In terms of classical planning, planners objectives are generate a sequence of actions
that converts an initial conguration (state) into another state that attends a goal. Planning
systems have been used in solving a variety of problems with success. However, no
planner is capable of outperforming all the others when applied to distinct problems.
Probabilistic planning is an extension of classical planning that works with stochastic
environments. Just as in classical planning, several planners were proposed to solve probalistic
planning problems. However, no planner is capable of outperform all others when
applied to distinct problems.
In this work we describe our approach that is capable of extracting features of a
planning problem and determining a classical or probabilistic planner from a portfolio
that can solve the problem. We use machine learning algorithms to determine the best
planner from the porfolio that solves a problem.
Our approach showed good results in the experiments. Our approach outperformed the
best planners from a recent planning competition in both areas (classical and probabilistic
planning). / Em termos de abordagem clássica, sistemas de planejamento ou planejadores concentramse
em gerar automaticamente uma sequência de ações que transforma uma conguração
(estado) inicial de objetos em outro estado em que um dado objetivo é satisfeito. Sistemas
de planejamento foram utilizados para resolver uma variedade de problemas com
sucesso. Apesar disso, nenhum planejador é melhor que todos os outros quando aplicados
a problemas distintos.
O planejamento probabilístico é uma extensão do planejamento clássico que trabalha
sobre um ambiente não determinístico. Assim como no planejamento clássico, diversos
planejadores foram propostos para resolver problemas, porém nenhum planejador é capaz
de superar totalmente os outros em todos os problemas.
Neste trabalho, descreve-se uma abordagem que consiste em extrair características do
problema a ser resolvido e determinar, a partir de um conjunto de planejadores clássicos e
probabilísticos, um que seja capaz de resolver o problema com eciência. Em nossa abordagem,
são utilizados algoritmos de aprendizado de máquina para determinar o melhor
planejador dentre o portfólio que resolve o problema.
A seleção dos planejadores se mostrou eciente nos testes tendo mostrado bons resultados
nos experimentos ao superar os planejadores de portfólio que conseguiram os
melhores resultados nas competições de planejamento em ambas as áreas (planejamento
clássico e probabilístico). / Mestre em Ciência da Computação
Identifer | oai:union.ndltd.org:IBICT/urn:repox.ist.utl.pt:RI_UFU:oai:repositorio.ufu.br:123456789/12561 |
Date | 02 June 2014 |
Creators | Sousa, Jean Lucas de |
Contributors | Lopes, Carlos Roberto, Julia, Rita Maria da Silva, Tonidandel, Flávio |
Publisher | Universidade Federal de Uberlândia, Programa de Pós-graduação em Ciência da Computação, UFU, BR, Ciências Exatas e da Terra |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf |
Source | reponame:Repositório Institucional da UFU, instname:Universidade Federal de Uberlândia, instacron:UFU |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0153 seconds