Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Deep Heuristic-learning in the Rubik's Cube Domain: An Experimental Evaluation

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F17%3A10367133" target="_blank" >RIV/00216208:11320/17:10367133 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://ceur-ws.org/Vol-1885/57.pdf" target="_blank" >http://ceur-ws.org/Vol-1885/57.pdf</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Deep Heuristic-learning in the Rubik's Cube Domain: An Experimental Evaluation

  • Popis výsledku v původním jazyce

    Recent successes of neural networks in solving combinatorial problems and games like Go, Poker and others inspire further attempts to use deep learning approaches in discrete domains. In the field of automated planning, the most popular approach is informed forward search driven by a~heuristic function which estimates the quality of encountered states. Designing a~powerful and easily-computable heuristics however is still a~challenging problem on many domains. In this paper, we use machine learning to construct such heuristic automatically. We train a~neural network to predict a~minimal number of moves required to solve a~given instance of Rubik&apos;s cube. We then use the trained network as a~heuristic distance estimator with a~standard forward-search algorithm and compare the results with other heuristics. Our experiments show that the learning approach is competitive with state-of-the-art and might be the best choice in some use-case scenarios.

  • Název v anglickém jazyce

    Deep Heuristic-learning in the Rubik's Cube Domain: An Experimental Evaluation

  • Popis výsledku anglicky

    Recent successes of neural networks in solving combinatorial problems and games like Go, Poker and others inspire further attempts to use deep learning approaches in discrete domains. In the field of automated planning, the most popular approach is informed forward search driven by a~heuristic function which estimates the quality of encountered states. Designing a~powerful and easily-computable heuristics however is still a~challenging problem on many domains. In this paper, we use machine learning to construct such heuristic automatically. We train a~neural network to predict a~minimal number of moves required to solve a~given instance of Rubik&apos;s cube. We then use the trained network as a~heuristic distance estimator with a~standard forward-search algorithm and compare the results with other heuristics. Our experiments show that the learning approach is competitive with state-of-the-art and might be the best choice in some use-case scenarios.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2017

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings of the 17th Conference on Information Technologies - Applications and Theory (ITAT 2017)

  • ISBN

  • ISSN

    1613-0073

  • e-ISSN

    neuvedeno

  • Počet stran výsledku

    8

  • Strana od-do

    57-64

  • Název nakladatele

    CEUR

  • Místo vydání

    Neuveden

  • Místo konání akce

    Martinské hole

  • Datum konání akce

    22. 9. 2017

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku