Zpřístupnění domén klasického plánování pro učení neuronových sítí

Abstract

Tato práce rozvíjí téma nahrazování standardních přechodových a heuristických funkcí v klasickém plánování hlubokými neuronovými sítěmi. Byly naimplementovány tři nové domény: Peg solitaire, Painting robots a Multiagentní painting robots. Implementace pozestávala z návrhu grafické reprezentace domén a implementace řešičů a generátorů dat pro učení hlubokých neuronových sítí. Na vygenerovaných datech byly natrénovány přechodová a heuristická neuronová síť, kterými byly nahrazeny standardní přechodové a heuristické funkce v řešičech. Byly provedeny experimenty na porovnání výkonu standardních a neurálních řešičů. Výsledky ukázaly, že doména Peg solitaire je příliš komplexní a současné architektury sítí ji neumí vyřešit. V případě Painting robots a Multiagentních Painting robots jsou délky řešení a počet expandovaných stavů porovnatelné se standardními funkcemi.

This thesis further expands the topic of replacing standard transition and heuristic functions in classical planning algorithms by deep neural networks. Three new domains were implemented: Peg solitaire, Painting robots and Multiagent painting robots. The implementation consisted of proposing a graphical domain representation and implementing solvers and data generators for deep neural network learning. Transition and heuristic neural networks were trained on the generated data and then used to replace the standard transition and heuristic functions in the solvers. Experiments were conducted to compare the performance of the standard and neural network solvers. The results show that the peg solitaire domain is too complex for current network architectures to solve. In the case of single and multiagent painting robots, the performance in terms of length of the solution and average number of expanded states is comparable between neural networks and standard baseline functions.