基于PPDDL子集的弹道图规划算法的研究

论文摘要

智能规划是人工智能领域的一个重要的研究内容。经典的规划问题假设世界的信息是完全可知的,并且动作的执行效果是确定的,这使得经典的规划问题只能求解规模较小的模型规划问题。为了求解现实问题,近年来,对不完全信息和不确定效果的规划问题的研究已经逐渐深入。 概率规划器由于能够较准确地对不确定信息进行定量描述,已经得到人们的高度重视。其中 Blum & Furst 提出了专门针对动作效果不确定的规划算法TGP(Trajectory GraphPlan),TGP 算法就是将求解经典规划问题的 GraphPlan 算法从STRIPS 域扩展到动作效果具有概率输出的概率规划域。相关的实验效果表明 TGP的速度比解决同类问题的规划器都快。 动作的条件效果也是处理动作效果不确定的一种方法。但是条件效果与具有概率输出的动作效果是两种性质不同的不确定性。动作的概率输出效果是根据经验事先给出的,一旦动作被执行,就会产生一个具有给定概率值的效果输出列表,不同概率值的输出不可能同时发生,因此同一个动作的概率输出是互斥的;而条件效果是由动作执行时所处状态动态确定的,同一个动作不同的条件效果只要不互斥,效果条件在当前状态得到满足,就可以同时发生。将两种表达不同性质的不确定性的方法有机融合在一起,有着重要的研究价值,因此提出本课题。 本文首先回顾了智能规划技术以及规划语言的发展,其次介绍了经典规划算法GraphPlan,再次阐述了现有条件效果的处理方法,然后分析了概率规划的研究现状,最后本文阐述了将概率规划器 TGP 扩展到 PPDDL(Probabilistic Planning DomainDefinition Language)的部分域的规划算法,使其能够求解具有不同确定性动作的规划问题。

论文目录

• 摘要
• Abstract
• 目录
• 引言
• 第一章 智能规划概述
• 1.1 智能规划的概念
• 1.2 智能规划的发展
• 1.3 智能规划语言的发展
• 1.3.1 STRIPS 语言
• 1.3.2 ADL 语言
• 1.3.3 PDDL 语言
• 1.3.4 规划语言的发展
• 第二章 概率规划
• 2.1 概率规划器的发展
• 2.2 概率规划的表示
• 2.2.1 状态表示
• 2.2.2 初始世界的表示
• 2.2.3 动作表示
• 2.2.4 概率规划定义
• 2.3 概率规划的类型
• 2.4 概率规划与不确定规划
• 2.5 概率规划语言PPDDL
• 2.6 IPC-4 中关于概率规划的一些问题
• 2.6.1 描述语言
• 2.6.2 问题定义
• 第三章 Graphplan 算法及其扩展
• 3.1 基本概念
• 3.2 GraphPlan 规划器
• 3.2.1 规划图与有效规划
• 3.2.2 规划图的扩张
• 3.2.3 火箭问题规划图扩张实例
• 3.2.4 搜索有效规划算法
• 3.2.5 火箭问题扩张规划图与搜索有效规划的实例
• 3.2.6 实验测试效果
• 3.2.7 局限性
• 3.3 IPP 算法
• 3.3.1 基本概念
• 3.3.2 IPP 算法的规划图的扩张
• 3.3.3 IPP 算法的有效规划的搜索
• 3.4 TGraphPlan 算法
• 3.4.1 基本概念
• 3.4.2 TGraphPlan 规划图的扩张
• 3.4.3 加速规划的搜索的信息和手段
• 3.4.4 TGraphPlan 算法的有效搜索
• 3.4.5 有效规划解
• 第四章 基于PPDDL 子集的TGP 算法
• 4.1 算法背景
• 4.2 定义与表示
• 4.2.1 命题和状态
• 4.2.2 操作的表示
• 4.3 算法描述
• 4.3.1 基本概念
• 4.3.2 CTGP 规划图的扩张
• 4.3.3 CTGP 有效规划搜索
• 4.3.4 问题的规划解
• 4.4 总结与后续工作
• 结语
• 参考文献
• 附录A 第一届规划调度系统比赛
• 附录B 第二届规划调度系统比赛
• 附录C 第三届规划调度系统比赛
• 附录D 第四届规划调度系统比赛
• 后记
• 在学期间公开发表论文及著作情况