Working-sets in automated planning: Finding better performing sets of actions in established domains
Translated title
Working-sets i automaseret planlægning
Author
Jakobsgaard, Søren Drejer
Term
4. term
Education
Publication year
2024
Submitted on
2024-06-09
Pages
15
Abstract
Automated planning asks AI systems to find a sequence of actions that leads from a start state to a goal. One way to help is to add composite actions, sometimes called meta-actions: prebuilt shortcuts that bundle several steps into one. While these shortcuts can speed up decision making, they also increase the branching factor—the number of choices the planner must consider at each step—so they cannot be added indiscriminately. This thesis explores the opposite move: removing basic actions that become redundant once meta-actions are available, with the aim of reducing the branching factor and improving overall planner performance. Before removing any actions, we apply checks to ensure that the remaining action sets can still solve problems. We then use an AI tool called SMAC to select candidate action sets based on different metrics, and evaluate them on a computing cluster against alternative sets. Across multiple planning domains, removing redundant actions generally improves planning speed and coverage (how many problems are solved). However, because domains differ substantially, we do not identify a single, consistent feature that determines whether an action should be included or excluded.
Automatiseret planlægning handler om at få et AI-system til at finde en række handlinger, der fører fra start til mål. En måde at hjælpe på er at tilføje sammensatte handlinger, ofte kaldet meta-handlinger: forudbyggede genveje, der samler flere trin i én. Sådanne genveje kan gøre beslutninger hurtigere, men de øger også forgreningsfaktoren—antallet af valg, planlæggeren skal overveje i hvert trin—og kan derfor ikke bare tilføjes ukritisk. Dette speciale undersøger den modsatte strategi: at fjerne grundlæggende handlinger, som bliver overflødige, når meta-handlinger er tilgængelige, for at sænke forgreningsfaktoren og forbedre den samlede ydeevne. Inden handlinger fjernes, foretager vi tjek for at sikre, at de tilbageværende handlingsmængder stadig kan løse problemer. Derefter bruger vi et AI-værktøj kaldet SMAC til at vælge kandidatsæt af handlinger ud fra forskellige mål, og vi evaluerer dem på en beregningsklynge i forhold til alternative sæt. På tværs af flere planlægningsdomæner giver fjernelse af overflødige handlinger generelt hurtigere planlægning og højere dækning (flere løste problemer). Domænerne er dog meget forskellige, så vi finder ikke et enkelt, fælles kendetegn, der afgør, om en handling bør medtages eller udelades.
[This apstract has been rewritten with the help of AI based on the project's original abstract]