Intelligenza Artificiale. Pianificazione. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 0

Transcript

1 Intelligenza Artificiale Pianificazione Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 0

2 Pianificazione automatica (Capitolo 12 del R& N) Estensioni di POP: Partial Order Planning Applicazioni Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 1

3 Limitazioni di POP: Piani gerarchici Per trattare l aumento di complessità è utile specificare piani con livelli variabili di dettagli: Piano di livello più alto: preparare il razzo vettore, preparare la capsula, inserire il carico e effettuare il lancio. Livello delle azioni eseguibili: inserire il dado A nel buco B e fermarlo con il bullone C. Rappresentare piani gerarchici può semplificare la pianificazione rendere i piani più comprensibili Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 2

4 Limitazioni di POP: Condizioni complesse Gli operatori di Strips sono essenzialmente proposizionali, l uso di variabili è molto limitato: non si può descrivere il fatto che l operatore Lancia comporta che tutti gli oggetti che sono nella navicella spaziale vadano in orbita. Gli operatori di Strips sono incondizionati: non si può esprimere il fatto che se tutti i sistemi sono pronti, Lancia condurrà la navicella spaziale in orbita, altrimenti la condurrà nell oceano. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 3

5 Limitazioni di POP: Tempo In Strips si assume che tutte le azioni accadano istantaneamente, mentre spesso occorre un modello in cui: le azioni hanno una durata (l azione di lancio può richiedere diversi minuti); i passi dei piani possono avere delle finestre temporali (la macchina che verifica l assemblaggio di XYZ è disponibile dal 1 maggio al 1 giugno (eccetto i fine settimana), ma deve essere prenotata una settimana prima). Le tecniche di ricerca operativa permettono il soddisfacimento di vincoli temporali per un piano completo con ordinamento parziale. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 4

6 Limitazioni di POP: Risorse risorse: budget, personale,... vincoli: max totale, numero max (contemporaneamenteimpiegate)... Le descrizioni di azioni devono incorporare il consumo e la generazione di risorse. Gli algoritmi di pianificazione devono essere in grado di occuparsi efficientemente dei vincoli sulle risorse. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 5

7 Decomposizione gerarchica [V ai(supermercato), Compra(Latte), Compra(Banane), V ai(casa)] [Avanti(1cm), Gira(1grado), Avanti(1cm),...] Decomposizione gerarchica: un operatore astratto può essere decomposto in un gruppo di passi che forma un piano che lo implementa. Riduzione di operatori(riduzione di un operatore ad alto livello a un insieme di operatori di livello più basso) Espansione di operatori (espansione di un operatore, visto come una macro, nella struttura che lo implementa) Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 6

8 Build House decomposes to Obtain Permit Hire Builder Construction Pay Builder decomposes to Build Foundation Build Frame Build Roof Build Walls Build Interior Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 7

9 Pianificazione gerarchica Estendere il linguaggio Strips per permettere operatori non primitivi. Modificare l algoritmo di pianificazione per permettere la sostituzione di un operatore non primitivo con la sua decomposizione. Il piano è completo quando ogni passo è un operatore primitivo. La decomposizione gerarchica è più utile quando gli operatori possono essere decomposti in più di un modo. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 8

10 Estendere il linguaggio Si divide l insieme di operatori in operatori primitivi e non primitivi (ma la distinzione tra primitivo e non primitivo è relativa all agente che eseguirà il piano). Si aggiunge un insieme di metodi di decomposizione Decomponi(o, p): un operatore non primitivo che unifica con o può essere decomposto in un piano p. Decomponi(Costruzione, P iano(passi:{s 1 : Costruisci(F ondamenta), S 2 : Costruisci(Struttura), S 3 : Costruisci(T etto), S 4 : Costruisci(Muri), S 5 : Costruisci(Interni)} Ordinamenti:{S 1 S 2 S 3 S 5, S 2 S 4 S 5 }, Legami:{}, Relazioni:{S F ondamenta 1 S 2, S Struttura 2 S 5, S Muri 4 S 5 })) S 3, S 2 Struttura S 4, S T etto 3 Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 9

11 Correttezza della decomposizione Un piano p realizza correttamente un operatore o se è un piano completo e consistente per il problema di raggiungere gli effetti di o date le precondizioni di o: 1. p deve essere consistente (senza contraddizioni nei vincoli sull ordinamento o sui legami delle variabili di p.) 2. Ogni effetto di o deve essere asserito da almeno un passo di p (e non essere annullato da qualche altro passo successivo di p). 3. Ogni precondizione dei passi di p deve essere raggiunta da un passo di p oppure deve essere una delle precondizioni di o. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 10

12 Modificare il pianificatore Pianificatore a decomposizione gerarchica: HD-POP 1. realizzare dei raffinamenti (scelte indipendenti): (1) raggiungere condizioni non raggiunte nel piano (2) decomporre gli operatori non primitivi 2. l algoritmo prende un piano come input e non solo un obiettivo. 3. modificare Soluzione? per verificare che ogni passo del piano sia primitivo Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 11

13 function HD-POP( plan, operators, methods) returns plan inputs: plan, an abstract plan with start and goal steps (and possibly other steps) loop do if Solution?( plan) then return plan S need, c Select-Sub-Goal( plan) Choose-Operator( plan, operators, S need, c) S nonprim Select-Nonprimitive( plan) Choose-Decomposition( plan, methods, S nonprim ) Resolve-Threats( plan) end Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 12

14 HD-POP Seleziona-Nonprimitivo seleziona arbitrariamente un passo non primitivo del piano Scegli-Decomposizione sceglie ed applica una decomposizione. Se metodo è scelto come decomposizione per il passo S nonprim, allora i campi del piano vengono alterati nel modo seguente: Passi: aggiungere tutti i passi del metodo al piano, rimuovendo S nonprim. Legami: aggiungere tutti i vincoli sui legami delle variabili di metodo al piano. Fallimento se ciò introduce una contraddizione. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 13

15 Ordinamenti Ordinamenti: seguendo il principio del minimo impegno, sostituiamo S a S m a ciascun vincolo di ordinamento della forma S a S nonprim dei vincoli che ordinano S a prima dell ultimo passo (eventualmente più di uno) di metodo (S m è un passo di metodo, e non c è nessun altro S j in metodo tale che S m S j ). Analogamente per S nonprim S z. Quindi chiamiamo Risolvi-Minacce per aggiungere qualsiasi vincolo di ordinamento necessario. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 14

16 Relazioni Relazioni: se S c i S nonprim è una relazione causale di piano, si sostituisce con un insieme di relazioni S c i S m (e i vincoli di ordinamento corrispondenti), dove ciascun S m è un passo di metodo che ha c come precondizione e non esiste alcun passo precedente di metodo che abbia c come precondizione. (Se ci sono diversi passi con c come precondizione, allora si inserisce una relazione causale per ciascuno di essi. Se non ce n è nessuno, allora la relazione causale da S i può essere eliminata, poiché c era una precondizione non necessaria di S nonprim.) Analogamente si sostituisce S c nonprim S j con un insieme di relazioni S c m S j, dove S m è un passo di metodo che ha c come effetto e non c è nessun passo successivo di metodo che abbia c come effetto. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 15

17 Soluzioni astratte soluzione discendente: se p è una soluzione astratta, esiste una soluzione primitiva di cui p è un astrazione; appena trovata una soluzione astratta, possiamo potare tutti gli altri piani astratti dall albero di ricerca; soluzione ascendente: se un piano astratto è inconsistente, allora non esiste alcuna soluzione primitiva di cui il piano rappresenti un astrazione (implica anche che tutte le astrazioni complete di soluzioni primitive sono soluzioni astratte); possiamo potare tutti i discendenti di qualsiasi piano astratto inconsistente. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 16

18 b=3 branching factor: number of decomposition methods per step s=4 steps in a decomposition method d=3 depth of the hierarchical plan Depth d=0 d=1 d=2 d=3 Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 17

19 Complessità Un pianificatore non gerarchico dovrebbe generare un piano di n passi, scegliendo tra b possibilità per ciascuno, impiega un tempo pari a O(b n ) nel caso peggiore ( ) Il pianificatore gerarchico deve guardare sb passi a profondità d = 1. A profondità d = 2, guarda altri sb passi per ciascun passo che decompone, ma ne deve decomporre solo 1/b di essi, per un totale di bs 2. Perciò, il numero totale di piani considerati è: d i=1 bs i = O(bs d ) (252). In generale (senza proprietà delle soluzioni), un pianificatore gerarchico non funziona meglio di un pianificatore non gerarchico nel caso peggiore (anche se meglio nel caso medio). Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 18

20 Watch Hair Happy(He) Happy(She) Watch Hair Watch Comb Happy(She) Start Finish Start Finish Give Comb (a) Initial Problem Watch Hair Give Chain L L Hair Happy(He) Chain (b) Abstract Inconsistent Plan Watch Hair Give Comb (On Credit) Comb Owe(Watch) Happy(She) Watch Deliver Watch L L Watch Owe(Watch) Start Finish Hair Watch Give Chain (On Credit) Chain Owe(Hair) Happy(He) Hair Deliver Hair L L Hair Owe(Hair) (c) Decomposition of (b) into a Consistent Solution Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 19

21 Decomposizione e condivisione Scegli-Decomposizione fa semplicemente la fusione di ciascun passo di decomposizione del piano esistente. Spesso l unica soluzione a un problema comporta l unione di due soluzioni attraverso passi di condivisione piuttosto che la congiunzione di insiemi distinti di passi. si aggiunge un punto di scelta per ogni operatore di una decomposizione in Scegli-Decomposizione (analogo a Scegli-Operatore) si fondono le decomposizioni senza condivisione ma permettendo a dei critici di modificare il piano risultante La scelta tra condividere e fondere passi ha un effetto sull efficienza della pianificazione ed anche sulla completezza. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 20

22 Decomposizione ed approssimazione Pianificazione gerarchica: operatore astratto, non primitivo può essere decomposto in una rete di passi più complessa Gerarchie d astrazione: in cui un singolo operatore può essere pianificato a differenti livelli di astrazione. Al livello primitivo, l operatore ha un insieme completo di precondizioni e effetti; al livelli più alti, il pianificatore ignora alcuni di questi dettagli (gerarchia d approssimazione) Op(Action:Compra(x), Effect:Ha(x) Ha(Denaro), Precond:1: V ende(n egozio, x) 2: A(Negozio) 3: Ha(Denaro)) Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 21

23 Pianificatore a gerarchia d approssimazione Prima si risolve il problema usando solo le precondizioni con criticità 1. Trovata una soluzione, si espande considerando le precondizioni al livello 2, finché sono soddisfatte tutte le precondizioni. Compra 1, che ha solo la precondizione con livello di criticità 1 e ha un singolo metodo di decomposizione Compra 2, che ha precondizioni a criticità 1 e 2 e così via. La decomposizione ha solo un passo e ha tutte le precondizioni e gli effetti dell operatore astratto: vale la proprietà della soluzione ascendente e si realizza un pianificatore a gerarchia d approssimazione con quello a decomposizione gerarchica. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 22

24 Effetti condizionali Mondo dei blocchi: siamo stati costretti a introdurre due operatori con lo scopo di gestire correttamente il predicato Libero: Op(Action:Sposta(b, x, y), Precond:Su(b, x) Libero(b) Libero(y), Effect:Su(b, y) Libero(x) Su(b, x) Libero(y)) Op(Action:SpostaSulT avolo(b, x), Precond:Su(b, x) Libero(b), Effect:Su(b, T avolo) Libero(x) Su(b, x)) Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 23

25 Estensione del linguaggio Sposta(b, x, y) con un effetto condizionale: tavolo allora un effetto è Libero(y). se y non è il effetto when condizione, dove effetto e condizione sono entrambi letterali o congiunzioni di letterali. Op(Action:Sposta(b, x, y), Precond:Su(b, x) Libero(b) Libero(y), Effect:Su(b, y) Libero(x) Su(b, x) Libero(y) when y T avolo) Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 24

26 Pianificatore: scelta delle precondizioni Seleziona-Sottobiettivo decide se una precondizione c in un effetto condizionale della forma e when c è candidata per la selezione. Se l effetto e fornisce una condizione protetta da una relazione causale, allora si può selezionare c, ma non quando c è la relazione causale, che implica che il piano non funzionerà a meno che non sia vera anche c. Il pianificatore per il mondo dei blocchi non ha alcuna necessità di stabilire y T avolo perché Libero(y) perché non è (di solito) necessaria come precondizione di qualche altro passo del piano. Quindi si può usare il tavolo per mettere un blocco che non deve essere un posto speciale. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 25

27 Modifica del pianificatore: minacce In Risolvi-Minacce qualsiasi passo che abbia l effetto ( c when p) è una possibile minaccia per la relazione causale S c i S j ogni volta che c e c unificano. Possiamo risolvere la minaccia assicurando che p non sia valido. Questa tecnica viene chiamata confronto. Nel mondo dei blocchi se è necessario che un dato blocco sia libero per effettuare qualche passo, l operatore Sposta(b, x, y) può minacciare questa condizione se y non è istanziata. La minaccia si verifica solo se y T avolo; il confronto rimuove la minaccia ponendo y = T avolo. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 26

28 procedure Resolve-Threats(plan) for each S c i S j in Links( plan) do for each S threat in Steps( plan) do for each c in Effect(S threat ) do if Subst(Bindings( plan), c) = Subst(Bindings( plan), c ) then choose either Promotion: Add S threat S i to Orderings( plan) Demotion: Add S j S threat to Orderings( plan) Confrontation: if c is (c when p) then Choose-Operator( plan, operators, S threat, p) Resolve-Threats( plan) if not Consistent( plan) then fail end end end Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 27

29 Obiettivi negati La tecnica del confronto chiama Scegli-Operatore con l obiettivo p: fino ad ora tutti gli obiettivi (e le precondizioni) sono letterali positivi. Per i letterali negati negli obiettivi dobbiamo verificare che gli effetti rispecchino ancora l obiettivo assicurare che la nostra funzione di unificazione permetta di associare p e p. Inoltre per lo stato iniziale: un obiettivo della forma p può essere soddisfatto o con un effetto esplicito che unifica con p o con lo stato iniziale, se non contiene p. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 28

30 Precondizioni disgiuntive Se scegliamo un passo con una precondizione della forma p q in Seleziona-Sottobiettivo, scegliamo in modo non deterministico di restituire p o q e di riservare l altro come punto di backtracking. Qualsiasi operatore con la precondizione p q potrebbe essere sostituito con due operatori, uno con p come precondizione e uno con q, ma allora il pianificatore dovrebbe vincolarsi all uno o all altro. Mantenere le condizioni in un singolo operatore ci permette di rimandare l assunzione dell impegno. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 29

31 Effetti disgiuntivi Modificano l ambiente da deterministico a non deterministico. Un effetto disgiuntivo è usato per modellare effetti casuali o effetti che non sono determinati dalle precondizioni dell operatore. Ad esempio, l operatore Lancia(moneta) avrebbe l effetto disgiuntivo T esta(moneta) Croce(moneta). Gli effetti disgiuntivi e la pianificazione con azioni non deterministiche sono, in generale, difficili da trattare. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 30

32 Quantificazione universale Precondizioni quantificate universalmente: invece di scrivere Libero(b) come precondizione, si usa l espressione x Blocco(x) Su(x, b) Effetti quantificati universalmente: l operatore T rasporta(borsa, x, y) ha l effetto che tutti gli oggetti che sono nella borsa siano in y e non più in x. Op(Action:T rasporta(borsa, x, y), Precond:Borsa(borsa) A(borsa, x), Effect:A(borsa, y), A(borsa, x) i Articolo(i) (A(i, y) A(i, x)) when In(i, borsa)) Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 31

33 Universo finito Si considerano solo mondi con un universo di oggetti: finito, statico e tipato la condizione quantificata universalmente viene soddisfatta per enumerazione. La descrizione dello stato iniziale deve contenere tutti gli oggetti e assegnare a ciascuno un tipo, specificato come predicato unario. Borsa(B) Articolo(I 1 ) Articolo(I 2 ) Articolo(B) È possibile che un oggetto abbia più di un tipo: B è sia una borsa sia un articolo. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 32

34 Universo statico Gli oggetti menzionati nello stato iniziale non possono cambiare tipo o essere distrutti e non può essere creato alcun oggetto nuovo. Nessun operatore, eccetto Inizia, può avere Borsa(x) o Borsa(x) come effetto. Avere un universo finito, statico e tipato significa che possiamo espandere sempre questa formula in una espressione congiuntiva equivalente senza quantificatori: [ x T (x) C(x)] C(X 1 )... C(X n ) dove X 1,..., X n sono gli oggetti nello stato iniziale che soddisfano T (x). Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 33

35 Esempio Stato iniziale: Borsa(B) Latte(M 1 ) Latte(M 2 ) Latte(M 3 ) Espressione: x Latte(x) In(x, B) Espansione: In(M 1, B) In(M 2, B) In(M 3, B) Il pianificatore espande obiettivi quantificati universalmente per eliminare il quantificatore. Per gli effetti quantificati universalmente non è necessario espandere l effetto, vengono trattati da Risolvi-Minacce per riconoscere le minacce Scegli-Operatore che lo può usare per le relazioni causali. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 34

36 Domini dinamici Alcuni domini sono dinamici in quanto gli oggetti vengono creati o distrutti o cambiano il loro tipo nel tempo. I piani in cui gli oggetti vengono prima generati e poi usati, sembrano abbastanza naturali. Si trattano specificando tipi statici generali nelle espressioni quantificate universalmente e usando predicati aggiuntivi dinamici unari per fare discriminazioni più sottili. Gli oggetti che possono esistere potenzialmente in grandi quantità indifferenziate possono essere spesso trattati come risorse. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 35

37 function Select-Sub-Goal( plan) returns plan, precondition conjunct pick a plan step S need from Steps( plan) with a precondition conjunct c that has not been achieved if c is a universally quantified expression then return S need, Expansion(c) else if c is a disjunction c 1 c 2 then return S need, choose(c 1, c 2 ) else return S need, c Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 36

38 procedure Choose-Operator(plan, operators, S need, c) choose a step S add from operators or Steps( plan) that has c add as an effect such that u = Unify(c, c add, Bindings( plan)) if there is no such step then fail u u without the universally quantified variables of c add add u to Bindings( plan) add S c add S need to Links( plan) add S add S need to Orderings( plan) if S add is a newly added step from operators then add S add to Steps( plan) add Start S add F inish to Orderings( plan) Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 37

39 procedure Resolve-Threats(plan) for each S c i S j in Links( plan) do for each S threat in Steps( plan) do for each c in Effect(S threat ) do if Subst(Bindings( plan), c) = Subst(Bindings( plan), c ) then choose either Promotion: Add S threat S i to Orderings( plan) Demotion: Add S j S threat to Orderings( plan) Confrontation: if c is (c when p) then Choose-Operator( plan, operators, S threat, p) Resolve-Threats( plan) if not Consistent( plan) then fail end end end Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 38

40 POP-DUNC La funzione Seleziona-Sottobiettivo è stata modificata per espandere le precondizioni quantificate universalmente e per scegliere uno dei due modi possibili per soddisfare una precondizione disgiuntiva. Scegli-Operatore è stata modificata solo leggermente, per trattare correttamente le variabili quantificate universalmente. Risolvi-Minacce è modificato per includere il confronto come metodo per risolvere una minaccia da un effetto condizionale. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 39

41 Vincoli sulle risorse Problema: esprimere una precondizione come Ha($1.89) Possiamo rappresentare nello stato iniziale tutte le monete e le banconote nel mondo: Dollaro(d 1 ) Dollaro(d 2 ) Quarto(q 1 ).... Possiamo poi aggiungere metodi di decomposizione per enumerare i modi in cui è possibile avere un dollaro. Dobbiamo stare attenti ai vincoli di disuguaglianza, perché non vorremmo che l obiettivo Ha($2.00) venga soddisfatto da Ha(d 1 ) Ha(d 1 ). La rappresentazione finale sarebbe fattibile, ma totalmente inadatta alla pianificazione. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 40

42 Usare misure in pianificazione Una misura è una quantità di qualcosa, come denaro o volume, valutata numericamente. Ci si può riferire alle misure attraverso termini logici come $(1.50) o Galloni(6) o LivelloBenzina. Le funzioni di misure come V olume si applicano a oggetti come BenzinaInM acchina per produrre misure: LivelloBenzina = V olume(benzinainm acchina) = Galloni(6). Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 41

43 Dichiarazione di misure I pianificatori che usano misure tipicamente richiedono che siano dichiarate con l informazione dell intervallo associato. $(0) Contante Galloni(0) LivelloBenzina Galloni(15) $(1.00) P rezzou nitario(benzina) Galloni(1) $(1.50) $(1.00) P rezzou nitario(latte) Quarti(1) $(1.50) Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 42

44 Risorse Le misure come il prezzo della benzina sono realtà di cui il pianificatore si deve occupare, ma su cui ha poco controllo. Altre misure, come Contante e LivelloBenzina, sono trattate come risorse che possono essere prodotte e consumate. Ci sono operatori come Guida che richiedono e consumano la risorsa LivelloBenzina e ci sono operatori come F aiilp ieno che aumentano la risorsa LivelloBenzina (mentre consumano parte della risorsa Contante). Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 43

45 Esempio Op(Action:Inizia, Effetto: Contante $(12.50) LivelloBenzina Galloni(5). L azione Compra riduce la somma di Contante che si ha: Op(Action:Compra(x, negozio), Effect:Ha(x) Contante Contante P rezzo(x, negozio)) Rifornirsi di benzina può essere descritto da un operatore astratto F aiilp ieno: Op(Action:F aiilp ieno(livellobenzina), Effetto: LivelloBenzina Galloni(15) Contante Contante (P rezzou nitario(benzina) (Galloni(15) LivelloBenzina))) Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 44

46 Precondizioni per le misure I limiti superiori e inferiori dichiarati servono come precondizioni implicite per ciascun operatore. Compra(x) ha la precondizione implicita Contante P rezzo(x) per assicurare che la quantità sarà all interno dell intervallo dopo l azione. Una verifica grossolana sulle risorse tiene conto dei valori minimi e massimi possibili di ciascuna quantità in ogni passo del piano. Tutti i pianificatori pratici come Sipe, O-Plan e Deviser hanno meccanismi per la collocazione di risorse. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 45

47 Vincoli temporali Nella maggior parte dei casi il tempo può essere trattato come qualsiasi altra risorsa. Lo stato iniziale specifica un tempo d inizio per il piano, ad esempio, T empo 8:30. Quindi possiamo dire quanto tempo consuma ciascuna operazione. Un effetto di F aiilp ieno è T empo T empo + Minuti(3) + (Secondi(10)/Gall(1)) (Gall(15) LivelloBenzina)) Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 46

48 Tempo e risorse le azioni che sono eseguite in parallelo consumano il massimo dei rispettivi tempi e non la somma i vincoli sulle risorse di tempo devono essere consistenti con vincoli di ordinamento. Cioè, se S i S j è uno dei vincoli di ordinamento, allora T empo a S i deve essere minore di T empo a S j. il tempo non torna mai indietro: nessun operatore genera tempo invece di consumarlo. Perciò, se lo stato obiettivo specifica una scadenza (un tempo massimo) e si ha un piano parziale i cui passi richiedono più tempo di quello che è permesso, si può fare backtracking immediatamente, senza considerare alcun completamento del piano. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 47

49 Applicazioni industriali Problema: assemblaggio di materie grezze e componenti e assemblarli in prodotti finiti. Esempio tipico: una linea di produzione con 350 prodotti differenti, 35 macchine di assemblaggio e più di 2000 operazioni differenti. Il pianificatore deve determinare uno scheduling di 30 giorni per tre turni di 8 ore al giorno. un compito di pianificazione (per decidere quali passi di assemblaggio saranno eseguiti) un compito di scheduling (per decidere quando e dove ciascun passo verrà eseguito) Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 48

50 O-Plan O-Plan è simile a POP, esteso per rappresentare tempo, risorse e piani gerarchici. Accetta euristiche per guidare la ricerca e registra le ragioni di ciascuna scelta, rendendo la ripianificazione più facile quando è necessaria. la pianificazione delle commesse software alla Price Waterhouse, la pianificazione del processo di assemblaggio dell asse posteriore alla Jaguar Cars la pianificazione completa della produzione industriale alla Hitachi Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 49

51 ISIS Le industrie con minore differenziazione dei prodotti seguono spesso un piano fissato, ma possono ancora aver bisogno di scheduling automatizzato. Il sistema Isis è stato sviluppato specificamente per lo scheduling ad applicato alla fabbricazione di componenti di turbine della Westinghouse. Isis usa una ricerca gerarchica con minimo impegno per trovare piani di alta qualità che soddisfino tutti i requisiti. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 50

52 Scheduling per missioni spaziali errori possono essere costosi e/o irrecuperabili effetti in genere prevedibili Telescopio spaziale Hubble Navicelle spaziali: Voyager, Uosat-II e ERS-1 L obiettivo è dirigere gli strumenti di osservazione, i trasmettitori di segnali e i meccanismi di controllo dell assetto e della velocità, in modo da massimizzare il valore delle informazioni acquisite dalle osservazioni, pur rispettando i vincoli sulle risorse di tempo ed energia. Simile allo scheduling di attività di reparto Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 51

53 SIPE Sipe (System for Interactive Planning and Execution monitoring) primo pianificatore ad occuparsi del problema della ripianificazione e il primo a compiere dei passi importanti in direzione di operatori espressivi. pianificazione delle operazioni sul ponte di volo di una portaerei scheduling delle attività di reparto di una fabbrica di birra pianificazione della la costruzione di edifici a più piani Sipe permette vincoli sugli stati, la definizione di classi di oggetti e un insieme espressivo di vincoli. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 52

54 Vantaggi della pianificazione automatica Approccio classico: piano costruito manualmente scheduling fatto con tecniche di ricerca operativa La pianificazione automatica comporta un lavoro di modellazione e rappresentazione delle risorse, ma consentono di ripianificare agevolmente a fronte di cambiamenti. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 53