3、足球模拟中基于实例的对手动作预测

足球模拟中基于实例的对手动作预测

在足球模拟等实时应用领域，基于实例的学习算法在处理数据密集型任务时，检索时间可能成为系统瓶颈。为解决这一问题，本文介绍了边界图（Boundary Graphs，BG）方法，并与经典的最近邻算法和边界森林（Boundary Forest，BF）方法进行了对比。

1. 高效检索的索引结构相关工作

基于实例的方法中的索引结构旨在更有效地引导对相似实例的搜索。在使用索引结构进行实际检索之前，必须先创建该结构。树型结构常被用于加速对大型数据集的访问，例如几何近邻访问树、最近向量树等。具有在线插入功能的树型算法包括覆盖树、边界树和 kd - 树，其中 kd - 树的优势在于不需要在树节点进行完整的距离计算。

1.1 边界树

边界树是一种强大的基于距离搜索的树型索引结构。它由代表训练实例的节点通过边连接而成，使得每对父子节点属于不同的类别。给定一个边界树 T 和一个新查询 q，从根节点开始遍历树，计算 q 与当前节点所有子节点的距离，然后移动到与 q 距离最小的子节点并继续遍历。边界树使用参数 k ∈[1, ∞] 来确定任何节点允许的最大子节点数。当到达叶子节点，或者当前（内部）节点 v 的子节点少于 k 且 q 与 v 的距离小于 q 与 v 所有子节点的距离时，检索结束，找到与查询“局部最近”的实例 x∗。

边界树的创建过程受经典的 IB2 算法启发。将下一个训练实例 xi 作为查询，使用现有的边界树 Ti−1 进行检索。如果基于树的检索结果返回的实例 x∗ 的类别标签与 xi 的类别标签不匹配，则将 xi 作为 x∗ 的新子节点添加到树中。

1.2 边界森林

Mathy 等人提出将边