Machine learning methods use to extract domain control knowledge in planning problems

Abstract

Domain Control Knowledge (DCK) could significantly improve planning efficiency of general planners. Automatic creation of such knowledge with computers could be very helpful. In this thesis, two machine learning techniques were tried for this task, Inductive Logic Programming and Automata Learning. The second technique was more successful with quickly finding an automaton, which was used as Transition-Based Domain Con- trol Knowledge (T-DCK) to improve planning times of a general planner on problems from planning competitions. Learned DCK was also helpful in creating plans for larger problems, where the planner on the original problems failed due to resource constraints. Performance of the learned DCK was compared to a human-designed DCK. The learned DCK usually led to shorter plans and sometimes the planning was even faster.

Doménová znalost (DCK) výrazně zlepšuje efektivitu plánovačů. V této práci bylo vy- zkoušeno vytváření takové znalosti strojově. Pro tyto účely jsem zvolil dvě různé techniky strojového učení, a to Induktivní Logické Programování a Učení Automatů. Druhá zmí- něná technika byla úspěšnější v rychlém učení této DCK. Automaty, které byly naučeny, byly použity jako přechodové doménové znalosti (T-DCK). S jejich využitím byl plánovač schopen tvořit plány mnohem rychleji. Zároveň použitím této znalosti se podařilo vytvo- řit plány pro problémy, kde plánování bez doménové znalosti selhalo kvůli časovým a paměťovým omezením. Naučená DCK byla také porovnána s manuálně navrženou DCK. Plánování s naučenou DCK většinou vedlo ke kratším plánům a občas i bylo rychlejší.