Compiling Planning Problems

Abstract

Napriek tomu, že techniky splňovania podmienok (SP) sú častým spôsobom riešenia rozvrhovacích problémov, v plánovaní sa stále vyskytujú iba zriedka. Na riešenie plánovacích problémov bolo síce vyskúšaných niekol'ko rôznych spôsobov ich aplikácie, avšak žiaden nebol natol'ko úspešný ako napríklad plánovače založené na SAT, a teda žiadna z techník SP sa nestala dominantnou v obore plánovania. V tejto práci prezentujeme a zastávame názor, že existujúce modely klasických plánovacích problémov nevyužívajú potenciál techník SP naplno, na dôkaz čoho predkladáme návrh reformulácie týchto modelov, ktorý významou mierou prispieva k zvýšeniu výpočtovej efektivity pri riešení problémov plánovania.

Constraint satisfaction techniques are used frequently for solving scheduling problems, but they are still seldom in AI planning. There exist several attempts to apply constraint satisfaction for solving AI planning problems, however, these techniques never became prevailing in planning and did not reach the success of, for example, SATbased planners. In this work we argue that the existing constraint models for classical AI planning are indeed not exploiting fully the power of constraint satisfaction and we propose their reformulation which significantly improves efficiency.