dc.contributor.advisor | Barták, Roman | |
dc.creator | Kučera, Jiří | |
dc.date.accessioned | 2017-09-27T09:32:32Z | |
dc.date.available | 2017-09-27T09:32:32Z | |
dc.date.issued | 2017 | |
dc.identifier.uri | http://hdl.handle.net/20.500.11956/90443 | |
dc.description.abstract | In AI planning, planners typically require a precise description of the input model. Creation of such model is a difficult task, so methods that automatically generate models from input plans are also created. However, a lot of them make assumptions about the model or are imprecise. In this thesis, we present a new method called LOUGA (Learning operators using genetic algorithms), which uses genetic algorithms to learn models. Unlike other methods, LOUGA does not make any assumptions about the model and works precisely even with small amount of predicates in input plans. In the first step, LOUGA generates all such pairs operator-predicate, that the operator can add or remove the predicate from the world. Every such pair is represented by one gene. In the second step, evolution is being performed until such model that explains input data without errors is found. In this paper, we have also proved empirically that LOUGA works faster and more precisely than existing method ARMS. 1 | en_US |
dc.description.abstract | Programy generující plány vyžadují přesný popis plánovacího modelu. Vytvo- ření takového modelu je ale náročný proces, proto se vytváří postupy, které gene- rují modely automaticky ze vzorových plánů. Mnoho z nich však klade speciální požadavky na učený model nebo nepracuje zcela přesně. V této práci představu- jeme nový přístup LOUGA (Learning operators using genetic algorithms), který se automaticky učí modely za pomoci genetických algoritmů. Na rozdíl od ji- ných přístupů neklade LOUGA žádné speciální požadavky na vlastnosti učených modelů a dokáže pracovat přesně i s malým množstvím predikátů ve vstupních plánech. Přístup v prvním kroku vygeneruje všechny možné dvojice operátor- predikát takové, že operátor může predikát přidat nebo odebrat ze světa. Každá tato dvojice je reprezentována jedním genem. V druhém kroku provádí evoluci jedinců, dokud nenalezne takový model, který vysvětluje vstupní data bez chyb. V experimentech jsme ověřili, že LOUGA pracuje znatelně přesněji a rychleji než existující přístup ARMS. 1 | cs_CZ |
dc.language | Čeština | cs_CZ |
dc.language.iso | cs_CZ | |
dc.publisher | Univerzita Karlova, Matematicko-fyzikální fakulta | cs_CZ |
dc.subject | planning | en_US |
dc.subject | modeling | en_US |
dc.subject | learning | en_US |
dc.subject | plánování | cs_CZ |
dc.subject | modelování | cs_CZ |
dc.subject | učení | cs_CZ |
dc.title | Učení plánovacích modelů | cs_CZ |
dc.type | bakalářská práce | cs_CZ |
dcterms.created | 2017 | |
dcterms.dateAccepted | 2017-09-06 | |
dc.description.department | Department of Theoretical Computer Science and Mathematical Logic | en_US |
dc.description.department | Katedra teoretické informatiky a matematické logiky | cs_CZ |
dc.description.faculty | Faculty of Mathematics and Physics | en_US |
dc.description.faculty | Matematicko-fyzikální fakulta | cs_CZ |
dc.identifier.repId | 146171 | |
dc.title.translated | Learning planning models | en_US |
dc.contributor.referee | Neruda, Roman | |
thesis.degree.name | Bc. | |
thesis.degree.level | bakalářské | cs_CZ |
thesis.degree.discipline | Programming | en_US |
thesis.degree.discipline | Programování | cs_CZ |
thesis.degree.program | Informatika | cs_CZ |
thesis.degree.program | Computer Science | en_US |
uk.thesis.type | bakalářská práce | cs_CZ |
uk.taxonomy.organization-cs | Matematicko-fyzikální fakulta::Katedra teoretické informatiky a matematické logiky | cs_CZ |
uk.taxonomy.organization-en | Faculty of Mathematics and Physics::Department of Theoretical Computer Science and Mathematical Logic | en_US |
uk.faculty-name.cs | Matematicko-fyzikální fakulta | cs_CZ |
uk.faculty-name.en | Faculty of Mathematics and Physics | en_US |
uk.faculty-abbr.cs | MFF | cs_CZ |
uk.degree-discipline.cs | Programování | cs_CZ |
uk.degree-discipline.en | Programming | en_US |
uk.degree-program.cs | Informatika | cs_CZ |
uk.degree-program.en | Computer Science | en_US |
thesis.grade.cs | Výborně | cs_CZ |
thesis.grade.en | Excellent | en_US |
uk.abstract.cs | Programy generující plány vyžadují přesný popis plánovacího modelu. Vytvo- ření takového modelu je ale náročný proces, proto se vytváří postupy, které gene- rují modely automaticky ze vzorových plánů. Mnoho z nich však klade speciální požadavky na učený model nebo nepracuje zcela přesně. V této práci představu- jeme nový přístup LOUGA (Learning operators using genetic algorithms), který se automaticky učí modely za pomoci genetických algoritmů. Na rozdíl od ji- ných přístupů neklade LOUGA žádné speciální požadavky na vlastnosti učených modelů a dokáže pracovat přesně i s malým množstvím predikátů ve vstupních plánech. Přístup v prvním kroku vygeneruje všechny možné dvojice operátor- predikát takové, že operátor může predikát přidat nebo odebrat ze světa. Každá tato dvojice je reprezentována jedním genem. V druhém kroku provádí evoluci jedinců, dokud nenalezne takový model, který vysvětluje vstupní data bez chyb. V experimentech jsme ověřili, že LOUGA pracuje znatelně přesněji a rychleji než existující přístup ARMS. 1 | cs_CZ |
uk.abstract.en | In AI planning, planners typically require a precise description of the input model. Creation of such model is a difficult task, so methods that automatically generate models from input plans are also created. However, a lot of them make assumptions about the model or are imprecise. In this thesis, we present a new method called LOUGA (Learning operators using genetic algorithms), which uses genetic algorithms to learn models. Unlike other methods, LOUGA does not make any assumptions about the model and works precisely even with small amount of predicates in input plans. In the first step, LOUGA generates all such pairs operator-predicate, that the operator can add or remove the predicate from the world. Every such pair is represented by one gene. In the second step, evolution is being performed until such model that explains input data without errors is found. In this paper, we have also proved empirically that LOUGA works faster and more precisely than existing method ARMS. 1 | en_US |
uk.file-availability | V | |
uk.publication.place | Praha | cs_CZ |
uk.grantor | Univerzita Karlova, Matematicko-fyzikální fakulta, Katedra teoretické informatiky a matematické logiky | cs_CZ |