Dead ends in FOND planning : from theory to practical contributions

• Autor(a) principal: Silva, Marco Antônio Chitolina da
• Data de Publicação: 2024
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: eng
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/279192
• topic: Inteligência artificial; Aprendizado de máquina; Heurística; Planejamento não-determinístico

Neste trabalho, estudamos o planejamento FOND (Fully-Observable Non-Deterministic), o qual modela incerteza através de ações com efeitos não-determinísticos. No planejamento FOND, o objetivo é encontrar uma política, que quando seguida, assegure que eventualmente alcançaremos um estado objetivo a partir do estado inicial, independentemente do resultado das ações aplicadas. Estudamos teoricamente a estrutura das tarefas de planejamento FOND, identificando todos os aspectos que podem tornar uma tarefa desafiadora. Neste estudo, mostramos que os estados sem-saída de uma tarefa FOND podem ser separados em duas categorias: estados sem-saída determinísticos e estados sem-saída totalmente não-determinísticos. Considerando a “determinização” da tarefa de planejamento FOND, onde todas as ações são divididas em seus efeitos não-determinísticos, tornando-se ações determinísticas, temos uma função que identifica perfeitamente todos os estados que não podem alcançar um estado objetivo. Estados sem-saída determinísticos podem ser identificados usando essa função perfeita, enquanto estados sem-saída totalmente não-determinísticos não podem. Isso torna os estados sem-saída totalmente nãodeterminísticos particularmente interessantes. Mais importante, concluímos este estudo teórico mostrando que, se uma tarefa FOND não for proibitivamente grande, então a única maneira dela ser difícil é contendo estados sem-saída totalmente não-determinísticos. Finalmente, utilizamos esses novo conhecimento para propor um conjunto de novos domí- nios de planejamento FOND que são mais desafiadores para os planejadores FOND existentes do que os domínios do benchmark FOND tradicional. Através de experimentos empíricos, inferimos que o desempenho dos planejadores FOND existentes seria substancialmente melhorado se eles tivessem pleno conhecimento dos estados sem-saída totalmente não-determinísticos de uma tarefa FOND.