Thesis (Ph. D.)--Lehigh University, 2006. / Includes vita. Includes bibliographical references (leaves 110-120).

Thesis (Ph. D.)--University of Oregon, 1999. / Typescript. Includes vita and abstract. Includes bibliographical references (leaves 147-151). Also available for download via the World Wide Web; free to University of Oregon users. Address:http://wwwlib.umi.com/cr/uoregon/fullcit?p9940420.

This Diploma thesis discusses planning processes in a company LASSELSBERGER, s.r.o. and is divided into two main parts -- theoretical and practical. The core of the theoretical part is to describe basic principles of Business Intelligence, explain rules of planning, budgeting and source defining and clarify principles of performance measuring. The main goal of the practical part is to define and describe planning processes of company LASSELSBERGER, s.r.o., determine connections to information system, find their weaknesses and suggest particular changes leading to their elimination. In conclusion the suggestions of changes are evaluated and there is a recommendation for their integration into the whole planning process. The goals of the thesis were achieved by research of specialized literature, study of corresponding documentation and cooperation with employees of the company. The thesis is contributing to the company by means of detecting weaknesses in planning process and therefore the company is able to reduce them in accordance to the recommendations at the end of this thesis.

Um agente de planejamento em Inteligência Artificial deve estar preparado para lidar com aspectos dinâmicos do domínio, ou seja, com os efeitos de suas ações, bem como com mudanças provocadas por outros agentes (eventos exógenos). Neste caso, é possível identificar duas situações distintas: todas as informações necessárias sobre a dinâmica do ambiente são, de alguma forma, modeladas pelo agente e consideradas durante o planejamento; ou o agente não possui conhecimento completo do ambiente, sendo que as ações exógenas só são percebidas durante a execução do plano. Neste último caso, podem ocorrer falhas na execução das ações do agente, por exemplo, as pré-condições nas quais o plano se baseia deixam de ser verdadeiras e a meta do agente pode não ser mais alcançável. Para garantir que o agente saia da situação de plano inválido e alcance seu conjunto de metas originais, é preciso fazer um \"reparo de plano\" ou \"replanejamento\". Enquanto no replanejamento o agente abandona o plano original e constrói um novo plano para o estado atual, o reparo de plano tenta fazer um compromisso com o plano original, gerando o menor número de mudanças possível para que o novo plano atinja as metas do problema original. O processo de reparo de plano envolve duas operações básicas: (a) remover do plano as ações que estejam impedindo a execução do mesmo e (b) adicionar novas ações a fim de atingir as metas. A proposta deste trabalho é aplicar e implementar o método de reparo de plano chamado de \"refinamento reverso\". O sistema de reparo implementado será capaz de realizar duas operações: adicionar ações por meio dos procedimentos clássicos de refinamento de planos e remover ações por refinamento reverso com a adição de heurísticas para melhorar o desempenho da tarefa de reparo. / An Artificial Intelligence planning agent must be prepared to deal with dynamic aspects of the domain, in other words, with its actions effects as well as the changes caused by other agents (exogenous events). In this case it is possible to identify two situations: all the necessary information about the environment dynamics are modeled by the agent and considered during the planning; or the agent has an incomplete knowledge about the environment and the exogenous events are only noted during the plan execution. In the latter case, some actions can fail, e.g. because some preconditions are no longer satisfied implying that the goals may not be achieved anymore. To make sure that the agent leaves the invalid plan situation and reach its original goals, it is necessary to make a \"plan repair\" or \"replanning\". While in the replanning the agent discards the original plan and makes a new one for the present condition, the plan repair tries to make a commitment with the original plan, making the least changes necessary to achieve the goals of the original problem. The plan repair process involves two basic operations: (a) remove the actions that are blocking the plan to be executed and (b) add new actions to achieve the goals. The proposal of this work is to apply and implement the repair method called \"unrefinement\". This repair system will be able to perform two operations: add actions through plan refinement classical procedures, and remove actions by this new method called unrefinement with addition of heuristics to improve the repair task performance.

Desde o final da década de 1990 existe um interesse crescente na aplicação de técnicas de planejamento automático em IA para resolver problemas reais de engenharia. Além das características dos problemas acadêmicos, tais como a necessidade de raciocinar sobre as ações, problemas reais requerem elicitação, engenharia e gerenciamento detalhado do conhecimento do domínio. Para tais aplicações reais, um processo de design sistemático é necessário onde as ferramentas de Engenharia do Conhecimento e de Requisitons têm um papel fundamental. Esforços acadêmicos recentes na área da Engenharia do Conhecimento em planejamento automático vêm desenvolvido ferramentas e técnicas de apoio ao processo de design de modelos do conhecimento. Porém, dada a natural incompletude do conhecimento, experiência prática em aplicações reais, como por exemplo exploração do espaço, tem mostrado que, mesmo com um processo disciplinado de design, requisitos de pontos de vista diferente (por exemplo, especialistas, usuários e patrocinadores) ainda surgem após a análise, geração e execução de planos. A tese central deste texto é que uma fase de análise de pós-design para o desenvolvimento de aplicações de planejamento em IA resulta em modelos do conhecimento mais ricos e, conseqüentemente, aumenta a qualidade dos planos gerados e a performance dos planejadores automáticos. Neste texto, nós investigamos como os conhecimentos e requisitos ocultos podem ser adquiridos e reutilizados durante a fase de análise de plans (posterior ao design do modelo) e como estes conhecimentos afetam o desempenho do processo de planejamento automático. O texto descreve um framework de post-design chamado postDAM que combina (1) uma ferramenta de engenharia de conhecimento para a aquisição de requisitos e avaliação do plano, (2) um ambiente de prototipagem virtual para a análise e simulação de planos, (3) um sistema de banco de dados para armazenamento de avaliações de planos, e (4) um sistema de raciocínio ontológico para o re-uso e descoberta de conhecimento sobre o domínio. Com o framework postDAM demonstramos que a análise de pós-design auxilia a descoberta de requisitos ocultos e orienta o ciclo de refinamento do modelo. Este trabalho apresenta três estudos de caso com domínios conhecidos na literatura e oito planejadores do estado da arte. Nossos resultados demonstram que melhorias significativas na qualidade do plano e um aumento na velocidade dos planejadores de até três ordens de grandeza pode ser alcançada através de um processo disciplinado e cuidados de pós-design. Nós demonstramos também que rationales provenientes dos usuários capturados durante as avaliações de planos podem ser úteis e reutilizáveis em novas avaliações de plano e em novos projetos. Nós argumentamos que esse processo de pós-design é fundamental para a implantação da tecnologia de planejamento automático em aplicações do mundo real. Até onde sabemos, este é o primeiro trabalho que investiga a análise de pós-design em aplicações de planejamento automático da IA. / Since the end of the 1990s there has been an increasing interest in the application of AI planning techniques to solve real-life problems. In addition to characteristics of academic problems, such as the need to reason about actions, real-life problems require detailed knowledge elicitation, engineering, and management. A systematic design process in which Knowledge and Requirements Engineering techniques and tools play a fundamental role is necessary in such applications. Research on Knowledge Engineering for planning and scheduling has created tools and techniques to support the design process of planning domain models. However, given the natural incompleteness of the knowledge, practical experience in real applications such as space exploration has shown that, even with a disciplined process of design, requirements from different viewpoints (e.g. stakeholders, experts, users) still emerge after plan generation, analysis and execution. The central thesis of this dissertation is that an post-design analysis phase in the development of AI planning applications leads to richer knowledge models and, consequently, to high-performance and high-quality plans. In this dissertation, we investigate how hidden knowledge and requirements can be acquired and re-used during a plan analysis phase that follows model design and how they affect planning performance. We describe a post-design framework called postDAM that combines (1) a knowledge engineering tool for requirements acquisition and plan evaluation, (2) a virtual prototyping environment for the analysis and simulation of plans, (3) a database system for storing plan evaluations, and (4) an ontological reasoning system for knowledge re-use and discovery. Our framework demonstrates that post-design analysis supports the discovery of missing requirements and guides the model refinement cycle. We present three case studies using benchmark domains and eight state-of-the-art planners. Our results demonstrate that significant improvements in plan quality and an increase in planning speed of up to three orders of magnitude can be achieved through a careful post-design process. We also demonstrate that rationales captured during plan evaluations from users can be useful and reusable in further plan evaluations and in new application designs. We argue that such a post-design process is critical for deployment of planning technology in real-world applications. To our knowledge, this is the first work that investigate post-design analysis for AI planning applications.

Desde o final da década de 1990 existe um interesse crescente na aplicação de técnicas de planejamento automático em IA para resolver problemas reais de engenharia. Além das características dos problemas acadêmicos, tais como a necessidade de raciocinar sobre as ações, problemas reais requerem elicitação, engenharia e gerenciamento detalhado do conhecimento do domínio. Para tais aplicações reais, um processo de design sistemático é necessário onde as ferramentas de Engenharia do Conhecimento e de Requisitons têm um papel fundamental. Esforços acadêmicos recentes na área da Engenharia do Conhecimento em planejamento automático vêm desenvolvido ferramentas e técnicas de apoio ao processo de design de modelos do conhecimento. Porém, dada a natural incompletude do conhecimento, experiência prática em aplicações reais, como por exemplo exploração do espaço, tem mostrado que, mesmo com um processo disciplinado de design, requisitos de pontos de vista diferente (por exemplo, especialistas, usuários e patrocinadores) ainda surgem após a análise, geração e execução de planos. A tese central deste texto é que uma fase de análise de pós-design para o desenvolvimento de aplicações de planejamento em IA resulta em modelos do conhecimento mais ricos e, conseqüentemente, aumenta a qualidade dos planos gerados e a performance dos planejadores automáticos. Neste texto, nós investigamos como os conhecimentos e requisitos ocultos podem ser adquiridos e reutilizados durante a fase de análise de plans (posterior ao design do modelo) e como estes conhecimentos afetam o desempenho do processo de planejamento automático. O texto descreve um framework de post-design chamado postDAM que combina (1) uma ferramenta de engenharia de conhecimento para a aquisição de requisitos e avaliação do plano, (2) um ambiente de prototipagem virtual para a análise e simulação de planos, (3) um sistema de banco de dados para armazenamento de avaliações de planos, e (4) um sistema de raciocínio ontológico para o re-uso e descoberta de conhecimento sobre o domínio. Com o framework postDAM demonstramos que a análise de pós-design auxilia a descoberta de requisitos ocultos e orienta o ciclo de refinamento do modelo. Este trabalho apresenta três estudos de caso com domínios conhecidos na literatura e oito planejadores do estado da arte. Nossos resultados demonstram que melhorias significativas na qualidade do plano e um aumento na velocidade dos planejadores de até três ordens de grandeza pode ser alcançada através de um processo disciplinado e cuidados de pós-design. Nós demonstramos também que rationales provenientes dos usuários capturados durante as avaliações de planos podem ser úteis e reutilizáveis em novas avaliações de plano e em novos projetos. Nós argumentamos que esse processo de pós-design é fundamental para a implantação da tecnologia de planejamento automático em aplicações do mundo real. Até onde sabemos, este é o primeiro trabalho que investiga a análise de pós-design em aplicações de planejamento automático da IA. / Since the end of the 1990s there has been an increasing interest in the application of AI planning techniques to solve real-life problems. In addition to characteristics of academic problems, such as the need to reason about actions, real-life problems require detailed knowledge elicitation, engineering, and management. A systematic design process in which Knowledge and Requirements Engineering techniques and tools play a fundamental role is necessary in such applications. Research on Knowledge Engineering for planning and scheduling has created tools and techniques to support the design process of planning domain models. However, given the natural incompleteness of the knowledge, practical experience in real applications such as space exploration has shown that, even with a disciplined process of design, requirements from different viewpoints (e.g. stakeholders, experts, users) still emerge after plan generation, analysis and execution. The central thesis of this dissertation is that an post-design analysis phase in the development of AI planning applications leads to richer knowledge models and, consequently, to high-performance and high-quality plans. In this dissertation, we investigate how hidden knowledge and requirements can be acquired and re-used during a plan analysis phase that follows model design and how they affect planning performance. We describe a post-design framework called postDAM that combines (1) a knowledge engineering tool for requirements acquisition and plan evaluation, (2) a virtual prototyping environment for the analysis and simulation of plans, (3) a database system for storing plan evaluations, and (4) an ontological reasoning system for knowledge re-use and discovery. Our framework demonstrates that post-design analysis supports the discovery of missing requirements and guides the model refinement cycle. We present three case studies using benchmark domains and eight state-of-the-art planners. Our results demonstrate that significant improvements in plan quality and an increase in planning speed of up to three orders of magnitude can be achieved through a careful post-design process. We also demonstrate that rationales captured during plan evaluations from users can be useful and reusable in further plan evaluations and in new application designs. We argue that such a post-design process is critical for deployment of planning technology in real-world applications. To our knowledge, this is the first work that investigate post-design analysis for AI planning applications.

Um agente de planejamento em Inteligência Artificial deve estar preparado para lidar com aspectos dinâmicos do domínio, ou seja, com os efeitos de suas ações, bem como com mudanças provocadas por outros agentes (eventos exógenos). Neste caso, é possível identificar duas situações distintas: todas as informações necessárias sobre a dinâmica do ambiente são, de alguma forma, modeladas pelo agente e consideradas durante o planejamento; ou o agente não possui conhecimento completo do ambiente, sendo que as ações exógenas só são percebidas durante a execução do plano. Neste último caso, podem ocorrer falhas na execução das ações do agente, por exemplo, as pré-condições nas quais o plano se baseia deixam de ser verdadeiras e a meta do agente pode não ser mais alcançável. Para garantir que o agente saia da situação de plano inválido e alcance seu conjunto de metas originais, é preciso fazer um \"reparo de plano\" ou \"replanejamento\". Enquanto no replanejamento o agente abandona o plano original e constrói um novo plano para o estado atual, o reparo de plano tenta fazer um compromisso com o plano original, gerando o menor número de mudanças possível para que o novo plano atinja as metas do problema original. O processo de reparo de plano envolve duas operações básicas: (a) remover do plano as ações que estejam impedindo a execução do mesmo e (b) adicionar novas ações a fim de atingir as metas. A proposta deste trabalho é aplicar e implementar o método de reparo de plano chamado de \"refinamento reverso\". O sistema de reparo implementado será capaz de realizar duas operações: adicionar ações por meio dos procedimentos clássicos de refinamento de planos e remover ações por refinamento reverso com a adição de heurísticas para melhorar o desempenho da tarefa de reparo. / An Artificial Intelligence planning agent must be prepared to deal with dynamic aspects of the domain, in other words, with its actions effects as well as the changes caused by other agents (exogenous events). In this case it is possible to identify two situations: all the necessary information about the environment dynamics are modeled by the agent and considered during the planning; or the agent has an incomplete knowledge about the environment and the exogenous events are only noted during the plan execution. In the latter case, some actions can fail, e.g. because some preconditions are no longer satisfied implying that the goals may not be achieved anymore. To make sure that the agent leaves the invalid plan situation and reach its original goals, it is necessary to make a \"plan repair\" or \"replanning\". While in the replanning the agent discards the original plan and makes a new one for the present condition, the plan repair tries to make a commitment with the original plan, making the least changes necessary to achieve the goals of the original problem. The plan repair process involves two basic operations: (a) remove the actions that are blocking the plan to be executed and (b) add new actions to achieve the goals. The proposal of this work is to apply and implement the repair method called \"unrefinement\". This repair system will be able to perform two operations: add actions through plan refinement classical procedures, and remove actions by this new method called unrefinement with addition of heuristics to improve the repair task performance.

The main goal of this thesis is to create a manual for planning application named Targetty appropriately so, for the academical purposes used at University of Economics, Prague and also to create a demo of this application for Vetrotech company. The goal is fulfilled through detailed analysis of the application and by describing its functionality via screenshots of the application and their description. The app demo is created on data model which was suggested for this purpose. This thesis can be divided into three main parts. The first part considers the issue of the enterprise planning by both the economical and the Business Intelligence points of view. The planning principles are demonstrated via examples and explained into detail. The second part is dedicated to analysis of the planning application called Targetty and in the last one a demo of application for Vetrotech company is created. This thesis proves that the planning application Targetty is a suitable application for small or medium companies. It also contains an application demo for Vetrotech company based on data model which may be used for creating a solution for any companies specializing in commercial industry.

This work deals with the principles and methods of executing common managerial accounting tasks using Corporate Performance Management tools and technologies. The aim of the work is to analyze different practices, compare them and assess them against non-CPM solutions, especially ERP and spreadsheet solutions. The selection of tasks is based on a survey conducted among Czech companies and includes planning, budgeting, cost allocations and variance analysis. Conclusions are derived from the managerial accounting theory, fundamental works of Business Intelligence and personal experience gained through twelve CPM implementation projects. The conclusions are mostly platform-independent since functionality of several diverse CPM products is taken into account. The work highlights not only advantages but also restrictions of CPM tools and technologies. Many of the conclusions can be directly applied in practice. Work may be beneficial especially for business consultants and for companies considering the implementation of CPM.

No description available.