Wegplanung mit Fast Forward. 03.07.2001Andreas Bauer2 Inhalt Klassisches Planen Verschiedene Planerstrategien Fast Forward –Allgemeines –Systemarchitektur.

Slides:



Advertisements
Ähnliche Präsentationen
Grundlagen des A*-Algorithmus und Anwendung in der Routenplanung
Advertisements

6. Regelbasierte Systeme
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (26-Graphenalgorithmen: Wiederholung und Übung) Prof. Th. Ottmann.
Zerlegung von Graphen.
Constraint Satisfaction Problems
Algorithmische Anwendung
CAN Controller Area Network
Open Access Publishing Trends in Deutschland, Österreich und der Schweiz: Initiativen, Projekte, Stellenwert von Bruno Bauer ODOK in Bozen, 16. September.
G. BrewkaWissensbasierte Systeme 1 Wissensbasiertes Planen gegeben: Beschreibung des Anfangszustandes Beschreibung des Zielzustandes Beschreibung der möglichen.
Lösung 6.3 Denksportaufgabe
Algorithmen und Komplexität
HEINZ NIXDORF INSTITUT Universität Paderborn Fachbereich Mathematik/Informatik Algorithmische Probleme in Funknetzwerken X Christian Schindelhauer
Anwendung und Visual Basic
1 Computergestützte Verifikation SAT-basiertes Model Checking Ansatz: Übersetze das Model Checking Problem in ein aussagenlogisches Erfüllbarkeitsproblem.
1 Computergestützte Verifikation SAT-basiertes Model Checking Ansatz: Übersetze das Model Checking Problem in ein aussagenlogisches Erfüllbarkeitsproblem.
Informierte Suche.
Suchbäume Richard Göbel.
FH-Hof Künstliche Intelligenz - Suchbäume Richard Göbel.
Motivation Richard Göbel.
Übung 6.1Turing-Maschine 1.Machen Sie sich mit der Funktionsweise des Busy Beaver-Programms vertraut Vollziehen sie die 11 Schritte der ersten Turing-Tabelle.
Heuristiken Automatic Problem Solving Institut für Informatik
Algorithmentheorie 04 –Hashing
Algorithmentheorie 6 – Greedy-Verfahren
WS Algorithmentheorie 13 - Kürzeste (billigste) Wege Prof. Dr. Th. Ottmann.
1 Bewegungsplanung Computational Geometry Prof. Dr. Th. Ottmann Bewegungsplanung bei unvollständiger Information Ausweg aus einem Labyrinth Finden eines.
WS Algorithmentheorie 05 - Treaps Prof. Dr. Th. Ottmann.
Prinzipien des Algorithmenentwurfs Backtracking Prof. Dr. Th. Ottmann
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (20 – Graphen)
1 Vorlesung Informatik 2 Algorithmen und Datenstrukturen (26 - Graphen) Prof. Th. Ottmann.
WS Prof. Dr. Th. Ottmann Algorithmentheorie 09 - Suche in Texten Suffix –Tree –Konstruktion Ukkonen Algorithmus.
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (27 – Kürzeste Wege) Prof. Th. Ottmann.
Informatik II, SS 2008 Algorithmen und Datenstrukturen Vorlesung 2 Prof. Dr. Thomas Ottmann Algorithmen & Datenstrukturen, Institut für Informatik Fakultät.
1 Vorlesung Informatik 2 Algorithmen und Datenstrukturen (21 – Kürzeste Wege) T. Lauer.
WS 06/07 Algorithmentheorie 01 - Einleitung Prof. Dr. Th. Ottmann Tobias Lauer.
Algorithmentheorie 12 – Spannende Bäume minimalen Gewichts
PG 478 – Open Graph Drawing Framework Thema: Compounds & Force-Directed Francois Bertault & Mirka Miller – An Algorithm for Drawing Compound Graphs [1999]
Algorithmen und Komplexität
Minimum Spanning Tree: MST
Statisches Scheduling in RT-Netzwerken Betrachtung zweier Ansätze Marcus Merz
Teil I: Uninformierte Suche
Praktikum KI Teil VIII: Planung. Praktikum KI SoSe 2005 Überblick Organisation des Praktikums Einführung in die Künstliche Intelligenz Suche nach einer.
Approximationsalgorithmen Facility Location K-Median Cheng, Wei 12. Juli.
Institut für Kartographie und Geoinformation Prof. Dr. Lutz Plümer Diskrete Mathematik II Vorlesung 1 SS 2001 Algorithmus von Dijkstra.
Von der Frequenz zum FID und zurück I
Chromatische Zahl.
Black Box Algorithmen Hartmut Klauck Universität Frankfurt SS
Quantum Computing Hartmut Klauck Universität Frankfurt WS 05/
Effiziente Algorithmen
Effiziente Algorithmen
Effiziente Algorithmen
Quantum Computing Hartmut Klauck Universität Frankfurt WS 05/
Quantum Computing Hartmut Klauck Universität Frankfurt WS 04/
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Effiziente Algorithmen
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Hartmut Klauck Universität Frankfurt SS
Quantum Computing Hartmut Klauck Universität Frankfurt WS 05/
Quantum Computing Hartmut Klauck Universität Frankfurt WS 04/
… oder wie finde ich den Weg
Algorithmen und Datenstrukturen Übungsmodul 3
1 Albert-Ludwigs-Universität Freiburg Rechnernetze und Telematik Prof. Dr. Christian Schindelhauer Informatik III Christian Schindelhauer Wintersemester.
Informatik III Christian Schindelhauer Wintersemester 2006/07
1 Albert-Ludwigs-Universität Freiburg Rechnernetze und Telematik Prof. Dr. Christian Schindelhauer Informatik III Christian Schindelhauer Wintersemester.
1 Albert-Ludwigs-Universität Freiburg Rechnernetze und Telematik Prof. Dr. Christian Schindelhauer Informatik III Christian Schindelhauer Wintersemester.
Institut für Kartographie und Geoinformation Prof. Dr. Lutz Plümer Diskrete Mathematik II Vorlesung Suche des kürzesten Weges in einem Netz.
Stefan Nolting Andreas Goebels Larissa Timajev
Der A*-Algorithmus.
Web-Mining Agents Planning
 Präsentation transkript:

Wegplanung mit Fast Forward

Andreas Bauer2 Inhalt Klassisches Planen Verschiedene Planerstrategien Fast Forward –Allgemeines –Systemarchitektur –Heuristik –Suchfunktion Zusammenfassung Ausblick

Andreas Bauer3 Klassisches Planen Situationskalkül von McCarthy und Hayes: Situationen (states): Schnappschüsse einer Umgebung zu einem Zeitpunkt Aktionen (actions): Überführung einer Situation in eine Nachfolgesituation keine Betrachtung von Zeit im eigentlichen Sinn

Andreas Bauer4 Verschiedene Planerstragegien Mengenbasiertes Planen –STRIPS (Stanford Research Institute Problem Solver) Planbasiertes Planen –POP (Partial Order Planner) Graphbasiertes Planen –GRAPHPLAN

Andreas Bauer5 FF – Allgemeines domainunabhängiger Planer entwickelt an Uni Freiburg einer der schnellsten Planer auf der AIPS-2000 basiert auf HSP Erweiterungen: Verbesserte Heuristik (GRAPHPLAN) Verbesserte Suchfunktion Verfahren um den Suchgraph zu verkleinern

Andreas Bauer6 FF – Systemarchitektur Heuristik Suchfunktion AufgabeLösung / Fehlschlag Abstand zum Ziel helpful actions Zustand

Andreas Bauer7 FF – Heuristik Aufgabe: liefert den Abstand eines Zustands vom Ziel zurück Problem: Berechnung des optimalen Abstands ist NP-schwer Lösung:möglichst genaue Annäherung

Andreas Bauer8 FF – Heuristik Definitionen: 1.Zustand (State) eine endliche Menge boolescher Atome 2.Aktion (STRIPS Action): 3.Aufgabe (Planning Task): 4.vereinfachte Aufgabe (Relaxed Planning Task): l }))(),( ((|)0 ( ({(OodeloaddopreoaddopreO ),,(GIOP ),,(GIOP ))(),( ((odeloaddopreo }))(),( ((|)0 ( ({(OodeloaddopreoaddopreO ),,(GIOP ),,(GIOP ))(),( ((odeloaddopreo

Andreas Bauer9 FF – Heuristik Originaler GRAPHPLAN – Algorithmus: 1.Aufbau eines Schichtgraphs (layered graph) füge abwechselnd Propositionsschicht und Aktionsschicht an ("time step") markiere mutex-Relationen Bedingungen für mutex-Relationen in der Aktionsschicht: »Inkonsistente Nachbedingungen »Interferenz »Konkurrierende Vorbedingungen Bedingungen für mutex-Relationen in der Propositionsschicht: »Inkonsistente Vorbedingungen »komplementäre Literale mit dem Anfügen solange fortsetzen bis in einer Propositionsschicht alle Ziele vorhanden sind (nicht mutex)

Andreas Bauer10 FF – Heuristik Originaler GRAPHPLAN – Algorithmus: 2.Lösungsextraktion 1.wähle für jedes Ziel eine erzeugende Aktion in der vorherigen Aktionsschicht (ohne mutex-Relationen) 2.wenn für ein Ziel keine mutex-freie Erzeugeraktion gefunden wird, versuche für das vorherige Ziel eine andere Erzeugeraktion zu finden ("backtracking") 3.ist für jedes Ziel eine Erzeugeraktion gefunden, wiederhole den Algorithmus ab Schritt 1 in der nächstniedrigeren Propositionsschicht mit den Voraussetzungen der gewählten Aktionen als Zielen. 4.sobald bei Schicht 0 angelangt, ist eine Lösung gefunden 5.falls keine Lösung ohne mutex-Relationen gefunden werden kann, expandiere den Graph um einen weiteren "Zeitschritt"

Andreas Bauer11 FF - Heuristik GRAPHPLAN – Beispiel:

Andreas Bauer12 FF - Heuristik GRAPHPLAN – Beispiel: Schmutz sHand Ruhe wischen saugen kochen bluva NOOP Schmutz sHand Ruhe Dinner Blumen

Andreas Bauer13 FF - Heuristik GRAPHPLAN – Beispiel: Schmutz sHand Ruhe wischen saugen kochen bluva NOOP Schmutz sHand Ruhe Dinner Blumen

Andreas Bauer14 FF - Heuristik GRAPHPLAN – Beispiel: Schmutz sHand Ruhe wischen saugen kochen bluva NOOP Schmutz sHand Ruhe Dinner Blumen

Andreas Bauer15 FF - Heuristik GRAPHPLAN – Beispiel: Schmutz sHand Ruhe wischen saugen kochen bluva NOOP Schmutz sHand Ruhe Dinner Blumen

Andreas Bauer16 FF - Heuristik GRAPHPLAN – Beispiel: Schmutz sHand Ruhe wischen saugen kochen bluva NOOP Schmutz sHand Ruhe Dinner Blumen

Andreas Bauer17 FF - Heuristik GRAPHPLAN – Beispiel: Schmutz sHand Ruhe wischen saugen kochen bluva NOOP Schmutz sHand Ruhe Dinner Blumen zurück

Andreas Bauer18 FF - Heuristik GRAPHPLAN – Beispiel: Schmutz sHand Ruhe wischen saugen kochen bluva NOOP Schmutz sHand Ruhe Dinner Blumen wischen saugen kochen bluva Schmutz sHand Ruhe Dinner Blumen

Andreas Bauer19 FF - Heuristik GRAPHPLAN – Beispiel: Schmutz sHand Ruhe wischen saugen kochen bluva NOOP Schmutz sHand Ruhe Dinner Blumen wischen saugen kochen bluva Schmutz sHand Ruhe Dinner Blumen

Andreas Bauer20 FF - Heuristik GRAPHPLAN – Beispiel: Schmutz sHand Ruhe wischen saugen kochen bluva NOOP Schmutz sHand Ruhe Dinner Blumen wischen saugen kochen bluva Schmutz sHand Ruhe Dinner Blumen

Andreas Bauer21 FF – Heuristik "relaxed Graphplan": Verwendung von "relaxed actions" –keine mutex-Relationen mehr –kein Backtracking mehr notwendig –durchlaufen des Graphs in polynomialer Zeit Berechnung des Abstands zur Zielschicht: Beispielplan

Andreas Bauer22 FF – Suchfunktion "enforced Hill-climbing": S := I while h(S) != 0 do suche nähsten Zustand S' mit h(S') < h(S) if S' nicht gefunden then stop endif füge Pfad von S nach S' dem Plan hinzu S := S' endwhile

Andreas Bauer23 FF – Suchfunktion Algorithmen zur Einschränkung des Suchraums: "helpful actions" Beschränken auf Aktionen die näher zum Ziel führen "added goal deletion" Entfernen von Pfaden die bestimmte Ziele zu früh erreichen

Andreas Bauer24 Zusammenfassung Erstellen eines Schichtgraphs Erweiterung des Graphs bis alle Ziele erreicht sind Suche nach einer Lösung durch Aneinanderreihung von Zuständen mit immer geringerem Abstand zum Ziel

Andreas Bauer25 Ausblick keine Möglichkeit zur Angabe von Ressourcen / Zeit erzeugter Plan ist nicht optimal nur eine Aktion pro Zeitschritt

Andreas Bauer26 Fin