ed. Eects enable state transition

ed. Eects enable state transitions by adding or removing
atoms.
A solution plan to a planning problem is a consistent schedule
of grounded actions whose execution in the initial state
leads to a state that contains the goal state, i.e., where all
atoms of the problem goal are true. A planning problem
dened on domain D with initial state I and goal G will be
denoted in the following as PD(I;G).
3. DIVIDE-AND-EVOLVE
Early approaches to AI Planning using Evolutionary Algorithms
directly handled possible solutions, i.e. possible
plans: an individual is an ordered sequence of actions see
[25, 20, 27, 28, 6]. However, as it is often the case in Evolutionary
Combinatorial optimization, those direct encoding
approaches have limited performance in comparison to
the traditional AI planning approaches. Furthermore, hybridization
with classical methods has been the way to success
in many combinatorial domains, as witnessed by the
fruitful emerging domain of memetic algorithms [11]. Along
those lines, though relying on an original memetization"
principle, a novel hybridization of Evolutionary Algorithms
(EAs) with AI Planning, termed Divide-and-Evolve (DaE)
has been proposed [23, 24]. For a complete formal description,
see [16].
The basic idea of DaE in order to solve a planning task
PD(I;G) is to nd a sequence of states S1; : : : ; Sn, and to use
some embedded planner to solve the series of planning problems
PD(Sk; Sk+1), for k 2 [0; n] (with the convention that
S0 = I and Sn+1 = G). The generation and optimization of
the sequence of states (Si)i2[1;n] is driven by an evolutionary
algorithm. The tness (makespan or total cost) of a list
of partial states S1; : : : ; Sn is computed by repeatedly calling
the external 'embedded' planner to solve the sequence of
problems PD(Sk; Sk+1), fk = 0; : : : ; ng. The concatenation
of the corresponding plans (possibly with some compression
step) is a solution of the initial problem. Any existing planner
can be used as embedded planner, but since guaranty
of optimality at all calls is not mandatory in order for DaE
to obtain good quality results [16], a sub-optimal, but fast
planner is used: YAHSP [26] is a lookahead strategy planning
system for sub-optimal planning which uses the actions
in the relaxed plan to compute reachable states in order to
speed up the search process.
A state is a list of atoms built over the set of predicates and
the set of object instances. However, searching the space of
complete states would result in a rapid explosion of the size
of the search space. Moreover, goals of planning problem
need only to be dened as partial states. It thus seems
more practical to search only sequences of partial states,
and to limit the choice of possible atoms used within such
partial states. However, this raises the issue of the choice
of the atoms to be used to represent individuals, among all
possible atoms. The result of the previous experiments on
dierent domains of temporal planning tasks from the IPC
benchmark series [3] demonstrates the need for a very careful
choice of the atoms that are used to build the partial states.
The method used to build the partial states is based on
an estimation of the earliest time from which an atom can
become true. Such estimation can be obtained by any admissible
heuristic function (e.g h1; h2::: [12]). The possible
start times are then used in order to restrict the candidate
atoms for each partial state. A partial state is built at a

ผลลัพธ์ (ไทย) 1:

อุตสาหกรรมมหาบัณฑิตอี ects เปิดเปลี่ยนสถานะ โดยการเพิ่ม หรือเอาออกอะตอมแผนการแก้ปัญหาปัญหาการวางแผนเป็นเวลาสอดคล้องกันการป่นเล็กน้อยซึ่งการดำเนินการในสถานะเริ่มต้นนำไปสู่รัฐที่ประกอบด้วยสถานะเป้าหมาย เช่น ซึ่งทั้งหมดอะตอมของเป้าหมายปัญหาเป็นจริง ปัญหาวางแผนโดยเดบนโดเมน D กับฉันและเป้าหมาย G จะเป็นสถานะเริ่มต้นสามารถบุในต่อไปนี้เป็น PD (I G)3. แบ่ง และพัฒนาแนวช่วง AI วางแผนโดยใช้อัลกอริทึมเชิงวิวัฒนาการจัดการปัญหา เช่นได้โดยตรงแผน: บุคคลเป็นลำดับการสั่งการดำเนินการของ[25, 20, 27, 28, 6] อย่างไรก็ตาม มันมักจะเป็นกรณีใน Evolutionaryเพิ่มประสิทธิภาพปัญหา ผู้ตรงเข้าวิธีมีจำกัดประสิทธิภาพเปรียบเทียบแบบ AI วางแผนวิธีการ นอกจากนี้ hybridizationวิธีคลาสสิกที่ได้รับวิธีสู่ความสำเร็จในหลายปัญหาโดเมน เป็น witnessed โดยโดเมนเกิดประสบของอัลกอริทึมขั้น [11] ตามบรรทัดเหล่านั้น แต่ อาศัยอยู่ใน memetization เดิม"หลัก hybridization นวนิยายของอัลกอริทึมเชิงวิวัฒนาการ(EAs) กับ AI วางแผน เรียกว่าแบ่ง และพัฒนา (แด)ได้รับการเสนอชื่อ [23, 24] สำหรับคำอธิบายอย่างสมบูรณ์ดู [16]ความคิดพื้นฐานของแดการงานการวางแผนPD (I G) คือ nd ลำดับของอเมริกา S1 : : : ; Sn และ การใช้วางแผนบางอย่างฝังตัวเพื่อแก้ไขชุดปัญหาวางแผนPD (Sk Sk + 1), สำหรับ k 2 [0; n] (มีการประชุมที่S0 =ฉัน และ Sn + 1 = G) สร้างและเพิ่มประสิทธิภาพของลำดับของอเมริกา (ซี) i2 [1; n] ขับเคลื่อน โดยมีวิวัฒนาการอัลกอริทึมการ Tness (makespan หรือรวมทุน) ของรายการบางส่วนรัฐ S1 : : : ; Sn ที่คำนวณ โดยการเรียกซ้ำวางแผน 'ฝัง' ภายนอกแก้ลำดับของปัญหา PD (Sk Sk + 1), fk = 0 : : : ; ng การเรียงต่อกันแผนที่สอดคล้องกัน (อาจจะมีการบีบอัดบางขั้นตอน) คือ การแก้ไขปัญหาเบื้องต้น วางแผนใด ๆ ที่มีอยู่สามารถใช้วางแผนฝังตัว แต่เนื่อง จากสัญญาค้ำประกันของ optimality ที่เรียกทั้งหมดไม่ใช่บังคับให้แดรับดีคุณภาพ [16], การย่อยดีที่สุด แต่อย่างรวดเร็วใช้วางแผน: YAHSP [26] เป็น lookahead การวางแผนกลยุทธ์ระบบการวางแผนเหมาะสมย่อยซึ่งใช้การดำเนินการแผนการคำนวณเข้าอเมริกาเพื่อผ่อนคลายความเร็วในการค้นหารัฐเป็นรายการของอะตอมที่สร้างขึ้นผ่านชุดของเคต และชุดของอินสแตนซ์ของวัตถุ อย่างไรก็ตาม ค้นหาช่องว่างของอเมริกาที่สมบูรณ์จะส่งผลให้กระจายอย่างรวดเร็วของขนาดค้นหาพื้นที่ นอกจากนี้ เป้าหมายของปัญหาวางแผนต้องเฉพาะ เด ned เป็นอเมริกาบางส่วน มันจึงดูเหมือนว่าขึ้นปฏิบัติการค้นหาลำดับของรัฐบางส่วนและเพื่อจำกัดทางเลือกของอะตอมได้ใช้ภายในเช่นอเมริกาบางส่วน อย่างไรก็ตาม นี้ระดมปัญหาของตัวเลือกของอะตอมจะใช้ถึงบุคคล หมู่ทั้งหมดอะตอมได้ ผลการทดลองก่อนหน้านี้ในโดเมน erent ดิงานวางแผนชั่วคราวจากการ IPCมาตรฐานชุด [3] แสดงให้เห็นถึงต้องระมัดระวังมากทางเลือกของอะตอมที่ใช้ในการสร้างรัฐบางส่วนวิธีที่ใช้ในการสร้างรัฐบางส่วนอยู่การประเมินครั้งแรกสุดที่อะตอมสามารถเป็นจริง การประเมินดังกล่าวสามารถได้รับ โดยมี admissibleฟังก์ชันแล้ว (เช่น h1; h2::: [12]) สุดเริ่มแล้วใช้เวลาการจำกัดผู้สมัครอะตอมในแต่ละรัฐบางส่วน รัฐบางส่วนอยู่ที่การ

ผลลัพธ์ (ไทย) 2:

เอ็ด อี ECTS ช่วยให้การเปลี่ยนสถานะโดยเพิ่มหรือลบ
อะตอม.
แผนวิธีการแก้ปัญหาคือการวางแผนตารางเวลาที่สอดคล้องกัน
ของการกระทำที่มีเหตุผลที่มีการดำเนินการในสถานะเริ่มต้น
นำไปสู่รัฐที่มีเป้าหมายของรัฐคือการที่ทุก
อะตอมของปัญหา เป้าหมายนี้เป็นจริง ปัญหาการวางแผน
de ned ในโดเมน D กับสถานะเริ่มต้นและเป้าหมายของผม G จะถูก
แสดงในต่อไปนี้เป็น PD (ฉัน; G).
3 แบ่ง-AND-EVOLVE
ต้นวิธีการวางแผนการใช้ไอวิวัฒนาการขั้นตอนวิธี
การจัดการโดยตรงโซลูชั่นที่เป็นไปได้คือเป็นไปได้ที่
แผน: บุคคลเป็นลำดับของการกระทำที่เห็น
[25, 20, 27, 28, 6] อย่างไรก็ตามในขณะที่มันมักจะเป็นกรณีในวิวัฒนาการ
การเพิ่มประสิทธิภาพ Combinatorial ผู้เข้ารหัสโดยตรง
วิธีการได้รับการ จำกัด ผลการดำเนินงานในการเปรียบเทียบกับ
การวางแผนแบบดั้งเดิม AI วิธี นอกจากนี้การผสมพันธุ์
ด้วยวิธีการคลาสสิกที่ได้รับวิธีการที่จะประสบความสำเร็จ
ในโดเมน combinatorial จำนวนมากเท่าที่เห็นจาก
โดเมนที่เกิดขึ้นใหม่มีผลของขั้นตอนวิธี memetic [11] พร้อม
เส้นที่แม้ว่าจะอาศัยเดิม memetization "
หลักการผสมพันธุ์นวนิยายของอัลกอริทึมวิวัฒนาการ
(EAs) กับเอไอวางแผนเรียกว่าแบ่งและวิวัฒนาการ (DAE)
ได้รับการเสนอ [23 24]. สำหรับคำอธิบายอย่างเป็นทางการที่สมบูรณ์ ,
. ดู [16]
แนวคิดพื้นฐานของ DAE เพื่อที่จะแก้งานวางแผน
PD (ฉัน; G) คือการครั้งลำดับของรัฐ S1;:::; Sn และใช้งาน
บางอย่างที่ฝังวางแผนในการแก้ชุดของ ปัญหาการวางแผน
PD (Sk; Sk + 1) สำหรับ 2 k [0; n] (ที่มีการประชุมที่
. S0 = I และ Sn + 1 = G) การสร้างและการเพิ่มประสิทธิภาพของการ
ลำดับของรัฐ (Si) i2 [1 ; n] จะขับเคลื่อนด้วยวิวัฒนาการ
ขั้นตอนวิธี tness (ต้นทุน makespan หรือทั้งหมด) ของรายการ.
ของรัฐบางส่วน S1;:::; Sn คำนวณด้วยซ้ำเรียก
ภายนอก 'ฝัง' วางแผนในการแก้ลำดับของ
ปัญหา PD ( Sk; Sk + 1), fk = 0;:::. งะเรียงต่อกัน
ของแผนการที่สอดคล้องกัน (อาจจะมีการบีบอัดบาง
ขั้นตอน) เป็นวิธีการแก้ปัญหาใด ๆ เริ่มต้นวางแผนที่มีอยู่.
สามารถใช้เป็นที่ฝังวางแผน แต่เนื่องจาก รับประกัน
ของ optimality ทุกสายที่ไม่จำเป็นเพื่อให้แด
เพื่อให้ได้ผลลัพธ์ที่มีคุณภาพดี [16], ย่อยที่ดีที่สุด แต่อย่างรวดเร็ว
วางแผนจะใช้: YAHSP [26] คือการวางแผนกลยุทธ์ lookahead
ระบบสำหรับการวางแผนการย่อยที่ดีที่สุดที่ใช้ การดำเนินการ
ในแผนผ่อนคลายในการคำนวณรัฐสามารถเข้าถึงได้เพื่อ
เพิ่มความเร็วในการค้นหา.
รัฐคือรายการของอะตอมสร้างขึ้นเมื่อกว่าชุดของภาคและ
ชุดของกรณีวัตถุ อย่างไรก็ตามการค้นหาพื้นที่ของ
รัฐที่สมบูรณ์จะส่งผลให้เกิดการระเบิดอย่างรวดเร็วของขนาด
ของพื้นที่การค้นหา นอกจากนี้เป้าหมายของปัญหาการวางแผน
ต้องการเพียงจะเป็น ned เป็นรัฐบางส่วน มันจึงดูเหมือน
จริงมากขึ้นในการค้นหาลำดับเดียวของรัฐบางส่วน
และ จำกัด ทางเลือกของอะตอมที่เป็นไปได้ใช้ภายในเช่น
รัฐบางส่วน แต่นี้ก่อให้เกิดปัญหาในการเลือก
ของอะตอมที่จะใช้เพื่อเป็นตัวแทนของประชาชนในทุก
อะตอมที่เป็นไปได้ ผลการทดลองก่อนหน้านี้ใน
ดิ? โดเมนต่างกันของการวางแผนงานชั่วคราวจาก IPC
ชุดมาตรฐาน [3] แสดงให้เห็นถึงความจำเป็นในการระมัดระวังเป็นอย่างมาก
ทางเลือกของอะตอมที่ใช้ในการสร้างรัฐบางส่วน.
วิธีการที่ใช้ในการสร้างบางส่วน รัฐจะขึ้นอยู่กับ
การประมาณเวลาที่เร็วที่สุดจากการที่อะตอมสามารถ
กลายเป็นความจริง การประมาณค่าดังกล่าวได้โดยการใด ๆ ที่ยอมรับ
ฟังก์ชั่นการแก้ปัญหา (เช่น h1; h2 ::: [12]) เป็นไปได้
เวลาเริ่มถูกนำมาใช้เพื่อ จำกัด ผู้สมัคร
อะตอมสำหรับแต่ละรัฐบางส่วน รัฐบางส่วนที่ถูกสร้างขึ้น

ผลลัพธ์ (ไทย) 3:

 เอ็ด E  ผลให้รัฐเปลี่ยนโดยการเพิ่มหรือลบ

อะตอม แก้ปัญหา วางแผน ปัญหาการวางแผน คือเวลาที่สอดคล้องกันของมูลการกระทำของใคร

สถานะเริ่มต้นในการ นำไปสู่การเป็นรัฐที่มีเป้าหมายของรัฐคือทั้งหมดที่
อะตอมของปัญหาเป้าหมายเป็นจริง วางแผนปัญหา
de  เน็ดบนโดเมน D กับรัฐและเริ่มต้นเป้าหมาย G จะ
แทน ในต่อไปนี้เป็น PD ( I ; g )
3 divide-and-evolve
ต้นแนวทางการวางแผนการใช้ AI คนแรกของหัวใจ คนสุดท้ายของชีวิต
โดยตรงจัดการ แนวทางแก้ปัญหา คือ เป็นไปได้
แผนการ : บุคคลเป็นลำดับของการกระทำให้เห็น
[ 25 , 20 , 27 , 28 , 6 ] อย่างไรก็ตาม มันเป็นมักจะเป็นกรณีในการเพิ่มประสิทธิภาพเชิงวิวัฒนาการ

วิธีการเข้ารหัสเหล่านั้นโดยตรง มีสมรรถนะในการเปรียบเทียบกับ
จำกัดแบบ AI วางแผนแนว นอกจากนี้ เซ
วิธีการคลาสสิกได้รับวิธีสู่ความสำเร็จในวิธีการหลายโดเมน

เป็นพยานโดยมีผลการเกิดมีมขั้นตอนวิธี [ 11 ]
ตามบรรทัดเหล่านั้น แต่อาศัยหลักการ memetization ต้นฉบับ N "
,
( นวนิยายของขั้นตอนวิธีเชิงวิวัฒนาการ ( EAS ) กับไอ การวางแผนเรียกว่าแบ่ง และคาย ( แด )
ได้รับการเสนอ [ 23 , 24 ) ให้เสร็จสมบูรณ์อย่างเป็นทางการอธิบาย
ดู [ 16 ] .
แนวคิดพื้นฐานของแดเพื่อแก้ปัญหาการวางแผนงาน
PD ( I ; g ) คือ  และลำดับของรัฐ S1 ; : : : ; Sn และใช้
บางฝังตัวเพื่อแก้ชุดของปัญหาการวางแผน
การวางแผนพีดี ( SK ; SK 1 ) สำหรับ 2 [ 0 K ; n ] ( มีการประชุมที่
Name = ฉันและ SN = 1 กรัม )การสร้างและการเพิ่มประสิทธิภาพของ
ลำดับของสหรัฐอเมริกา ( SI ) I2 [ 1 ; n ] จะถูกขับเคลื่อนโดยขั้นตอนวิธีเชิงวิวัฒนาการ

การ  tness ( เกี่ยวข้องหรือต้นทุนรวม ) ของรายการบางส่วนของรัฐ S1
; : : : ; Sn จะคำนวณโดยซ้ำเรียก
ภายนอก ' ' วางแผนฝังเพื่อแก้ปัญหาลำดับ
PD ( SK ; SK 1 ) FK = 0 ; : : : ; ng ที่เรียงต่อกัน