Evolutionary-based learning of generalised policies for AI planning domains
Evolutionary-based learning of generalised policies for AI planning domains
复制标题
人工智能规划领域通用策略的基于进化的学习
DOI：
10.1145/1569901.1570062
复制
发表时间：
2009
期刊：
影响因子：
--
通讯作者：
Levine J
中科院分区：
文献类型：
--
作者：
Levine J
这项工作探讨了应用进化计算（EC）的归纳用于解决人工智能规划问题的一般化政策。策略被定义为规则的有序列表，指定在哪些条件下执行哪些操作;规划问题的解决方案（计划）是策略建议的一系列操作。我们比较了一个发展的政策与一个国家的最先进的近似政策迭代方法。我们讨论了这两种方法的相对优点，重点是知识表示和学习策略的影响。特别是，我们注意到，一个策略通常和成功地用于归纳分类规则，迭代规则学习，不一定是一个最佳的策略，旨在最大限度地减少计划中的行动数量的一般化政策的诱导。
This work investigates the application of Evolutionary Computation (EC) to the induction of generalised policies used to solve AI planning problems. A policy is defined as an ordered list of rules that specifies which action to perform under which conditions; a solution (plan) to a planning problem is a sequence of actions suggested by the policy. We compare an evolved policy with one produced by a state-of-the art approximate policy iteration approach. We discuss the relative merits of the two approaches with a focus on the impact of the knowledge representation and the learning strategy. In particular we note that a strategy commonly and successfully used for the induction of classification rules, that of Iterative Rule Learning, is not necessarily an optimal strategy for the induction of generalised policies aimed at minimising the number of actions in a plan.
登录
查看更多内容
具有策略语言偏差的近似策略迭代：解决关系马尔可夫决策过程
影响因子：
5
作者：
Alan Fern;R. Givan;S. Yoon
通讯作者：
S. Yoon
DOI：
--
发表时间：
1996-12
期刊：
--
影响因子：
--
作者：
G. Tesauro;Gregory R. Galperin
通讯作者：
G. Tesauro;Gregory R. Galperin
规划领域的学习行动策略
DOI：
10.1016/s0004-3702(99)00060-0
发表时间：
1999
期刊：
Artif. Intell.
影响因子：
--
作者：
R. Khardon
通讯作者：
R. Khardon
DOI：
10.1007/3-540-36605-9_62
发表时间：
2003
期刊：
AI Mag.
影响因子：
--
作者：
J. Levine;Dave Humphreys
通讯作者：
Dave Humphreys
DOI：
--
发表时间：
1992
期刊：
--
影响因子：
--
作者：
J. Koza
通讯作者：
J. Koza