Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Spreading Activation Way of Knowledge Integration Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Extending and Tuning Heuristics for a Partial Order Causal Link Planner

verfasst von : Shashank Shekhar, Deepak Khemani

Erschienen in: Mining Intelligence and Knowledge Exploration

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Recent literature reveals that different heuristic functions perform well in different domains due to the varying nature of planning problems. This nature is characterized by the degree of interaction between subgoals and actions. We take the approach of learning the characteristics of different domains in a supervised manner. In this paper, we employ a machine learning approach to combine different, possibly inadmissible, heuristic functions in a domain dependent manner. With the renewed interest in Partial Order Causal Link (POCL) planning we also extend the heuristic functions derived from state space approaches to POCL planning. We use Artificial Neural Network (ANN) for combining these heuristics. The goal is to allow a planner to learn the parameters to combine heuristic functions in a given domain over time in a supervised manner. Our experiments demonstrate that one can discover combinations that yield better heuristic functions in different planning domains.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Classification Using Rough Random Forest
Nächstes Kapitel Symbolic Representation of Text Documents Using Multiple Kernel FCM
Literatur
1.
Arfaee, S.J., Zilles, S., Holte, R.C.: Learning heuristic functions for large state spaces. Artif. Intell. 175(16), 2075–2098 (2011)MATHCrossRef
2.
3.
Bishop, C.M.: Pattern Recognition and Machine Learning, vol. 1. Springer, New York (2006)MATH
4.
Blum, A.L., Furst, M.L.: Fast planning through planning graph analysis. Artif. Intell. 90(1), 281–300 (1997)MATHCrossRef
5.
6.
Bonet, B., Loerincs, G., Geffner, H.: A robust and fast action selection mechanism for planning. In: AAAI/IAAI, pp. 714–719 (1997)
7.
Haslum, P., Geffner, H.: Admissible heuristics for optimal planning. In: AIPS, pp. 140–149. Citeseer (2000)
8.
Hastie, T., Tibshirani, R., Friedman, J., Hastie, T., Friedman, J., Tibshirani, R.: The Elements of Statistical Learning, vol. 2. Springer, New York (2009)MATHCrossRef
9.
Helmert, M.: The fast downward planning system. J. Artif. Intell. Res. (JAIR) 26, 191–246 (2006)MATHCrossRef
10.
Hoffmann, J.: FF : the fast-forward planning system. AI Mag. 22(3), 57 (2001)
11.
Kambhampati, S., Parker, E., Lambrecht, E.: Understanding and extending graphplan, pp. 260–272 (1997)
12.
13.
McAllester, D., Rosenblatt, D.: Systematic nonlinear planning (1991)
14.
15.
Muise, C., McIlraith, S.A., Beck, J.C.: Monitoring the execution of partial-order plans via regression. In: IJCAI Proceedings-International Joint Conference on Artificial Intelligence, vol. 22, p. 1975 (2011)
16.
Nguyen, X., Kambhampati, S.: Extracting effective and admissible state space heuristics from the planning graph. In: AAAI/IAAI, pp. 798–805 (2000)
17.
Nguyen, X., Kambhampati, S.: Reviving partial order planning. In: IJCAI, vol. 1, pp. 459–464 (2001)
18.
Nigenda, R.S., Nguyen, X., Kambhampati, S.: Altalt: combining the advantages of graphplan and heuristic state search (2000)
19.
Pearl, J.: Heuristics: Intelligent Search Strategies for Computer Problem Solving. Addison-Wesley, Reading (1984)
20.
Penberthy, J.S., Weld, D.S.: UCPOP: A sound, complete, partial order planner for adl, pp. 103–114. Morgan Kaufmann (1992)
21.
Ridder, B.: Lifted Heuristics: Towards More Scalable Planning Systems. Ph.D. thesis, King’s College London (University of London) (2014)
22.
23.
Röger, G., Helmert, M.: Combining heuristic estimators for satisficing planning. In: ICAPS 2009 Workshop on Heuristics for Domain-Independent Planning, pp. 43–48 (2009)
24.
Röger, G., Helmert, M.: The more, the merrier: combining heuristic estimators for satisficing planning. Alternation 10(100s), 1000s (2010)
25.
Samadi, M., Felner, A., Schaeffer, J.: Learning from multiple heuristics. In: AAAI, pp. 357–362 (2008)
26.
Sapena, O., Onaindıa, E., Torreno, A.: Combining heuristics to accelerate forward partial-order planning. In: Constraint Satisfaction Techniques for Planning and Scheduling, P. 25 (2014)
27.
Schubert, L., Gerevini, A.: Accelerating partial order planners by improving plan and goal choices. In: Proceedings of Seventh International Conference on Tools with Artificial Intelligence, pp. 442–450. IEEE (1995)
28.
Smith, D.E., Peot, M.A.: Postponing threats in partial-order planning. In: Proceedings of the Eleventh National Conference on Artificial Intelligence, pp. 500–506. AAAI Press (1993)
29.
Thayer, J.T., Dionne, A.J., Ruml, W.: Learning inadmissible heuristics during search. In: ICAPS (2011)
30.
Thayer, J.T., Ruml, W.: Using distance estimates in heuristic search. In: ICAPS, pp. 382–385. Citeseer (2009)
31.
Weld, D.S.: An introduction to least commitment planning. AI Mag. 15(4), 27 (1994)
32.
Weld, D.S.: AAAI-10 classic paper award: systematic nonlinear planning a commentary. AI Mag. 32(1), 101 (2011)
33.
Younes, H.L., Simmons, R.G.: On the role of ground actions in refinement planning. In: AIPS, pp. 54–62 (2002)
34.
Younes, H.L., Simmons, R.G.: Versatile heuristic partial order planner. J. Artif. Intell. Res. (JAIR) 20, 405–430 (2003)MATH
35.
Zhu, L., Givan, R.: Simultaneous heuristic search for conjunctive subgoals. In: 1999 Proceedings of the National Conference on Artificial Intelligence (AAAI), vol. 20, pp. 1235–1241. AAAI Press, MIT Press, Menlo Park, Cambridge (2005)
Metadaten
Titel
Extending and Tuning Heuristics for a Partial Order Causal Link Planner
verfasst von
Shashank Shekhar
Deepak Khemani
Copyright-Jahr
2015
Buch
Mining Intelligence and Knowledge Exploration

Print ISBN: 978-3-319-26831-6

Electronic ISBN: 978-3-319-26832-3

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-26832-3_9