* map_data = 원본 map -> 50*50
* explored_map = 여태까지 explore 된 장소와 현재 agent 위치를 표시하는 map
- close =4
- 센서로 탐사된 곳 open = 3
- frontier node= 2
- agent의 위치 = 1
- 미탐사 구역 = 0
검증 요소
- 프런티어 노드의 개수
- iteration에 따른 탐사비율
- 에이전트 각각의 끝나는 데까지 총 이동거리
kimst와 비교해 달라진 부분
- 3,4,5 에이전트 수에 따른 비교
- dp 개념 추가
- 끝에서부터 5개를 training point 로 지정
비교 kimst vs advanced
- 평균 탐사 시간
- 평균 iteration
- 에이전트 각각의 평균 이동 거리
최상의 코드
- [-5:]
agent0의 moving_distance 평균 : 45.3
agent1의 moving_distance 평균 : 58.1
agent2의 moving_distance 평균 : 56.5
평균 iter : 31.9
평균 time : 86.6
- [-5:]x
agent0의 moving_distance 평균 : 56.4
agent1의 moving_distance 평균 : 56.3
agent2의 moving_distance 평균 : 53.1
평균 iter : 32.0
평균 time : 92.2
agent0의 frontier_node 평균 : 25.1
agent0의 moving_distance 평균 : 50.5
agent1의 frontier_node 평균 : 25.1
agent1의 moving_distance 평균 : 45.8
agent2의 frontier_node 평균 : 25.1
agent2의 moving_distance 평균 : 41.7
agent3의 frontier_node 평균 : 25.1
agent3의 moving_distance 평균 : 42.9
평균 iter : 25.1
평균 time : 88.7
- set_explored_map
- 거리 dp 후 knn
새로운 기법
- 기존에는 knn으로 노드를 할당하고 실제 이동거리와 dp 값이 계산되어서 결정되지만,
다음과 같은 경우, knn 같은 경우는 실제 이동거리가 아닌 단순 직선경로로 할당되게 된다.
- 그러므로 거리 요소를 고려하여 training set들을 새롭게 정의 하도록 해보았다.
if training_set -> 0: [1,1], 1:[10,10] 2: [18,17]
candidate [4,4] agent 0 과의 거리는 -> 10
candidate [4,4] agent 1 과의 거리는 -> 6
candidate [4,4] agent 2 과의 거리는 -> 15
knn 으로 돌릴시 에이전트 0가 할당됨.
미리 astar로 거리를 계산한 후 유틸리티가 높은 점들을 선정 -> 여기서 가중치를 계산한다.
에이전트에 따른 가중치가 아닌 일반화된 가중치가 필요 -> dp 값 + 에이전트 n개 전체에 대한 거리의 합
프런티어 후보 선정 정규화하는 과정이 필요
4 4 -> 0, 0
1 1 10 -> 10, 0
10 10 6 -> 6, 0
18 17 15 -> 15,0
추가 기법
만약
에이전트 0 12 -1
에이전트 1 5 - 1
일 경우
나머지 에이전트와 현재 프런티어 노드 와의 거리가 더 가까울 경우 해당 에이전트 stop
만약 모두 stop일 경우