广东省自然科学基金(S2011040001427)
- 作品数：3 被引量：3H指数：1
- 相关作者：蒋志华饶东宁姜云飞翁健更多>>
- 相关机构：广东工业大学中山大学暨南大学更多>>
- 发文基金：国家自然科学基金广东省自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- PDDL的ER建模以及开发基于存储过程的规划器被引量：1
- 2013年
- 随着智能规划的发展,其所面对的问题规模越来越大,而且可以预见以后会更大.现有的研究大多用二级存储扩展空间,其终极形式应该是用数据库进行存储.此外,有很多同一领域的规划问题,其所包含的常量几乎一致,其中必然有可重用信息来帮助加速求解.要更好地利用这些可重用信息也需要数据库.考虑到以上两个问题,首次提出规划领域描述语言PDDL(planning domain description language)的ER模型(entity relationship model),并基于此模型用存储过程来编写规划器SPP(stored procedure planner).SPP是完全在数据库内部运行的最优规划器,存取效率高,可充分利用数据库的各种功能.在国际规划大赛IPC(Int’l planning competition)基准领域上的实验结果表明,在有限的机器配置下,SPP可以求解传统最优规划器不能求解的问题.该工作迈出了在数据库中求解规划问题,从而彻底解决空间问题的第一步.
- 饶东宁蒋志华姜云飞
- 关键词：人工智能关系数据库管理系统
- 在部分观测环境下的不确定动作模型学习被引量：2
- 2014年
- 近年来,动作模型学习引起了研究人员的极大兴趣.可是,尽管不确定规划已经研究了十几年,动作模型学习的研究仍然集中于经典的确定性动作模型上.提出了在部分观测环境下学习不确定动作模型的算法,该算法可应用于假定人们对转移系统一无所知的情形下进行,输入只有动作-观测序列.在现实世界中,这样的场景很常见.致力于动作是由简单逻辑结构组成的、且观测以一定频率出现的一类问题的研究.学习过程分为3个步骤:首先,计算命题在状态中成立的概率;然后,将命题抽取成效果模式,再抽取前提;最后,对效果模式进行聚类以去除冗余.在基准领域上进行的实验结果表明,动作模型学习技术可推广到不确定的部分观测环境中.
- 饶东宁蒋志华姜云飞
- 关键词：人工智能
- 利用派生谓词和偏好处理OSP问题的目标效益依赖
- 2012年
- 在过度规划问题(over-subscribed planning,简称OSP)研究中,如果目标之间不是相互独立的,那么目标间的效益依赖比单个目标效益更能提高规划解的质量.但是已有的描述模型不符合标准规划描述语言(planningdomain description language,简称PDDL)的语法规范,不能在一般的OSP规划系统上进行推广.提出了用派生谓词规则和目标偏好描述效益依赖的方法,这二者均为PDDL语言的基本要素.实质上,将已有的GAI模型转换为派生谓词规则和目标偏好,其中派生谓词规则显式描述目标子集的存在条件,偏好机制用来表示目标子集的效益,二者缺一不可.该转换算法既可以保持在描述依赖关系时GAI模型的易用性和直观性上,又可以扩展一般的OSP规划系统处理目标效益依赖的能力.从理论上可以证明该算法在转换过程中的语义不变性,在基准领域的实验结果表明其可行性和对规划解质量的改善能力.提出符合PDDL语言规范的目标效益依赖关系的描述形式,克服了已有模型不通用的缺点.
- 蒋志华饶东宁姜云飞翁健
- 关键词：人工智能偏好
