Abstrakce využívající statistickou informaci

Abstract

Tato bakalářská práce představuje nový přístup ke zvýšení přesnosti plánovačů využívajících abstrakce. V tradičních procesech abstrakce dochází k nevyhnutelné ztrátě určitých informací, což může vést ke ztrátě přesnosti. Nicméně náš navrhovaný přístup využívá část těchto ztracených informací tím, že je zahrnuje do pravděpodobností přechodů. Přiřazením pravděpodobností přechodům na základě těchto ztracených informací konstruujeme Markovský rozhodovací proces (MDP), který umožňuje aplikaci iterace hodnot pro predikci nákladů v daném problému. Hlavním cílem této práce je demonstrovat proveditelnost a účinnost využívání statistických informací v rámci abstrakcí. Skrze podrobné zkoumání procesu abstrakce ukazujeme, jak náš přístup optimalizuje využití dostupných dat a nakonec vede k více informovaným heuristikám. Pro vyhodnocení výkonnosti naší metody jsou provedeny řady experimentů. Výsledky těchto experimentů jednoznačně prokazují převahu našeho přístupu v oblasti přesnosti. Navíc diskutujeme možnosti dalšího rozvoje a optimalizace.

This bachelor thesis presents a novel approach for enhancing the precision of planners that employ abstractions. In traditional abstraction processes, certain information is inevitably discarded, leading to a potential loss of accuracy. However, our proposed method utilizes a part of this discarded information by incorporating it into transition probabilities. By assigning probabilities to the transitions based on the discarded information, we construct a Markov Decision Process (MDP) that facilitates the application of value iteration for cost prediction in the given problem. The primary objective of this research is to demonstrate the feasibility and effectiveness of leveraging statistical information within abstractions. Through a comprehensive examination of the abstraction process, we illustrate how our method optimizes the use of available data, ultimately resulting in more informative heuristics. A series of experiments are conducted to evaluate our method's performance. The findings demonstrate the superiority of our approach in terms of precision. Additionally, we discuss potential avenues for further development and optimization.