Synergie landmarků a neuronových sítí při řešení plánovacích problémů

Abstract

Plánovací úlohy patří mezi fundamentální problémy v oblasti umělé inteligence a vyžadují efektivní prohledávací algoritmy, které závisí na kvalitě použitých heuristických funkcí. Jeden ze způsobů strojového učení pro generování heuristických funkcí spočívá ve využití grafových neuronových sítí, které se učí z již vyřešených plánovacích problémů. Tyto natrénované heuristiky však často hůře generalizují na rozsáhlejší a složitější problémy. Tato práce se zabývá metodami dekompozice větších plánovacích problémů pomocí tzv. landmarků stavů, které musí dosáhnout každý platný plán. Zkoumáme metody, jak využít landmarky pro trénování grafových neuronových sítí, aby model lépe porozuměl vzájemným vztahům mezi jednotlivými cíli v rámci plánu. Dále vyhodnocujeme různé prohledávací strategie, které kombinují jak extrahované landmarky, tak naučené heuristiky, s cílem efektivněji nalézt koncový stav.

Planning problems are fundamental in the field of artificial intelligence and require efficient search algorithms that rely on the quality of their heuristic functions. A machine learning approach to generate heuristic functions involves using graph neural networks to learn from previously solved planning instances. However, these learned heuristics often struggle to generalize to larger and more complex problems. This thesis investigates methods to decompose large problems using landmarks states that every valid solution must pass through. We explore methods for incorporating landmarks into the training of graph neural networks to help the model better understand how subgoals relate to each other within a plan. In addition, we evaluate different search strategies that combine both extracted landmarks and learned heuristics to guide planning more effectively.