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'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'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
—