LOUGA: learning planning operators using genetic algorithms
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F18%3A10391932" target="_blank" >RIV/00216208:11320/18:10391932 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1007/978-3-319-97289-3_10" target="_blank" >https://doi.org/10.1007/978-3-319-97289-3_10</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-97289-3_10" target="_blank" >10.1007/978-3-319-97289-3_10</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
LOUGA: learning planning operators using genetic algorithms
Popis výsledku v původním jazyce
Planning domain models are critical input to current automated planners. These models provide description of planning operators that formalize how an agent can change the state of the world. It is not easy to obtain accurate description of planning operators, namely to ensure that all preconditions and effects are properly specified. Therefore automated techniques to learn them are important for domain modelling. In this paper, we propose a novel method for learning planning operators (action schemata) from example plans. This method, called LOUGA (Learning Operators Using Genetic Algorithms), uses a genetic algorithm to learn action effects and an ad-hoc algorithm to learn action preconditions. We show experimentally that LOUGA is more accurate and faster than the ARMS system, currently the only technique for solving the same type of problem.
Název v anglickém jazyce
LOUGA: learning planning operators using genetic algorithms
Popis výsledku anglicky
Planning domain models are critical input to current automated planners. These models provide description of planning operators that formalize how an agent can change the state of the world. It is not easy to obtain accurate description of planning operators, namely to ensure that all preconditions and effects are properly specified. Therefore automated techniques to learn them are important for domain modelling. In this paper, we propose a novel method for learning planning operators (action schemata) from example plans. This method, called LOUGA (Learning Operators Using Genetic Algorithms), uses a genetic algorithm to learn action effects and an ad-hoc algorithm to learn action preconditions. We show experimentally that LOUGA is more accurate and faster than the ARMS system, currently the only technique for solving the same type of problem.
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
<a href="/cs/project/GA18-07252S" target="_blank" >GA18-07252S: MoRePlan: Modelování a reformulace plánovacích problémů</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2018
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
Knowledge Management and Acquisition for Intelligent Systems. PKAW 2018
ISBN
978-3-319-97288-6
ISSN
0302-9743
e-ISSN
neuvedeno
Počet stran výsledku
15
Strana od-do
124-138
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Nanjing, China
Datum konání akce
28. 8. 2018
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—