Parameter tuning is basically a gen

Parameter tuning is basically a general optimization problem
applied o-line to nd the best parameters for complex
algorithms, for example for Evolutionary Algorithms (EAs).
Whereas the eciency of EAs has been demonstrated on
several application domains [29, 18], they usually need computationally
expensive parameter tuning. Consequently, one
is tempted to use either the default parameters of the framework
he is using, or parameter values given in the literature
for problems that are similar to his one.
Being a general optimization problem, there are as many
parameter tuning algorithms as optimization techniques [7,
19]. However, several specialized methods have been proposed,
and the most prominent ones today are Racing [5],
REVAC [21], SPO [2], and ParamILS [14]. All these approaches
face the same crucial generalization issue: can a
parameter set that has been optimized for a given problem
be successfully used for another one? The answer of course
depends on the similarity of both problems. However, even
in an optimization domain as precisely dened as AI Planning,
there are very few results describing meaningful similarity
measures between problem instances. Moreover, until
now, suciently precise and accurate features have not been
specied that would allow the user to accurately describe the
problem, so that the optimal parameter-set could be learned
from this feature-set, and carried on to other problems with
similar description. To the best of our knowledge, no design
of a general learning framework has been proposed, and no
general experiments have been carried out yet with some
representative domains of AI planning.
In the SAT domain, however, one work must be given as an
example of what can be done along those lines. In [13], many
relevant features have been gathered based on half a century
of SAT-research, and hundreds of papers. Extensive parameter
tuning on several thousands of instances has allowed
the authors to learn, using function regression, a meaningful
mapping between the features and the running-time of
a given SAT solver with given parameters. Optimizing this
model makes it possible to choose the optimal parameters
for a given (unknown) instance. The present paper aims at
generalizing this work made in AI planning, with one major
dierence: the target will be here to optimize the tness
value for a given runtime, and not the runtime to solution {
as the optimal solution is generally not known for AI planning
problems.
Unfortunately, until now, nobody has yet proposed a set of
features for AI Planning problems in general, that would
be sucient to describe the characteristics of a problem,
like was done in the SAT domain [13]. This paper makes a
591

ผลลัพธ์ (ไทย) 1:

โดยทั่วไปปรับแต่งพารามิเตอร์เป็นปัญหาทั่วไปประสิทธิภาพสูงสุดใช้ o - บรรทัดกับ nd พารามิเตอร์ที่ดีที่สุดสำหรับคอมเพล็กซ์กระบวน เช่นสำหรับอัลกอริทึมเชิงวิวัฒนาการ (EAs)ในขณะที่ ciency อีของ EAs ได้ ถูกแสดงบนโดเมนโปรแกรมประยุกต์หลาย [29, 18], พวกเขามักจะต้อง computationallyปรับแต่งพารามิเตอร์ราคาแพง ดังนั้น หนึ่งคืออยากใช้เป็นพารามิเตอร์เริ่มต้นของกรอบเขาใช้ หรือค่าพารามิเตอร์ที่กำหนดในวรรณคดีสำหรับปัญหาที่คล้ายกับของเขาเป็นปัญหาทั่วไปปรับให้เหมาะสม มีมากพารามิเตอร์การปรับอัลกอริทึมเป็นเทคนิคเพิ่มประสิทธิภาพ [719] . อย่างไรก็ตาม วิธีการเฉพาะต่าง ๆ ได้รับการเสนอชื่อและโดดเด่นที่สุดวันนี้มีแข่งรถ [5],REVAC [21], [2] SPO ก ParamILS [14] วิธีเหล่านี้ทั้งหมดเผชิญปัญหา generalization สำคัญเดียวกัน: สามารถเป็นชุดพารามิเตอร์ที่ปรับให้เหมาะสำหรับปัญหาที่กำหนดเสร็จเรียบร้อยใช้อื่น คำตอบของหลักสูตรขึ้นอยู่กับความคล้ายของปัญหาทั้งสอง อย่างไรก็ตาม แม้แต่ในโดเมนเป็นแม่นยำเดเน็ดว่า AI การวางแผนเพิ่มประสิทธิภาพการมีผลน้อยมากที่อธิบายความคล้ายคลึงกันที่มีความหมายวัดระหว่างอินสแตนซ์ของปัญหา นอกจากนี้ จนกระทั่งตอนนี้ su ciently ความ แม่นยำคุณลักษณะไม่ได้รับspeci ed ที่จะช่วยให้ผู้ใช้สามารถอธิบายได้ถูกต้องปัญหา เพื่อให้สามารถเรียนชุดพารามิเตอร์ที่เหมาะสมจากนี้ ชุดคุณลักษณะ และจำหน่ายไปยังปัญหาอื่น ๆ ด้วยsimilar description. To the best of our knowledge, no designof a general learning framework has been proposed, and nogeneral experiments have been carried out yet with somerepresentative domains of AI planning.In the SAT domain, however, one work must be given as anexample of what can be done along those lines. In [13], manyrelevant features have been gathered based on half a centuryof SAT-research, and hundreds of papers. Extensive parametertuning on several thousands of instances has allowedthe authors to learn, using function regression, a meaningfulmapping between the features and the running-time ofa given SAT solver with given parameters. Optimizing thismodel makes it possible to choose the optimal parametersfor a given (unknown) instance. The present paper aims atgeneralizing this work made in AI planning, with one majordi erence: the target will be here to optimize the tnessvalue for a given runtime, and not the runtime to solution {as the optimal solution is generally not known for AI planningproblems.Unfortunately, until now, nobody has yet proposed a set offeatures for AI Planning problems in general, that wouldbe sucient to describe the characteristics of a problem,like was done in the SAT domain [13]. This paper makes a591

ผลลัพธ์ (ไทย) 2:

การปรับค่าตัวแปรนั้นเป็นปัญหาการเพิ่มประสิทธิภาพทั่วไป
ใช้ o? -line ไปครั้งพารามิเตอร์ที่ดีที่สุดสำหรับซับซ้อน
ขั้นตอนวิธีการเช่นวิวัฒนาการอัลกอริทึม (EAs).
ในขณะที่อี? EAs ประสิทธิภาพในการได้รับการพิสูจน์ใน
โดเมนโปรแกรมประยุกต์หลาย [29, 18] พวกเขามักจะต้องคำนวณ
ค่าพารามิเตอร์การปรับแต่งที่มีราคาแพง ดังนั้นหนึ่ง
คืออยากจะใช้ค่าเริ่มต้นของกรอบ
เขาใช้หรือค่าพารามิเตอร์ที่กำหนดในวรรณคดี
สำหรับปัญหาที่คล้ายกับเขา.
เป็นปัญหาการเพิ่มประสิทธิภาพโดยทั่วไปมีเป็นจำนวนมาก
ขั้นตอนวิธีการปรับแต่งพารามิเตอร์เป็นเทคนิคการเพิ่มประสิทธิภาพ [7,
19] อย่างไรก็ตามวิธีการเฉพาะหลายคนได้รับการเสนอชื่อ
และเป็นคนที่โดดเด่นที่สุดในวันนี้จะแข่ง [5],
Revac [21], SPO [2] และ ParamILS [14] ทุกวิธีการเหล่านี้
ต้องเผชิญกับปัญหาทั่วไปที่สำคัญเหมือนกัน: สามารถ
ตั้งค่าพารามิเตอร์ที่ได้รับการปรับให้เหมาะสมกับปัญหาที่กำหนด
ใช้ประสบความสำเร็จสำหรับอีกคนหนึ่ง? คำตอบที่แน่นอน
ขึ้นอยู่กับความคล้ายคลึงกันของปัญหาทั้งสอง อย่างไรก็ตามแม้
ในโดเมนเพิ่มประสิทธิภาพในขณะที่แม่นยำ ned เป็น AI วางแผน
มีผลน้อยมากที่มีความหมายคล้ายคลึงกันอธิบาย
มาตรการระหว่างกรณีปัญหาที่เกิดขึ้น ยิ่งไปกว่านั้นจนถึง
ตอนนี้ซู? ciently คุณสมบัติแม่นยำและถูกต้องไม่ได้
เอ็ด speci ที่จะช่วยให้ผู้ใช้ที่จะต้องอธิบาย
ปัญหาที่เกิดขึ้นเพื่อให้เหมาะสมที่สุดพารามิเตอร์ที่ตั้งไว้อาจจะได้เรียนรู้
จากคุณลักษณะชุดนี้และดำเนินการเกี่ยวกับปัญหาอื่น ๆ ด้วย
คำอธิบายที่คล้ายกัน ที่ดีที่สุดของความรู้ของเราไม่มีการออกแบบ
ของกรอบการเรียนรู้ทั่วไปได้รับการเสนอและไม่มี
การทดลองทั่วไปได้รับการดำเนินการยังมีบางส่วน
โดเมนตัวแทนของการวางแผนไอ.
ในโดเมน SAT แต่หนึ่งในการทำงานจะต้องได้รับในฐานะที่เป็น
ตัวอย่าง ของสิ่งที่สามารถทำได้ตามเส้นที่ ใน [13] หลาย
คุณสมบัติที่เกี่ยวข้องได้รับการรวบรวมอยู่บนพื้นฐานของครึ่งศตวรรษ
ของ SAT-วิจัยและร้อยของเอกสาร พารามิเตอร์ที่กว้างขวาง
การปรับแต่งหลายต่อหลายพันกรณีได้รับอนุญาตให้
เขียนในการเรียนรู้โดยใช้ฟังก์ชั่นการถดถอย, ความหมาย
การทำแผนที่ระหว่างคุณสมบัติและการทำงานเวลา
แก้ SAT รับกับพารามิเตอร์ที่กำหนด การเพิ่มประสิทธิภาพนี้
รูปแบบจะทำให้มันเป็นไปได้ที่จะเลือกพารามิเตอร์ที่เหมาะสมที่สุด
สำหรับการได้รับ (ไม่ทราบ) เช่น กระดาษในปัจจุบันมีจุดมุ่งหมายที่
generalizing การทำงานที่เกิดขึ้นในการวางแผน AI นี้กับคนที่สำคัญ
การตั้ง di: เป้าหมายจะอยู่ที่นี่เพื่อเพิ่มประสิทธิภาพ tness
ค่าสำหรับรันไทม์ที่กำหนดและไม่ได้ใช้งานจริงเพื่อแก้ปัญหา {
เป็นทางออกที่ดีที่สุดคือไม่เป็นที่รู้จักโดยทั่วไป สำหรับการวางแผน AI
ปัญหา.
แต่น่าเสียดายที่จนถึงขณะนี้ไม่มีใครได้ยังนำเสนอชุดของ
คุณสมบัติสำหรับ AI ปัญหาการวางแผนโดยทั่วไปที่จะ
เป็นซู? เพียงพอที่จะอธิบายลักษณะของปัญหาที่
เหมือนได้ทำในโดเมน SAT [13] กระดาษนี้จะทำให้
591

ผลลัพธ์ (ไทย) 3:

การปรับค่าพารามิเตอร์ที่เหมาะสมโดยทั่วไปทั่วไปปัญหา
o  - ใช้สาย  ครั้งที่ดีที่สุดพารามิเตอร์สำหรับขั้นตอนวิธีการที่ซับซ้อน
, ตัวอย่างเช่นสำหรับคนแรกของหัวใจ คนสุดท้ายของชีวิต ( EAS )
1 E  ประสิทธิภาพของ EAS ได้แสดงบนโดเมนโปรแกรมประยุกต์หลาย 29
[ 18 ] , พวกเขามักจะต้องการ computationally
พารามิเตอร์ปรับแพง . ดังนั้นหนึ่ง
คืออยากใช้ค่าพารามิเตอร์ของกรอบ
เขาใช้อยู่ หรือ ค่าพารามิเตอร์ที่ระบุในวรรณคดี
สำหรับปัญหาที่คล้ายกับหนึ่งของเขา .
เป็นปัญหาการเพิ่มประสิทธิภาพทั่วไป มีอยู่เป็นจำนวนมาก การปรับค่าพารามิเตอร์เป็นเทคนิคขั้นตอนวิธี
[ 7 optimization
19 ] อย่างไรก็ตาม วิธีการเฉพาะหลายได้รับการเสนอ
และที่โดดเด่นมากที่สุดในวันนี้มีแข่ง
[ 5 ]revac [ 21 ] ไป [ 2 ] และ paramils [ 14 ] วิธีการทั้งหมดเหล่านี้เผชิญปัญหาเดียวกัน

การสำคัญ : สามารถตั้งค่าพารามิเตอร์ที่ได้รับการปรับเพื่อให้ปัญหา
จะใช้ประสบความสำเร็จอีกหนึ่ง ? คำตอบที่แน่นอน
ขึ้นอยู่กับความคล้ายคลึงกันของทั้ง 2 ปัญหา อย่างไรก็ตาม แม้ในการเพิ่มโดเมนที่แน่นอน
 เน็ดเดอเป็น AI
วางแผนมีเพียงไม่กี่ผลอธิบายความหมายความเหมือน
วัดระหว่างกรณีปัญหา นอกจากนี้จนกว่า
ตอนนี้ ซู  ciently แม่นยำและถูกต้องคุณสมบัติไม่ได้
 วัดที่จะอนุญาตให้ผู้ใช้ที่ถูกต้องอธิบาย
ปัญหาเพื่อให้ตั้งค่าพารามิเตอร์ที่เหมาะสมสามารถเรียนรู้
จากชุดคุณลักษณะนี้และดำเนินการกับปัญหาอื่น ๆด้วย
คำอธิบายที่คล้ายกันเพื่อที่ดีที่สุดของความรู้ของเรา ไม่มีการออกแบบ
ของการเรียนรู้ทั่วไป กรอบ มีการนำเสนอ และไม่มี
ทั่วไปทดลองได้ดําเนินการแต่กับบางตัวแทนโดเมนของ AI

นั่งวางแผน ใน โดเมน อย่างไรก็ตาม การทำงานต้องให้เป็น
ตัวอย่างของสิ่งที่สามารถทำได้ตามบรรทัดเหล่านั้น ใน [ 13 ] , คุณลักษณะที่เกี่ยวข้องหลาย
ได้รับการชุมนุมยึดครึ่งศตวรรษ
ของนั่งวิจัยและหลายร้อยของเอกสาร . พารามิเตอร์ในการปรับแต่งอย่างละเอียด

หลายอินสแตนซ์ได้อนุญาตให้ผู้เขียนได้เรียนรู้ การใช้ฟังก์ชันการถดถอย , แผนที่มีความหมาย
ระหว่างคุณลักษณะและเวลาทํางานของ
ให้นั่งแก้ให้กับพารามิเตอร์ การปรับรุ่นนี้
ทำให้มันเป็นไปได้ที่จะเลือกพารามิเตอร์ที่เหมาะสม
ให้ ( ไม่รู้จัก ) เป็นต้น กระดาษปัจจุบันมุ่ง