Generación de políticas para planificación heurística mediante metaclasificadores

e-Archivo Repository

Show simple item record

dc.contributor.advisor Rosa Turbides, Tomás Eduardo de la
dc.contributor.advisor Fuentetaja Pizán, Raquel
dc.contributor.author Garbajosa Poderoso, Alberto
dc.date.accessioned 2013-11-05T10:54:41Z
dc.date.available 2013-11-05T10:54:41Z
dc.date.issued 2013-06-12
dc.date.submitted 2013-06-26
dc.identifier.uri http://hdl.handle.net/10016/17886
dc.description.abstract La planificación automática es una de las ramas de la inteligencia artificial, que tiene por finalidad la generación de planes de manera automática. Para ello, se usan a menudo funciones heurísticas que guían el proceso de decisión de qué operador escoger para transitar de un estado a otro, con la finalidad de alcanzar las metas propuestas con el menor coste posible. Estudios anteriores han demostrado que la inclusión del aprendizaje automático como soporte a la decisión del planificador, genera buenos resultados. Así, mediante ejemplos de aprendizaje se conseguía generar un árbol de decisión, que era suministrado al planificador. Este proyecto de investigación tiene como finalidad principal evaluar si esta tendencia positiva se mantiene si, en vez de usar un único árbol, se emplean combinaciones de ellos al mismo tiempo. Mediante técnicas de bagging, se consigue dividir el conjunto de entrenamiento inicial, para crear varios árboles de decisión que recibe el planificador. Éste, a su vez, emplea distintos algoritmos de combinación de la información aportada por los árboles. El estudio experimental ha demostrado varios aspectos relevantes. En primer lugar, el uso de estas técnicas ha supuesto una mejora respecto al uso de un sólo árbol, resolviendo en ocasiones más problemas con menor coste. Pero esto no es así en todos los dominios evaluados, existiendo casos para los cuales no existen diferencias significativas en los planes generados. En segundo lugar, se ha de considerar el hecho de que el uso de varios árboles incrementa los tiempos tanto de entrenamiento como de validación, siendo más notables en el primer caso. Lo mismo ocurre con la memoria (principal y secundaria) requerida para el sistema, que se verá aumentada cuantos más árboles se quieran emplear de forma simultánea. ______________
dc.description.abstract Automated planning is an artifi cial intelligence branch, whose objective is generating plans automatically. Heuristic functions are often used to help choosing which operator is selected to transit from an state to another, in order to reach the proposed goals with the lower cost. Previous studies demonstrated that the use of machine learning combined with planners generates good results. An example is the use of decission trees to guide the planner. The objective of this project is to evaluate if this positive trend is maintained using combinations of several decission trees at the same time, instead of using one single tree. Through the use of bagging techniques, the initial training set is split in order to create several decision trees which are received by the planner. This planner uses diff erent algorithms which combine the information provided by the trees. The experimental study has demonstrated some relevant aspects. First, the use of these techniques has involved an improvement over the use of a single tree, solving more problems with lower cost for some domains. Second, the use of several trees increases the training and testing time. The same thing happens with the memory (main and secondary) required by the system, which will be increased as more trees are used at the same time.
dc.format.mimetype application/pdf
dc.language.iso spa
dc.rights Atribución-NoComercial-SinDerivadas 3.0 España
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.subject.other Inteligencia artificial
dc.subject.other Planificación automática
dc.subject.other Aprendizaje
dc.subject.other Algoritmos
dc.subject.other Planificación heurística
dc.title Generación de políticas para planificación heurística mediante metaclasificadores
dc.type masterThesis
dc.subject.eciencia Informática
dc.rights.accessRights openAccess
dc.description.degree Ingeniería en Informática
dc.contributor.departamento Universidad Carlos III de Madrid. Departamento de Informática
 Find Full text

Files in this item

*Click on file's image for preview. (Embargoed files's preview is not supported)


The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record