上）。

遅すぎる場合は、使用しているヒューリスティックを再検討してください。

最適な解決策が必要ない場合は、他の方法が適切かもしれません。もう一度、あなたが問題について何を提供していないかを考えれば、それ以上のことは言い難い。

Answer 3

オフラインまたはオンラインを計画していますか？

通常、これらの問題のために、あなたが実際にそれらを飛び越えるまで、風が何であるか分かりません。これが実際にオンライン上の問題であれば、最適に近いポリシーを構築することを検討することをお勧めします。この分野にはすでに多くの研究がありますが、最高のものは"強化学習による飛行機の自律制御" John Wharingtonです。