Algoritmos de Planejamento Probabilístico com Transição para Conjuntos de Estados

• Processo: 08/04728-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de julho de 2008
• Data de Término da vigência: 30 de junho de 2009
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Leliane Nunes de Barros
• Beneficiário: Renato Schattan Pereira Coelho
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Assunto(s): Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Inteligência Artificial | Modelos fatorados para planejamento | Planejamento Probabilístico e Não-determinístico | Planejamento sob Incerteza | Processos Markovianos de Decisão com Probabilidades Imprecisas | Inteligência Artificial

Resumo

A automação da tomada de decisões e o planejamento em Inteligência Artificial são assuntos de grande interesse com aplicações em muitas áreas, entre elas, economia, análise de decisões e logística. Uma vez que os problemas dessas áreas envolvem incerteza, é comum estruturá-los como processos markovianos de decisão (Markov Decision Processes - MDPs), que representam domínios envolvendo ações com efeitos probabilísticos. Na área de planejamento probabilístico o problema de interesse é o de encontrar o menor caminho estocástico entre um conjunto de estados iniciais e um conjunto de estados meta. Esses problemas são chamados de SSPs (shortest stochastic path) e são MDPs com algumas peculiaridades que os tornam computacionalmente mais tratáveis. Nesse trabalho estamos interessados em problemas de planejamento sob incerteza em que as probabilidades não são completamente conhecidas. Recentemente foi proposto um novo modelo para planejamento sob incerteza, o MDPST (Markov Decision Processes with Set Transitions), que pode representar domínios em que as probabilidades sob os efeitos das ações são imprecisas, por exemplo, só são conhecidos intervalos de probabilidades. Nesse projeto, serão adaptados algoritmos já existentes para planejamento em inteligência artificial (que resolvem SSPs), de modo que eles possam resolver problemas estruturados como MDPSTs.