Pattern databáze se statistickou informací

Abstract

Tato práce představuje nový přístup k vy lepšení heuristik Pattern Database (PDB) v klasickém plánování pomocí začlenění statistických informací o abstraktních pře chodech. Tradiční PDB abstrakce trpí ztrátou informací při projekci původního stavového prostoru, protože abstraktní přechody pouze aproximují základní kon krétní přechody. Naše metoda řeší toto omezení kvantifikací kvality abstrakt ních přechodů výpočtem poměru konkrét ních přechodů, které indukují každý abs traktní přechod. Navrhujeme nepřípust nou heuristiku konstruovanou modelová ním abstraktního přechodového systému jako Markovského rozhodovacího procesu (MDP), kde pravděpodobnosti přechodů odrážejí statistickou kvalitu abstraktních operací. Přístup zavádí "stínové stavy" pro řešení selhání aplikovatelnosti operátorů, poskytující realističtější odhady nákladů než deterministické abstrakce. Empirické vyhodnocení na doménách International Planning Competition (IPC) demonstruje konkurenceschopný výkon ve srovnání s tradičními PDB při použití s Greedy Best First Search, zejména z hlediska expando vaných stavů a kvality plánů. Dodatečně implementujeme algoritmus vyhledávání s více frontami kombinující heuristiky více vzorů pomocí alternační metody, vyhod nocený na zajímavých vzorech definova ných v literatuře. Výsledky potvrzují naši hypotézu, že pravděpodobnostní přístup k abstrakcím může poskytnout informova nější heuristické vedení pro automatické plánování.

This thesis presents a novel approach to enhance Pattern Database (PDB) heuris tics in classical planning by incorporat ing statistical information about abstract transitions. Traditional PDB abstractions suffer from information loss when project ing the original state space, as abstract transitions only approximate the under lying concrete transitions. Our method addresses this limitation by quantifying the quality of abstract transitions through computing the ratio of concrete transi tions that induce each abstract transi tion. We propose a non-admissible heuris tic constructed by modeling the abstract transition system as a Markov Decision Process (MDP), where transition prob abilities reflect the statistical quality of abstract operations. The approach intro duces "shadow states" to handle operator applicability failures, providing more re alistic cost estimates than deterministic abstractions. Empirical evaluation on In ternational Planning Competition (IPC) domains demonstrates competitive per formance compared to traditional PDBs when used with Greedy Best-First Search, particularly in terms of expanded states and plan quality. Additionally, we im plement a multi-queue search algorithm combining multiple pattern heuristics us ing the alternation method, evaluated on interesting patterns as defined in the liter ature. The results validate our hypothesis that probabilistic treatment of abstrac tions can yield more informed heuristic guidance for automated planning.