في عالم الذكاء الاصطناعي، يُعد التخطيط جزءًا أساسيًا من الكثير من التطبيقات المتقدمة مثل التوجيه، الملاحة، وحل المشكلات. يُعتبر أسلوب البحث الأناني الأفضل (Greedy Best-First Search - GBFS) هو النهج السائد في حل هذه المشكلات، وخاصة عندما يكون الهدف قابلًا للتقييم باستخدام تقنيات الاستدلال. غير أن القيود المتعلقة بالذاكرة تُشكل تحديًا كبيرًا، خصوصًا في الأجهزة ذات الموارد المحدودة.

من هنا، تأتي الابتكارات الجديدة مثل GONDOR (البحث الأناني عبر الإنترنت مع إعادة البحث الديناميكية المعتمدة على نقاط الانطلاق)، التي تمثل توسعة فعالة لذاكرة منهجية GBFS. يجمع هذا النظام بين التخطيط المدروس بطريقة فعالة من حيث الذاكرة عبر ضغط دوري لشجرة البحث، مع الحفاظ على مجموعة محدودة من حالات التثبيت. وعند الوصول للهدف، يُعاد بناء المسار عبر البحث بين هذه الحالات المحدودة.

لقد تم تحليل هذا الخوارزم ودراسة عدة متغيرات تعتمد على سياسات اختيار نقاط الانطلاق المختلفة. كما تم استخدام مرشحات بلوم (Bloom filters) للكشف عن التكرارات بشكل مضغوط ضمن القائمة المغلقة.

أظهرت التجارب عبر مجالات التخطيط الرقمي وبمختلف إعدادات الاستدلال أن نظام GONDOR أظهر تحسنًا ملحوظًا في نسبة التغطية ضمن ميزانيات الذاكرة المنخفضة مقارنةً بأسلوب GBFS التقليدي.

بلا شك، إن هذه النتائج تبشر بمستقبل واعد للتخطيط الذكي في البيئات الضيقة. ولتسهيل المزيد من الأبحاث في هذا المجال، تم إصدار تطبيق GONDOR ونموذج مرشحات بلوم لدعم الابتكار في البحث الذكي الموفر للذاكرة.