Experimentální analýza heuristik kritických cest

Abstract

Heuristiky kritických cest jsou dobře prozkoumanou oblastí z oboru klasického plánování. Tyto heuristiky jsou označovány jako h^m, kde m je maximální velikost množiny faktů použitých při výpočtu. Tato práce poskytuje efektivní implementaci heuristik h^2 a h^3. Toho je dosáhnuto vyjádřením plánovacího problému Pi pomocí alternativní reprezentace problému Pi^m. Byla provedena analýza těchto heuristik ve srovnání s ostaními state-of-the-art heuristikami. Heuristiky porovnáváme na základě heuristických hodnot v počítečních stavech, počtu vyřešených problémů v datasetech z International Planning Competition a počtu vyhodnocených stavů za vteřinu. Dále byla navržena nová charakterizace plánovacího problému, Pi^m_r. Tato charakterizace umožňuje volbu množiny faktů, které nemohou být použity pro vytváření meta faktů v Pi^m, zmenšujíc tak velikost tohoto problému. Nakonec byla navržena strategie pro výběr takové množiny faktů, že její použití příliš nesniží hodnoty heuristických odhadů. Tato strategie byla naimplemenována a vyhodnocena, se slibnými výsledky v doméně pegsol z IPC datasetu z roku 2011.

The critical path heuristics are well studied in the area of classical planning. The critical path heuristics are denoted by h^m, where m corresponds to the maximal size of sets of facts used in the computation. This thesis describes and provides effective implementations of the h^2 and h^3 heuristics. For that, we utilize the alternative characterization Pi^m. Analysis of the h^2, h^3 and other state-of-the-art heuristics is made. We compare the heuristics in terms of heuristic values in initial states, the number of solved problems in the International Planning Competition datasets and the number of evaluated states per second. Moreover, a new characterization of the task, Pi^m_r, is introduced. This characterization allows for the choice of a set of facts r excluded from the meta-fact creation, reducing the size of the Pi^m task. Finally, a strategy for choosing a set of facts, which will not lower the heuristical estimates too much, is proposed, implemented, and evaluated, showing promising results in pegsol domain from IPC dataset from 2011.