基于Markov逻辑网络的HTN模型获取算法

In HTN (Hierarchical Task Network) planning, creating HTN models by hand is both time-consuming and difficult, especially when relations among objects are very complicated. This has become the bottleneck of applying HTN planning techniques to solve real application problems. In this project, we aim to study how to automatically learn HTN models from history data, such that human effort of building HTN models is reduced and HTN planning techniques are applied more widely. We first build a set of candidate logical formulae to describe all possible HTN models. After that, we transform history data into a set of propositions for learning the weights of candidate logical formulae. We then change the learning algorithm of Markov Logic Networks (MLNs) to finally learn the HTN models. In the experiment, we evaluate the effectiveness and efficiency of our algorithm in different HTN planning domains.

在HTN(分层任务网络)规划中，人工建立HTN模型往往是很耗时和困难的，特别是当各种逻辑关系很复杂时。这已经成为应用HTN规划技术解决实际问题的瓶颈。本项目旨在研究如何从历史数据中自动学习获得HTN模型，以降低人工建立HTN模型的耗费，从而促进推广HTN规划技术的应用。本项目首先建立一组候选逻辑公式，用以描述各种可能的HTN模型；然后，将历史数据转化为逻辑命题形式，用以学习候选逻辑公式的权重；最后，改进Markov逻辑网络学习算法，并利用改进的算法学习得到HTN模型。在实验中，本项目在不同的HTN规划领域中验证算法的有效性和高效性。

本项目研究自动获取智能规划中 HTN(分层任务网络)模型的算法。HTN 模型是 利用HTN规划系统求解规划问题必须具备的输入。传统的做法是通过人工分析领域中的各种 逻辑关系,手工建立 HTN 模型。然而,这往往是很耗时和困难的,特别是当各种逻 辑关系很复 杂时。本项目旨在研究从历史数据中自动学习获得 HTN 模型, 以减低人工建立 HTN 模型的耗 费。本项目借助并改进Markov逻辑网络学习算法,实现从具有不完整中间状态信息的历史数据中学习得到 HTN 模型。通过本项目的研究，发表高水平论文8篇，申请专利2项。