Área de Concentração: 45134

Concentration area: 45134

Criação: 26/06/2020

Creation: 26/06/2020

Ativação: 26/06/2020

Activation: 26/06/2020

Nr. de Créditos: 8

Credits: 8

Carga Horária:

Workload:

Docente Responsável:

Professor:

Leliane Nunes de Barros

Objetivos:

Planejamento é a sub-área da Inteligência Artificial (IA) que trata o problema de tomada de decisão sequencial de ações e se preocupa com a geração de planos que levam um agente de um estado inicial do mundo até um estado meta desejado. O objetivo dessa disciplina é estudar uma variedade de modelos usados para planejamento em IA e os métodos propostos para resolvê-los, incluindo algoritmos clássicos e os mais recentemente propostos pela comunidade científica.

Justificativa:

Planejamento em Inteligência Artificial envolve a geração de planos de ações, que transformam uma situação inicial em uma situação final que satisfaça um conjunto de objetivos. Exemplos de problemas de planejamento incluem tarefas de logística, planejamento de processos industriais, planejamento de venda e compra de mercadorias, navegação de robôs, planejamento de serviços-web, etc.. Questões de estudo de planejamento em Inteligência Artificial incluem: Como construir e representar modelos de ações? Como construir algoritmos eficientes para esses modelos? Como produzir planos com boa qualidade? Como lidar com informações incertas? Como combinar planejamento e execução? Como tratar tempo e recursos? Como aprender o modelo de transições de estados?

Conteúdo:

Modelos e linguagens de planejamento. (I) Planejamento Clássico (ambientes com observação completa e ações determinísticas): cálculo de situações e o problema do frame; algoritmos de busca cega; planejamento de ordem parcial (POP); planejamento como satisfazibilidade (SATPLAN); grafo de planejamento (GRAPHPLAN); planejamento de busca heurística; construção de heurísticas independentes de domínio; banco de dados de heurística; planejamento como decomposição hierárquica (HTN). (II) Variações e extensões de planejamento clássico: planejamento não-determinístico; busca num grafo AND-OR (LAO*); planejamento como verificação de modelos (baseado na lógica temporal CTL); planejamento contingente e conformante. (III) Planejamento Probabilístico modelado como um MDP (Markov Decision Process): algoritmos de programação dinâmica (iteração de valor e iteração de política); algoritmos de programação dinâmica em tempo-real (RTDP e variações); modelos fatorados e programação dinâmica simbólica; modelos com probabilidades imprecisas; e aprendizado por reforço (RL).

Forma de Avaliação:

Listas de exercícios e projetos práticos de computação.

Bibliografia:

Stuart Russel e Peter Norvig, Artificial Intelligence - A Modern Approach, Prentice-Hall, 2010. Murray Shanahan, Solving the Frame Problem. MIT Press, 1997. Malik Ghallab, Dana Nau e Paolo Traverso. Automated Planning: Theory and Practice. Morgan Kaufmann, 2004. Hector Geffner e Blai Bonet. A Concise Introduction to Models and Methods for Automated Planning. Morgan & Claypool Publishers., 2013. Sutton, R.S. and Barto, A.G., 2018. Reinforcement learning: An introduction. MIT press.

Tipo de oferecimento da disciplina:

Presencial

Class type:

Presencial