Automated planning optimization - Intelligent preprocessing of the state space using Graph Neural Networks
Authors
Lachowicz, Bartosz Piotr ; Gzubicki, Piotr Rafal
Term
4. term
Education
Publication year
2023
Abstract
This master’s thesis explores improving scalability in automated planning by intelligently preprocessing the state space with Graph Neural Networks (GNN). The work targets planning problems where the search space grows explosively with problem size. We develop a complete tool that represents planning instances as graphs, performs operator classification, and enriches the GNN with domain-relevant features such as landmarks and relaxed plans. The tool is trained on small and medium instances to transfer experience to larger problems, and we apply automated hyperparameter optimization with SMAC to select architectures and training settings. The implementation uses PyTorch Geometric and delivers an end-to-end pipeline for preprocessing and training. Experiments across multiple domains (including Satellites, Depots, Barman, and Rovers) and metric analyses show that the tool reduces planners’ search state space while retaining the information needed to compute valid plans. Overall, the work demonstrates promising directions for more efficient planning and contributes insights on feature engineering and hyperparameter management for GNN-based preprocessing.
Denne kandidatafhandling undersøger, hvordan man kan forbedre skalerbarheden i automatiseret planlægning ved at forbehandle tilstandsrum intelligent med Graph Neural Networks (GNN). Udgangspunktet er planlægningsproblemer, hvor søgerummet vokser eksplosivt med problemstørrelsen. Vi udvikler et komplet værktøj, der repræsenterer planlægningsinstanser som grafer, udfører operatorklassifikation og beriger GNN’en med domænerelevante features som landemærker og afslappede planer. Værktøjet trænes på mindre og mellemstore instanser for at overføre erfaring til større problemer, og vi anvender automatiseret hyperparameteroptimering med SMAC for at vælge arkitektur og træningsindstillinger. Implementeringen bygger på PyTorch Geometric og omfatter en samlet pipeline til præprocestrin og træning. Eksperimenter på flere domæner (bl.a. Satellites, Depots, Barman og Rovers) og analyser af metrikker dokumenterer, at værktøjet kan reducere planlæggeres søgetilstandsrum, samtidig med at nødvendig information for beregning af planer bevares. Arbejdet peger på lovende muligheder for mere effektiv planlægning og bidrager med indsigter i feature engineering og hyperparameterstyring for GNN-baseret forbehandling.
[This apstract has been generated with the help of AI directly from the project full text]