Neuer Algorithmus lernt optimale Suchstrategie für Parkplatzsuche

Ein neues arXiv‑Papier präsentiert einen Algorithmus, der die optimale Suchstrategie für das Parkplatzproblem lernt.

Das Problem besteht darin, dass Parkmöglichkeiten laut einem unbekannten inhomogenen Poisson‑Prozess auftauchen. Der Algorithmus muss entscheiden, wann er aufhört zu suchen und einen Parkplatz akzeptiert.

Die optimale Regel ist ein Schwellenwert‑Stopp, der durch eine Indifferenzposition bestimmt wird. Diese Position gibt an, ab welchem Zeitpunkt das Akzeptieren eines Parkplatzes die beste Option ist.

Der vorgestellte Ansatz schätzt die integrierte Sprungintensität, anstatt die gesamte Intensitätsfunktion zu modellieren, um den Schwellenwert zu bestimmen. Dadurch wird die Lernaufgabe stark vereinfacht.

Ergebnisse zeigen, dass der Algorithmus ein logarithmisches Regret erreicht – das bedeutet, dass die kumulative Verlustrate im Vergleich zur optimalen Strategie nur logarithmisch wächst, und das gleichmäßig über eine breite Klasse von Umgebungen.

Zusätzlich wird ein logarithmisches Minimax‑Regret‑Grenzwert bewiesen, was die Wachstumsoptimalität des Ansatzes bestätigt.

Die Arbeit liefert sowohl praktische als auch theoretische Fortschritte für adaptive Suchstrategien in unsicheren dynamischen Systemen und eröffnet neue Perspektiven für die Optimierung von Entscheidungsprozessen.