論文の概要: A New Dynamic Distributed Planning Approach: Application to DPDP Problems

• arxiv url: http://arxiv.org/abs/2403.00805v1
• Date: Sat, 24 Feb 2024 10:06:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-10 23:59:20.557424
• Title: A New Dynamic Distributed Planning Approach: Application to DPDP Problems
• Title（参考訳）: 新しい動的分散計画手法:DPDP問題への応用
• Authors: Zakaria Tolba
• Abstract要約: このアプローチは、各エージェントが独自のプランを作成できる分散プランの分散計画のコンテキストに適合します。 当社のアプローチは、計画すべきアクションセットが変更されるたびに、各エージェントによる新しい計画を生成することです。 この新しい計画では、エージェントは、毎回、古い計画の古い実行されていないすべてのアクションと、変更によって強化された新しいアクションを計画し、新しい初期状態として、新しいアクションとして取ります。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we proposed a new dynamic distributed planning approach that is able to take into account the changes that the agent introduces on his set of actions to be planned in order to take into account the changes that occur in his environment. Our approach fits into the context of distributed planning for distributed plans where each agent can produce its own plans. According to our approach the generation of the plans is based on the satisfaction of the constraints by the use of the genetic algorithms. Our approach is to generate, a new plan by each agent, whenever there is a change in its set of actions to plan. This in order to take into account the new actions introduced in its new plan. In this new plan, the agent takes, each time, as a new action set to plan all the old un-executed actions of the old plan and the new actions engendered by the changes and as a new initial state; the state in which the set of actions of the agent undergoes a change. In our work, we used a concrete case to illustrate and demonstrate the utility of our approach.
• Abstract（参考訳）: そこで本研究では,エージェントが計画すべき行動のセットで導入した変更を考慮し,環境の変化を考慮に入れた新しい動的分散計画手法を提案する。 このアプローチは、各エージェントが独自のプランを作成できる分散プランの分散計画のコンテキストに適合します。 提案手法では, 遺伝的アルゴリズムを用いた制約の満足度に基づいて, 計画の生成を行う。 当社のアプローチは、計画に対する一連のアクションが変更されるたびに、各エージェントによる新しいプランを生成することです。 これは、新しい計画で導入された新しい行動を考慮するためである。 この新しいプランでは、エージェントは、毎回、古いプランの古い実行されていないすべてのアクションを計画するための新しいアクションセットと、変更によって囲まれた新しいアクションと、新しい初期状態として、エージェントのアクションのセットが変更される状態とします。 私たちの研究では、具体的なケースを使って、アプローチの有用性を説明し、実演しました。

関連論文リスト

• Ask-before-Plan: Proactive Language Agents for Real-World Planning [68.08024918064503]
  プロアクティブエージェントプランニングでは、ユーザエージェントの会話とエージェント環境のインタラクションに基づいて、言語エージェントが明確化のニーズを予測する必要がある。 本稿では,明確化,実行,計画の3つのエージェントからなる新しいマルチエージェントフレームワーク,Clarification-Execution-Planning(textttCEP)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T14:07:28Z)
• Behaviour Planning: A Toolkit for Diverse Planning [1.2213833413853037]
  EmphBehaviour Planningは、モジュラーの多様性モデルに基づいて、多様なプランを生成できる多様な計画ツールキットである。 本稿では,多様性モデルを記述するための定性的なフレームワーク,任意の多様性モデルに沿った計画を作成するための計画手法,SMTに基づく行動プランナの実践的実装について述べる。
  論文  参考訳（メタデータ） (2024-05-07T13:18:22Z)
• On Computing Plans with Uniform Action Costs [10.621487250485897]
  本稿では,3つの一様性指標を自動計画に適応させ,行動コストと行動コストの総和を語彙的に最適化する計画ベースコンパイルを提案する。 良く知られた計画ベンチマークと新しい計画ベンチマークの両方の実験結果は、修正されたタスクを効果的に解決し、一様計画を生成することができることを示している。
  論文  参考訳（メタデータ） (2024-02-15T11:00:28Z)
• Planning as In-Painting: A Diffusion-Based Embodied Task Planning Framework for Environments under Uncertainty [56.30846158280031]
  具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。 In-paintingとしての計画」というタスク非依存の手法を提案する。 提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-02T10:07:17Z)
• AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
  大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。 本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。 幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
  論文  参考訳（メタデータ） (2023-05-26T05:52:27Z)
• A Consciousness-Inspired Planning Agent for Model-Based Reinforcement Learning [104.3643447579578]
  本稿では、その状態の関連部分に動的に対応できるエンドツーエンドのモデルベース深層強化学習エージェントを提案する。 この設計により、エージェントは関連するオブジェクトに参画することで効果的に計画を学ぶことができ、配布外一般化がより良くなる。
  論文  参考訳（メタデータ） (2021-06-03T19:35:19Z)
• Robust Hierarchical Planning with Policy Delegation [6.1678491628787455]
  本稿では,デリゲートの原理に基づく階層計画のための新しいフレームワークとアルゴリズムを提案する。 このプランニング手法は、様々な領域における古典的なプランニングと強化学習技術に対して、実験的に非常に競争力があることを示す。
  論文  参考訳（メタデータ） (2020-10-25T04:36:20Z)
• Divide-and-Conquer Monte Carlo Tree Search For Goal-Directed Planning [78.65083326918351]
  暗黙的な逐次計画の仮定に代わるものを検討する。 本稿では,最適計画の近似を行うため,Divide-and-Conquer Monte Carlo Tree Search (DC-MCTS)を提案する。 計画順序に対するこのアルゴリズム的柔軟性は,グリッドワールドにおけるナビゲーションタスクの改善に繋がることを示す。
  論文  参考訳（メタデータ） (2020-04-23T18:08:58Z)
• STRIPS Action Discovery [67.73368413278631]
  近年のアプローチでは、すべての中間状態が欠如している場合でも、アクションモデルを合成する古典的な計画が成功している。 アクションシグネチャが不明な場合に,従来のプランナーを用いてSTRIPSアクションモデルを教師なしで合成するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-30T17:08:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。