Saltar al contenido principal

search

Este módulo proporciona una función para realizar búsqueda en haz (beam search) y encontrar soluciones para un estado dado.

Función: beam_search: Realiza búsqueda en haz para encontrar soluciones en un entorno de Cubo de Rubik.

MAX_BATCH_SIZE​

El número máximo de estados que se pasan hacia adelante a través de una DNN a la vez.

def beam_search(env, model, beam_width, ergonomic_bias=None, extra_depths=0, max_depth=100)

Realiza búsqueda en haz para encontrar soluciones para un estado mezclado dado.

Argumentos:

  • env Cube3 - El entorno del Cubo de Rubik que representa el estado mezclado.
  • model torch.nn.Module - DNN utilizada para predecir la distribución de probabilidad de los siguientes movimientos para cada estado.
  • beam_width int - El número máximo de candidatos a mantener en cada paso de la búsqueda.
  • ergonomic_bias dict or None - Un diccionario que especifica el sesgo ergonómico para los movimientos, si está disponible.
  • extra_depths int - El número de profundidades adicionales a buscar más allá de la profundidad de la primera solución.
  • max_depth int - La profundidad máxima a buscar, debe ser igual o mayor que el Número de Dios (20 para el Cubo de Rubik en HTM).

Retorna:

  • dict | None: Con al menos una solución, un diccionario con las siguientes claves:
  1. "solutions": Una lista de soluciones óptimas o casi óptimas encontradas durante la búsqueda.
  2. "num_nodes": El número total de nodos expandidos durante la búsqueda.
  3. "time": El tiempo tomado (en segundos) para completar la búsqueda.

De lo contrario, None.

_reflect_setup​

def _reflect_setup(ergonomic_bias, env)

Inicializa el sesgo ergonómico si se proporciona.

Argumentos:

  • ergonomic_bias dict or None - Un diccionario que especifica el sesgo ergonómico para los movimientos, si está disponible.
  • env Cube3 - El entorno del Cubo de Rubik que representa el estado mezclado.

Retorna:

  • ergonomic_bias numpy.ndarray - El sesgo ergonómico para los movimientos, si está disponible.
  • env Cube3 - El entorno del Cubo de Rubik que representa el estado mezclado.

predict​

@torch.inference_mode()
def predict(model, batch_x, ergonomic_bias, env)

Predice la distribución de probabilidad de los siguientes movimientos para cada estado.

Argumentos:

  • model torch.nn.Module - DNN utilizada para predecir la distribución de probabilidad de los siguientes movimientos para cada estado.
  • batch_x numpy.ndarray - Lote de estados.
  • ergonomic_bias dict or None - Un diccionario que especifica el sesgo ergonómico para los movimientos, si está disponible.
  • env Cube3 - El entorno del Cubo de Rubik que representa el estado mezclado.

Retorna:

  • batch_logprob numpy.ndarray - El logaritmo de la probabilidad de cada movimiento para cada estado.
note

La inferencia con Automatic Mixed Prevision es ligeramente más rápida que la simple precisión media (con model.half()) por algunas razones.

update_candidates​

def update_candidates(candidates, batch_logprob, env, depth, beam_width)

Expande los caminos candidatos con las probabilidades predichas de los siguientes movimientos.

Argumentos:

  • candidates dict - Un diccionario que contiene los caminos candidatos, las probabilidades acumuladas y los estados.
  • batch_logprob numpy.ndarray - El logaritmo de la probabilidad de cada movimiento para cada estado.
  • env Cube3 - El entorno del Cubo de Rubik que representa el estado mezclado.
  • depth int - La profundidad actual de la búsqueda.
  • beam_width int - El número máximo de candidatos a mantener en cada paso de la búsqueda.

Retorna:

  • candidates dict - El diccionario actualizado que contiene los caminos candidatos, las probabilidades acumuladas y los estados.

_get_prune_idx​

def _get_prune_idx(candidates_paths, allow_wide, depth)

Obtiene los índices de los candidatos a podar en función de los movimientos anteriores.

Argumentos:

  • candidates_paths numpy.ndarray - Los caminos de los estados candidatos.
  • allow_wide bool - Si se permiten movimientos amplios.
  • depth int - La profundidad actual de la búsqueda.

Retorna:

  • prune_idx numpy.ndarray - Los índices de los candidatos a podar.
note

Usar numba.jit en realidad ralentiza esta función.

_update_states​

def _update_states(candidate_states, candidate_paths, env)

Actualiza los estados en función de los caminos expandidos.

Argumentos:

  • candidate_states numpy.ndarray - Los estados de los estados candidatos.
  • candidate_paths numpy.ndarray - Los caminos de los estados candidatos.
  • env Cube3 - El entorno del Cubo de Rubik que representa el estado mezclado.

Retorna:

  • candidate_states numpy.ndarray - Los estados actualizados de los estados candidatos.

_map_state​

def _map_state(candidate_states, target_ix, source_ix)

Realiza el reemplazo de pegatinas a nivel de lote.

Argumentos:

  • candidate_states numpy.ndarray - Los estados de los estados candidatos.
  • target_ix numpy.ndarray - Los índices de destino para el reemplazo de pegatinas.
  • source_ix numpy.ndarray - Los índices de origen para el reemplazo de pegatinas.

Retorna:

  • candidate_states numpy.ndarray - Los estados actualizados de los estados candidatos.
note

Usar numba.jit en realidad ralentiza esta función.