Assas Recherche | Réfléchir avant d'agir : une prise de recul avant planification

Réfléchir avant d'agir : une prise de recul avant planification (Document en Anglais)

Accès au(x) document(s)

Accéder au(x) document(s) :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :

Thèse consultable sur internet, en texte intégral.

Informations sur les contributeurs

Auteur : Lequen Arnaud

Lequen, Arnaud

Nom

Lequen

Prénom

Arnaud

Nationalité

Français

Date de soutenance : 22-11-2024

Directeur(s) de thèse : Cooper Martin C.

Cooper, Martin C.

Nom

Cooper

Prénom

Martin C.

Etablissement de soutenance : Université de Toulouse (2023-....)

Université de Toulouse (2023-....)

Nom

Université de Toulouse (2023-....)

Laboratoire : Institut de Recherche en Informatique de Toulouse (1995-....)

Institut de Recherche en Informatique de Toulouse (1995-....)

Nom

Institut de Recherche en Informatique de Toulouse (1995-....)

Ecole doctorale : École doctorale Mathématiques, informatique et télécommunications (Toulouse)

École doctorale Mathématiques, informatique et télécommunications (Toulouse)

Nom

École doctorale Mathématiques, informatique et télécommunications (Toulouse)

Informations générales

Discipline : Informatique et Télécommunications
Classification : Bibliothéconomie et sciences de l'information

Mots-clés libres : Planification automatique, Modèles interprétables, Satisfiabilité booléenne, Logique temporelle, Programmation linéaire, Théorie de la complexité
Mots-clés :

Planification -- Informatique
Intelligence artificielle
Programmation linéaire

Résumé : Le domaine de la planification automatique est une branche de l'Intelligence Artificielle, qui s'intéresse aux problèmes dont le modèle est connu, et dont les solutions sont des séquences d'actions qui mènent un agent autonome vers son but. Les systèmes de planification automatique sont de nos jours extrêmement polyvalents, et peuvent résoudre des tâches de planification aux formes très variées. Mais le caractère général du problème de résoudre une instance de planification a un coût computationnel conséquent, et le problème est considéré comme intraitable. Dans cette thèse, nous proposons de débuter le processus de planification par une prise de recul sur la tâche en elle-même: plutôt que de se lancer à corps perdu à la recherche d'un plan dans un espace combinatoire, on commence par une analyse sous divers angles du problème auquel on s'attelle. Cela se traduit à la fois par une mobilisation des connaissances acquises d'expériences passées, et par l'usage de méthodes imparfaites permettant de raffiner notre compréhension du problème. Notre première technique consiste à comparer l'instance de planification à résoudre P à d'autres instances dont l'on possède déjà une certaine connaissance. Les diverses méthodes que l'on propose pour comparer ces instances ont différents niveaux de flexibilité, et nous permettent de transférer plusieurs types de connaissances d'une instance à l'autre. Par exemple, une de nos méthodes nous permet de transférer toutes les solutions d'une instance à l'autre, tandis qu'une autre méthode plonge une instance insolvable dans le problème P à résoudre, montrant ainsi qu'il n'admet, de même, aucune solution. Nous proposons ensuite une méthode permettant de préciser le modèle de P avant de résoudre l'instance. La méthode commence par tester l'existence de solutions pour P. Bien qu'imparfait, ce test que l'on effectue est efficace et peut détecter un nombre non-négligeable d'instances insolvables. Quand bien même il échouerait, il reste au cœur d'une procédure que l'on propose, qui a pour but d'extraire des informations sur le problème, sans pour autant le résoudre. Cette connaissance nouvellement acquise peut ensuite être réinvestie dans une phase de recherche ultérieure, ou être utilisée pour montrer le caractère insolvable du problème. Notre dernière technique décrit la stratégie adoptée par un agent pour résoudre différentes instances du même problème. Pour ce faire, on se propose d'apprendre, à partir d'un ensemble réduit d'exemples, des propriétés exprimées dans un langage basé sur une logique modale du premier ordre. Ce langage, facilement lisible et compréhensible, peut servir de résumé de haut niveau de la politique adoptée par l'agent - c'est pourquoi nous proposons d'abord une application de notre méthode à la classification de comportements.

Informations techniques

Type de contenu : Text
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2024TLSES181
Type de ressource : Thèse