Aplicando técnicas de aprendizado de máquina em planejamento
Ano de defesa: | 2014 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal de Uberlândia
|
Programa de Pós-Graduação: |
Programa de Pós-graduação em Ciência da Computação
|
Departamento: |
Ciências Exatas e da Terra
|
País: |
BR
|
Palavras-chave em Português: | |
Palavras-chave em Inglês: | |
Área do conhecimento CNPq: | |
Link de acesso: | https://repositorio.ufu.br/handle/123456789/12561 https://doi.org/10.14393/ufu.di.2014.327 |
Resumo: | In terms of classical planning, planners objectives are generate a sequence of actions that converts an initial conguration (state) into another state that attends a goal. Planning systems have been used in solving a variety of problems with success. However, no planner is capable of outperforming all the others when applied to distinct problems. Probabilistic planning is an extension of classical planning that works with stochastic environments. Just as in classical planning, several planners were proposed to solve probalistic planning problems. However, no planner is capable of outperform all others when applied to distinct problems. In this work we describe our approach that is capable of extracting features of a planning problem and determining a classical or probabilistic planner from a portfolio that can solve the problem. We use machine learning algorithms to determine the best planner from the porfolio that solves a problem. Our approach showed good results in the experiments. Our approach outperformed the best planners from a recent planning competition in both areas (classical and probabilistic planning). |
id |
UFU_ac2ab6e961319fb0d7ff3024f0e6f646 |
---|---|
oai_identifier_str |
oai:repositorio.ufu.br:123456789/12561 |
network_acronym_str |
UFU |
network_name_str |
Repositório Institucional da UFU |
repository_id_str |
|
spelling |
2016-06-22T18:32:30Z2014-10-172016-06-22T18:32:30Z2014-06-02SOUSA, Jean Lucas de. Aplicando técnicas de aprendizado de máquina em planejamento. 2014. 101 f. Dissertação (Mestrado em Ciências Exatas e da Terra) - Universidade Federal de Uberlândia, Uberlândia, 2014. Disponível em: https://doi.org/10.14393/ufu.di.2014.327https://repositorio.ufu.br/handle/123456789/12561https://doi.org/10.14393/ufu.di.2014.327In terms of classical planning, planners objectives are generate a sequence of actions that converts an initial conguration (state) into another state that attends a goal. Planning systems have been used in solving a variety of problems with success. However, no planner is capable of outperforming all the others when applied to distinct problems. Probabilistic planning is an extension of classical planning that works with stochastic environments. Just as in classical planning, several planners were proposed to solve probalistic planning problems. However, no planner is capable of outperform all others when applied to distinct problems. In this work we describe our approach that is capable of extracting features of a planning problem and determining a classical or probabilistic planner from a portfolio that can solve the problem. We use machine learning algorithms to determine the best planner from the porfolio that solves a problem. Our approach showed good results in the experiments. Our approach outperformed the best planners from a recent planning competition in both areas (classical and probabilistic planning).Em termos de abordagem clássica, sistemas de planejamento ou planejadores concentramse em gerar automaticamente uma sequência de ações que transforma uma conguração (estado) inicial de objetos em outro estado em que um dado objetivo é satisfeito. Sistemas de planejamento foram utilizados para resolver uma variedade de problemas com sucesso. Apesar disso, nenhum planejador é melhor que todos os outros quando aplicados a problemas distintos. O planejamento probabilístico é uma extensão do planejamento clássico que trabalha sobre um ambiente não determinístico. Assim como no planejamento clássico, diversos planejadores foram propostos para resolver problemas, porém nenhum planejador é capaz de superar totalmente os outros em todos os problemas. Neste trabalho, descreve-se uma abordagem que consiste em extrair características do problema a ser resolvido e determinar, a partir de um conjunto de planejadores clássicos e probabilísticos, um que seja capaz de resolver o problema com eciência. Em nossa abordagem, são utilizados algoritmos de aprendizado de máquina para determinar o melhor planejador dentre o portfólio que resolve o problema. A seleção dos planejadores se mostrou eciente nos testes tendo mostrado bons resultados nos experimentos ao superar os planejadores de portfólio que conseguiram os melhores resultados nas competições de planejamento em ambas as áreas (planejamento clássico e probabilístico).Mestre em Ciência da Computaçãoapplication/pdfporUniversidade Federal de UberlândiaPrograma de Pós-graduação em Ciência da ComputaçãoUFUBRCiências Exatas e da TerraClassificaçãoPortfólioAprendizado de máquinaPlanejamento clássicoPlanejamento probabilísticoAprendizado do computadorPlanejamentoClassificationPortfolioMachine learningClassical planningProbabilistic planningCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOAplicando técnicas de aprendizado de máquina em planejamentoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisLopes, Carlos Robertohttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4788535Z4Julia, Rita Maria da Silvahttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4788590Z8Tonidandel, Fláviohttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4794552A9http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4326549P6Sousa, Jean Lucas de81753057info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFUinstname:Universidade Federal de Uberlândia (UFU)instacron:UFUTHUMBNAILAplicandoTecnicasAprendizado.pdf.jpgAplicandoTecnicasAprendizado.pdf.jpgGenerated Thumbnailimage/jpeg1267https://repositorio.ufu.br/bitstream/123456789/12561/3/AplicandoTecnicasAprendizado.pdf.jpg78f9f09d69feb89f325197c8d1bc5584MD53ORIGINALAplicandoTecnicasAprendizado.pdfapplication/pdf5232772https://repositorio.ufu.br/bitstream/123456789/12561/1/AplicandoTecnicasAprendizado.pdf159c2a3f116fc407b0de083114a9cc21MD51TEXTAplicandoTecnicasAprendizado.pdf.txtAplicandoTecnicasAprendizado.pdf.txtExtracted texttext/plain173785https://repositorio.ufu.br/bitstream/123456789/12561/2/AplicandoTecnicasAprendizado.pdf.txt06ee5fcc04a7638d1c1d08fa2ea8bf3bMD52123456789/125612021-08-09 16:31:33.712oai:repositorio.ufu.br:123456789/12561Repositório InstitucionalONGhttp://repositorio.ufu.br/oai/requestdiinf@dirbi.ufu.bropendoar:2021-08-09T19:31:33Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU)false |
dc.title.por.fl_str_mv |
Aplicando técnicas de aprendizado de máquina em planejamento |
title |
Aplicando técnicas de aprendizado de máquina em planejamento |
spellingShingle |
Aplicando técnicas de aprendizado de máquina em planejamento Sousa, Jean Lucas de Classificação Portfólio Aprendizado de máquina Planejamento clássico Planejamento probabilístico Aprendizado do computador Planejamento Classification Portfolio Machine learning Classical planning Probabilistic planning CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
title_short |
Aplicando técnicas de aprendizado de máquina em planejamento |
title_full |
Aplicando técnicas de aprendizado de máquina em planejamento |
title_fullStr |
Aplicando técnicas de aprendizado de máquina em planejamento |
title_full_unstemmed |
Aplicando técnicas de aprendizado de máquina em planejamento |
title_sort |
Aplicando técnicas de aprendizado de máquina em planejamento |
author |
Sousa, Jean Lucas de |
author_facet |
Sousa, Jean Lucas de |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Lopes, Carlos Roberto |
dc.contributor.advisor1Lattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4788535Z4 |
dc.contributor.referee1.fl_str_mv |
Julia, Rita Maria da Silva |
dc.contributor.referee1Lattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4788590Z8 |
dc.contributor.referee2.fl_str_mv |
Tonidandel, Flávio |
dc.contributor.referee2Lattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4794552A9 |
dc.contributor.authorLattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4326549P6 |
dc.contributor.author.fl_str_mv |
Sousa, Jean Lucas de |
contributor_str_mv |
Lopes, Carlos Roberto Julia, Rita Maria da Silva Tonidandel, Flávio |
dc.subject.por.fl_str_mv |
Classificação Portfólio Aprendizado de máquina Planejamento clássico Planejamento probabilístico Aprendizado do computador Planejamento |
topic |
Classificação Portfólio Aprendizado de máquina Planejamento clássico Planejamento probabilístico Aprendizado do computador Planejamento Classification Portfolio Machine learning Classical planning Probabilistic planning CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
dc.subject.eng.fl_str_mv |
Classification Portfolio Machine learning Classical planning Probabilistic planning |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
description |
In terms of classical planning, planners objectives are generate a sequence of actions that converts an initial conguration (state) into another state that attends a goal. Planning systems have been used in solving a variety of problems with success. However, no planner is capable of outperforming all the others when applied to distinct problems. Probabilistic planning is an extension of classical planning that works with stochastic environments. Just as in classical planning, several planners were proposed to solve probalistic planning problems. However, no planner is capable of outperform all others when applied to distinct problems. In this work we describe our approach that is capable of extracting features of a planning problem and determining a classical or probabilistic planner from a portfolio that can solve the problem. We use machine learning algorithms to determine the best planner from the porfolio that solves a problem. Our approach showed good results in the experiments. Our approach outperformed the best planners from a recent planning competition in both areas (classical and probabilistic planning). |
publishDate |
2014 |
dc.date.available.fl_str_mv |
2014-10-17 2016-06-22T18:32:30Z |
dc.date.issued.fl_str_mv |
2014-06-02 |
dc.date.accessioned.fl_str_mv |
2016-06-22T18:32:30Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
SOUSA, Jean Lucas de. Aplicando técnicas de aprendizado de máquina em planejamento. 2014. 101 f. Dissertação (Mestrado em Ciências Exatas e da Terra) - Universidade Federal de Uberlândia, Uberlândia, 2014. Disponível em: https://doi.org/10.14393/ufu.di.2014.327 |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufu.br/handle/123456789/12561 |
dc.identifier.doi.por.fl_str_mv |
https://doi.org/10.14393/ufu.di.2014.327 |
identifier_str_mv |
SOUSA, Jean Lucas de. Aplicando técnicas de aprendizado de máquina em planejamento. 2014. 101 f. Dissertação (Mestrado em Ciências Exatas e da Terra) - Universidade Federal de Uberlândia, Uberlândia, 2014. Disponível em: https://doi.org/10.14393/ufu.di.2014.327 |
url |
https://repositorio.ufu.br/handle/123456789/12561 https://doi.org/10.14393/ufu.di.2014.327 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal de Uberlândia |
dc.publisher.program.fl_str_mv |
Programa de Pós-graduação em Ciência da Computação |
dc.publisher.initials.fl_str_mv |
UFU |
dc.publisher.country.fl_str_mv |
BR |
dc.publisher.department.fl_str_mv |
Ciências Exatas e da Terra |
publisher.none.fl_str_mv |
Universidade Federal de Uberlândia |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFU instname:Universidade Federal de Uberlândia (UFU) instacron:UFU |
instname_str |
Universidade Federal de Uberlândia (UFU) |
instacron_str |
UFU |
institution |
UFU |
reponame_str |
Repositório Institucional da UFU |
collection |
Repositório Institucional da UFU |
bitstream.url.fl_str_mv |
https://repositorio.ufu.br/bitstream/123456789/12561/3/AplicandoTecnicasAprendizado.pdf.jpg https://repositorio.ufu.br/bitstream/123456789/12561/1/AplicandoTecnicasAprendizado.pdf https://repositorio.ufu.br/bitstream/123456789/12561/2/AplicandoTecnicasAprendizado.pdf.txt |
bitstream.checksum.fl_str_mv |
78f9f09d69feb89f325197c8d1bc5584 159c2a3f116fc407b0de083114a9cc21 06ee5fcc04a7638d1c1d08fa2ea8bf3b |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU) |
repository.mail.fl_str_mv |
diinf@dirbi.ufu.br |
_version_ |
1792331415329701888 |