LOGIN TO YOUR ACCOUNT

Username
Password
Remember Me
Or use your Academic/Social account:

CREATE AN ACCOUNT

Or use your Academic/Social account:

Congratulations!

You have just completed your registration at OpenAire.

Before you can login to the site, you will need to activate your account. An e-mail will be sent to you with the proper instructions.

Important!

Please note that this site is currently undergoing Beta testing.
Any new content you create is not guaranteed to be present to the final version of the site upon release.

Thank you for your patience,
OpenAire Dev Team.

Close This Message

CREATE AN ACCOUNT

Name:
Username:
Password:
Verify Password:
E-mail:
Verify E-mail:
*All Fields Are Required.
Please Verify You Are Human:
fbtwitterlinkedinvimeoflicker grey 14rssslideshare1
Languages: French
Types: Article
Subjects: Planification de tâches, Landmarks, Algorithmes de recherche, Intelligence artificielle, 000, Classical planning, Automated planning, Search algorithm, Artificial intelligence
Les algorithmes permettant la création de stratégies efficaces pour la résolution d’ensemble de problèmes hétéroclites ont toujours été un des piliers de la recherche en Intelligence Artificielle. Dans cette optique, la planification de tâches a pour objectif de fournir à un système la capacité de raisonner pour interagir avec son environnement de façon autonome afin d’atteindre les buts qui lui ont été assignés. À partir d’une description de l’état initial du monde, des actions que le système peut exécuter, et des buts qu’il doit atteindre, un planificateur calcule une séquence d’actions dont l’exécution permet de faire passer l’état du monde dans lequel évolue le système vers un état qui satisfait les buts qu’on lui a fixés. Le problème de planification est en général difficile à résoudre (PSPACE-difficile), cependant certaines propriétés des problèmes peuvent être automatiquement extraites permettant ainsi une résolution efficace. Dans un premier temps, nous avons développé l’algorithme LMBFS (Landmark-based Meta Best-First Search). À contre-courant des planificateurs state-of-the-art, basés sur la recherche heuristique dans l’espace d’états, LMBFS est un algorithme qui réactualise la technique de décomposition des problèmes de planification basés sur les landmarks. Un landmark est un fluent qui doit être vrai à un certain moment durant l’exécution de n’importe quel plan solution. L’algorithme LMBFS découpe le problème principal en un ensemble de sous-problèmes et essaie de trouver une solution globale grâce aux solutions trouvées pour ces sous-problèmes. Dans un second temps, nous avons adapté un ensemble de techniques pour améliorer les performances de l’algorithme. Enfin, nous avons testé et comparé chacune de ces méthodes permettant ainsi la création d’un planificateur efficace. The algorithms allowing on-the-fly computation of efficient strategies solving a heterogeneous set of problems has always been one of the greatest challenges faced by research in Artificial Intelligence. To this end, classical planning provides to a system reasoning capacities, in order to help it to interact with its environment autonomously. Given a description of the world current state, the actions the system is able to perform, and the goal it is supposed to reach, a planner can compute an action sequence yielding a state satisfying the predefined goal. The planning problem is usually intractable (PSPACE-hard), however some properties of the problems can be automatically extracted allowing the design of efficient solvers. Firstly, we have developed the Landmark-based Meta Best-First Search (LMBFS) algorithm. Unlike state-of-the-art planners, usually based on state-space heuristic search, LMBFS reenacts landmark-based planning problem decomposition. A landmark is a fluent appearing in each and every solution plan. The LMBFS algorithm splits the global problem in a set of subproblems and tries to find a global solution using the solutions found for these subproblems. Secondly, we have adapted classical planning techniques to enhance the performance of our base algorithm, making LMBFS a competitive planner. Finally, we have tested and compared these methods.

Share - Bookmark

Cite this article