LearnInPlanner: uma abordagem de aprendizado supervisionado com redes neurais para solução de problemas de planejamento clássico (2013)
- Authors:
- Autor USP: SANTOS, ROSIANE CORREIA - EACH
- Unidade: EACH
- Subjects: APRENDIZADO COMPUTACIONAL; INTELIGÊNCIA ARTIFICIAL; REDES NEURAIS; ALGORITMOS GENÉTICOS; SOLUÇÃO DE PROBLEMAS
- Keywords: Algoritmos genéticos; Aprendizado supervisionado; Classical planning; Feature selection; Genetic algorithms; Multilayer perceptron network; Neural networks; Planejamento clássico; Rede perceptron multicamadas; Redes neurais artificiais; Seleção de características; Supervised learning
- Language: Português
- Abstract: A busca progressiva no espaço de estados é uma das abordagens mais populares de Planejamento Automatizado. O desempenho dos algoritmos de busca progressiva é influenciado pela heurística independente de domínio utilizada para guiá-lo. Nesse contexto, o foco do presente trabalho consiste em investigar técnicas de aprendizado de máquina supervisionadas que possibilitaram agregar à heurística do plano relaxado, comumente utilizada em abordagens atuais de planejamento, informações sobre o domínio em questão que viessem a ser úteis ao algoritmo de busca. Essas informações foram representadas por meio de um espaço de características do problema de planejamento e uma rede neural MLP foi aplicada para estimar uma nova função heurística para guiar a busca por meio de um processo de regressão não linear. Uma vez que o conjunto de características disponíveis para a construção da nova função heurística é grande, foi necessário a definição de um processo de seleção de características capaz de determinar qual conjunto de características de entrada da rede resultaria em melhor desempenho para o modelo de regressão. Portanto, para a seleção de características, aplicou-se uma abordagem de algoritmos genéticos. Como principal resultado, tem-se uma análise comparativa do desempenho entre a utilização da heurística proposta neste trabalho e a utilização da heurística do plano relaxado para guiar o algoritmo de busca na tarefa de planejamento. Para a análise empírica foram utilizados domíniosde diferentes complexidades disponibilizados pela Competições Internacionais de Planejamento. Além dos resultados empíricos e análises comparativas, as contribuições deste trabalho envolvem o desenvolvimento de um novo planejador independente de domínio, denominado LearnInPlanner. Esse planejador utiliza a nova função heurística estimada por meio do processo de aprendizado e o algoritmo de Busca Gulosa para solucionar os problemas de planejamento
- Imprenta:
- Data da defesa: 19.11.2013
-
ABNT
SANTOS, Rosiane Correia. LearnInPlanner: uma abordagem de aprendizado supervisionado com redes neurais para solução de problemas de planejamento clássico. 2013. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2013. Disponível em: http://www.teses.usp.br/teses/disponiveis/100/100131/tde-25012014-115621/. Acesso em: 09 out. 2024. -
APA
Santos, R. C. (2013). LearnInPlanner: uma abordagem de aprendizado supervisionado com redes neurais para solução de problemas de planejamento clássico (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de http://www.teses.usp.br/teses/disponiveis/100/100131/tde-25012014-115621/ -
NLM
Santos RC. LearnInPlanner: uma abordagem de aprendizado supervisionado com redes neurais para solução de problemas de planejamento clássico [Internet]. 2013 ;[citado 2024 out. 09 ] Available from: http://www.teses.usp.br/teses/disponiveis/100/100131/tde-25012014-115621/ -
Vancouver
Santos RC. LearnInPlanner: uma abordagem de aprendizado supervisionado com redes neurais para solução de problemas de planejamento clássico [Internet]. 2013 ;[citado 2024 out. 09 ] Available from: http://www.teses.usp.br/teses/disponiveis/100/100131/tde-25012014-115621/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas