Aprendizaje de modelos de acciones en planificación mediante algoritmos genéticos

Abstract

[ES] Un sistema de transición de estados determina la evolución de la dinámica de un problema con un número finito de estados que se definen mediante reglas que controlan cuando se transita de un estado a otro. En Planificación Automática, este conjunto de reglas se denomina modelos de acciones u operadores, y se definen mediante el conjunto de condiciones que debe cumplirse en un estado s y los efectos que se producen en el estado resultante s'. Típicamente, la especificación de un problema de planificación es una tarea que realiza un experto del dominio, quien se encarga de definir las condiciones y efectos de los operadores del dominio de aplicación. En este trabajo se propone un enfoque evolutivo para aprender automáticamente las condiciones y efectos de los modelos de acción de un dominio a partir de los planes solución para un conjunto de problemas. Nos centramos en la evolución de modelos predictivos basados en algoritmos genéticos, aplicando procesos como la selección, recombinación y mutación con el objetivo de mejorar su precisión y generalización.

[EN] A state transition system determines the evolution of the dynamics of a problem with a finite number of states that are defined by rules that control the transition from one state to another. In Automatic Planning, this group of rules is called action models or operators, and they are defined by the set of conditions that must be fulfilled in a state s and the effects produced in the resulting state s′. Usually, the specification of a planning problem is performed by a domain expert, who is responsible for defining the conditions and effects of the operators in the application domain. This work proposes an evolutive approach to automatically learn the domain’s conditions and effects of the action models from the solution plans for a set of pro- blems. We focus on the evolution of predictive models based on genetic algorithms, applying selection, recombination, and mutation processes to improve their accuracy and generalization