We study the problem of treasure hunt in a graph by a mobile agent. The nodes in the graph are anonymous and the edges at any node $v$ of degree $deg(v)$ are labeled arbitrarily as $0,1,\ldots, deg(v)-1$. A mobile agent, starting from a node, must find a stationary object, called {\it treasure} that is located on an unknown node at a distance $D$ from its initial position. The agent finds the treasure when it reaches the node where the treasure is present. The {\it time} of treasure hunt is defined as the number of edges the agent visits before it finds the treasure. The agent does not have any prior knowledge about the graph or the position of the treasure. An Oracle, that knows the graph, the initial position of the agent, and the position of the treasure, places some pebbles on the nodes, at most one per node, of the graph to guide the agent towards the treasure. We target to answer the question: what is the fastest possible treasure hunt algorithm regardless of the number of pebbles are placed? We show an algorithm that uses $O(D \log \Delta)$ pebbles to find the treasure in a graph $G$ in time $O(D \log \Delta + \log^3 \Delta)$, where $\Delta$ is the maximum degree of a node in $G$ and $D$ is the distance from the initial position of the agent to the treasure. We show an almost matching lower bound of $\Omega(D \log \Delta)$ on time of the treasure hunt using any number of pebbles.


翻译:我们在一个移动代理商的图表中研究寻宝问题。 图形中的节点是匿名的, 任何节点的边缘都是 $deg( v) 美元, 任何节点的节点是 $1,\ldots, deg(v)-1$。 一个移动代理商, 从节点开始, 必须找到一个固定的物件, 叫做 ~it trecreat} 。 当它到达宝藏所在的节点时, 笔点会找到宝藏。 宝藏狩猎的 时间被定义为 代理商在找到宝藏之前访问的边点数量。 该代理商对图表或宝藏的位置没有任何先前的了解。 一个了解图表、 代理人的初始位置以及宝藏的位置, 在图表的节点上, 最多是 $D $( $D) 的节点上, 用来引导代理人找到宝藏。 我们的目标是回答问题: 最快速的宝藏算算算算法, 无论在什么时候, $D $D 美元 的起始点是多少 。 我们用一个运算 。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
9+阅读 · 2021年4月8日
Interest-aware Message-Passing GCN for Recommendation
Arxiv
12+阅读 · 2021年2月19日
Arxiv
14+阅读 · 2020年12月17日
Arxiv
49+阅读 · 2020年12月16日
Pointer Graph Networks
Arxiv
7+阅读 · 2020年6月11日
Arxiv
17+阅读 · 2019年3月28日
Arxiv
3+阅读 · 2018年2月7日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
相关论文
Arxiv
9+阅读 · 2021年4月8日
Interest-aware Message-Passing GCN for Recommendation
Arxiv
12+阅读 · 2021年2月19日
Arxiv
14+阅读 · 2020年12月17日
Arxiv
49+阅读 · 2020年12月16日
Pointer Graph Networks
Arxiv
7+阅读 · 2020年6月11日
Arxiv
17+阅读 · 2019年3月28日
Arxiv
3+阅读 · 2018年2月7日
Top
微信扫码咨询专知VIP会员