Reprezentace problémů klasického plánování pro učení heuristické informace grafovými neuronovými sítěmi
Representation of classical planning problems for learning heuristic information by graph neural networks
Typ dokumentu
diplomová prácemaster thesis
Autor
Tomáš Grim
Vedoucí práce
Urbanovská Michaela
Oponent práce
Trunda Otakar
Studijní obor
Umělá inteligenceStudijní program
Otevřená informatikaInstituce přidělující hodnost
katedra počítačůPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
V oblasti umělé inteligence je klasické plánování považováno za důležitou součást výzkumu, která se zaměřuje na vývoj algoritmů a technik pro řešení problémů v deterministickém a plně pozorovatelném prostředí. Práce se věnuje propojení klasického plánování se strojovým učením s pomocí 3 vytvořených grafových reprezentací pro stavy PDDL. Všechny reprezentace jsou použity při učení modelů heuristické funkce pomocí grafových neuronových sítí, jejichž výsledky jsou experimentálně otestovány a porovnány s existujícími řešeními. In the field of artificial intelligence, classical planning is considered an important part of research that focuses on the development of algorithms and techniques for solving problems in a deterministic and fully observable environment. The work is dedicated to connecting classical planning with machine learning with the help of 3 created graph representations for PDDL states. All representations are used in learning heuristic function models using graph neural networks, the results of which are experimentally tested and compared with existing solutions.
Kolekce
- Diplomové práce - 13136 [833]