Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2017. / Submitted by Raquel Almeida (raquel.df13@gmail.com) on 2018-03-06T16:26:14Z No. of bitstreams: 1 2017_LeonardoHenriqueMoreira.pdf: 1690592 bytes, checksum: e6528f291ca601089ce0d3f64309f5ca (MD5) / Approved for entry into archive by Raquel Viana (raquelviana@bce.unb.br) on 2018-03-07T15:45:35Z (GMT) No. of bitstreams: 1 2017_LeonardoHenriqueMoreira.pdf: 1690592 bytes, checksum: e6528f291ca601089ce0d3f64309f5ca (MD5) / Made available in DSpace on 2018-03-07T15:45:35Z (GMT). No. of bitstreams: 1 2017_LeonardoHenriqueMoreira.pdf: 1690592 bytes, checksum: e6528f291ca601089ce0d3f64309f5ca (MD5) Previous issue date: 2018-03-07 / Planejamento multiagente é um tema desafiador e atual na área de pesquisa de Inteligência Artificial. A complexidade e necessidade de interação entre os agentes tem como consequência elevados valores para métricas relacionadas ao tempo de execução e volume de comunicação. Considerando esses fatores como interessantes questões de pesquisa, esse trabalho propõe um modelo de planejamento multiagente com verificação, transformação e validação de planos. O modelo proposto foi denominado LCMAP - Lightweigth Coordination Multiagent Planning, por utilizar um modelo de coordenação eficiente reduzindo o nível de troca de mensagens entre os agentes. No LCMAP a verificação e transformação do problema são realizadas em uma fase inicial, com o intuito de facilitar o processo de planejamento diminuindo a interação entre os agentes. As capacidades dos agentes são analisadas quanto à possibilidade de atingirem os objetivos de forma total ou parcial. Para simplificar o problema original, o mesmo é transformado em um conjunto de instâncias menores através da atribuição dos objetivos aos agentes com as capacidades necessárias. Desta forma, o processo de planejamento é realizado de maneira individual, minimizando o tempo necessário e o volume de mensagens trocadas. Por fim, os planos calculados são validados, garantindo que suas execuções possam ocorrer de maneira paralela. As principais contribuições do trabalho incluem: (i) realização de testes antes da fase de planejamento para avaliar a possibilidade de encontrar uma solução; (ii) utilização de técnicas de execução paralela, sendo este aspecto pouco explorado nos trabalhos relacionados; e (iii) alocação eficiente dos recursos disponíveis através de estratégias que visam minimizar o número de agentes ou balancear a carga entre os mesmos. / Multiagent planning is a challenging and modern theme in the Artificial Intelligence research area. The complexity and requirements of interactions among agents lead to high values of metrics related to execution time and communication volume. Concerning these points as interesting research questions, this work proposes a multiagent planning model with plan verification, transformation, and validation. The proposal was defined as LCMAP - Lightweight Coordination Multiagent Planning due to its use of an efficient coordination process that aims to reduce the message exchanged level among agents. In LCMAP, the problem verification and validation are carried out in an initial phase in order to ease the planning process by diminishing agent interactions. The agent’s capabilities are analyzed about the possibility of reaching the goals in a total or partial way. The original problem is transformed to smaller instances set by assigning goals to agents with the required capabilities. In this sense, the planning process is performed in an individual way, minimizing the necessary time and the message exchanged volume. Finally, the plans found are validated in order to grant that their executions can occur parallel. The main contributions of these works include: (i) tests carried out before the planning phase in order to evaluate the possibility of finding a solution; (ii) use of parallel execution techniques, which are rarely exploited in related works; and (iii) efficient allocation of available resources using strategies that aim to minimize the number of agents or balance the load among them.

Planning is the sub-area of artificial intelligence that studies the process of selecting actions to lead an agent, e.g. a robot or a softbot, to a goal state. In many realistic scenarios, any choice of actions can lead the robot into a dead-end state, that is, a state from which the goal cannot be reached. In such cases, the robot can, pro-actively, resort to human help in order to reach the goal, an approach called symbiotic autonomy. In this work, we propose two different approaches to tackle this problem: (I) contingent planning, where the initial state is partially observable, configuring a belief state, and the outcomes of the robot actions are non-deterministic; and (II) probabilistic planning, where the initial state may be partially or totally observable and the actions have probabilistic outcomes. In both approaches, the human help is considered a scarce resource that should be used only when necessary. In contingent planning, the problem is to find a policy (a function mapping belief states into actions) that: (i) guarantees the agent will always reach the goal (strong policy); (ii) guarantees that the agent will eventually reach the goal (strong cyclic policy), or (iii) does not guarantee achieving the goal (weak policy). In this scenario, we propose a contingent planning system that considers human help to transform weak policies into strong (cyclic) policies. To do so, two types of human help are included: (i) human actions that modify states and/or belief states; and (ii) human observations that modify belief states. In probabilistic planning, the problem is to find a policy (a function mapping between world states and actions) that can be one of these two types: a proper policy, where the agent has probability 1 of reaching the goal; or an improper policy, in the case of unavoidable dead-ends. In general, the goal of the agent is to find a policy that minimizes the expected accumulated cost of the actions while maximizes the probability of reaching the goal. In this scenario, this work proposes probabilistic planners that consider human help to transform improper policies into proper policies however, considering two new (alternative) criteria: either to minimize the probability of using human actions or to minimize the expected number of human actions. Furthermore, we show that optimal policies under these criteria can be efficiently computed either by increasing human action costs or given a penalty when a human help is used. Solutions proposed in both scenarios, contingent planning and probabilistic planning with human help, were evaluated over a collection of planning problems with dead-ends. The results show that: (i) all generated policies (strong (cyclic) or proper) include human help only when necessary; and (ii) we were able to find policies for contingent planning problems with up to 10^15000 belief states and for probabilistic planning problems with more than 3*10^18 physical states. / Planejamento é a subárea de Inteligência Artificial que estuda o processo de selecionar ações que levam um agente, por exemplo um robô, de um estado inicial a um estado meta. Em muitos cenários realistas, qualquer escolha de ações pode levar o robô para um estado que é um beco-sem-saída, isto é, um estado a partir do qual a meta não pode ser alcançada. Nestes casos, o robô pode, pró-ativamente, pedir ajuda humana para alcançar a meta, uma abordagem chamada autonomia simbiótica. Neste trabalho, propomos duas abordagens diferentes para tratar este problema: (I) planejamento contingente, em que o estado inicial é parcialmente observável, configurando um estado de crença, e existe não-determinismo nos resultados das ações; e (II) planejamento probabilístico, em que o estado inicial é totalmente observável e as ações tem efeitos probabilísticos. Em ambas abordagens a ajuda humana é considerada um recurso escasso e deve ser usada somente quando estritamente necessária. No planejamento contingente, o problema é encontrar uma política (mapeamento entre estados de crença e ações) com: (i) garantia de alcançar a meta (política forte); (ii) garantia de eventualmente alcançar a meta (política forte-cíclica), ou (iii) sem garantia de alcançar a meta (política fraca). Neste cenário, uma das contribuições deste trabalho é propor sistemas de planejamento contingente que considerem ajuda humana para transformar políticas fracas em políticas fortes (cíclicas). Para isso, incluímos ajuda humana de dois tipos: (i) ações que modificam estados do mundo e/ou estados de crença; e (ii) observações que modificam estados de crenças. Em planejamento probabilístico, o problema é encontrar uma política (mapeamento entre estados do mundo e ações) que pode ser de dois tipos: política própria, na qual o agente tem probabilidade 1 de alcançar a meta; ou política imprópria, caso exista um beco-sem-saída inevitável. O objetivo do agente é, em geral, encontrar uma política que minimize o custo esperado acumulado das ações enquanto maximize a probabilidade de alcançar a meta. Neste cenário, este trabalho propõe sistemas de planejamento probabilístico que considerem ajuda humana para transformar políticas impróprias em políticas próprias, porém considerando dois novos critérios: minimizar a probabilidade de usar ações do humano e minimizar o número esperado de ações do humano. Mostramos ainda que políticas ótimas sob esses novos critérios podem ser computadas de maneira eficiente considerando que ações humanas possuem um custo alto ou penalizando o agente ao pedir ajuda humana. Soluções propostas em ambos cenários, planejamento contingente e planejamento probabilístico com ajuda humana, foram empiricamente avaliadas sobre um conjunto de problemas de planejamento com becos-sem-saida. Os resultados mostram que: (i) todas as políticas geradas (fortes (cíclicas) ou próprias) incluem ajuda humana somente quando necessária; e (ii) foram encontradas políticas para problemas de planejamento contingente com até 10^15000 estados de crença e para problemas de planejamento probabilístico com até 3*10^18 estados do mundo.

[pt] Nesta tese propomos a aplicação de um paradigma de planejamento baseado em uma disciplina de modelagem conceitual para as tarefas de Mineração de Processos. Postulamos que a abordagem apresentada habilita as tarefas de descoberta de processos, checagem de conformidade e melhoria de modelos em domínios educacionais, que tem características de processos não-estruturados – dependências entre tarefas, múltiplas dependências, eventos concorrentes, atividades que falham, atividades repetidas, traços parciais e estruturas de nocaute. Relacionamos os conceitos em ambas as áreas de pesquisa e demonstramos a abordagem aplicada a um exemplo em um domínio acadêmico, implementando os algoritmos como parte de uma Biblioteca de Planos Típicos para Mineração de Processos que constrói sobre a extensa literatura prévia. / [en] In this thesis we propose the application of an automated planning paradigm based on a conceptual modeling discipline for the Process Mining tasks. We posit that the presented approach enables the process discovery, conformance checking and model enhancement tasks for educational domains, comprising characteristics of unstructured processes – with intertask dependencies, multiple dependencies, concurrent events, failing activities, repeated activities, partial traces and knock-out structures. We relate the concepts in both areas of research, and demonstrate the approach applied to an academic domain example, implementing the algorithms as part of a Library for Typical Plans for Process Mining that leverages the extensive prior art in the literature.