Planning and Acting in The Real World

ada sebuah quote “Jika Anda gagal dalam berencana, maka Anda merencanakan kegagalan” dan ini juga berlaku dalam sebuah perencanaan kecerdasan buatan.

Time, Schedules, and Resource

Clasical Planning, merepresntasikan tentang apa yang dilakukan (what to do) dan bagaimana urutannya (what order). Juga tentang waktu, kapan dimulai serta kapan berakhir. Pendekatan yang kita dalam bab ini adalah “plan first, schedule later ”. Maksudnya kita akan membagi keseluruhan masalah ke dalam fase ‘planning’ dimana tindakan yang dipilih, dengan beberapa kendala yang ada, untuk menemukan goal/tujuan dari masalah tersebut.Baru kemudian masuk ke dalam fase ‘scheduling’ yang mana informasi temporal ditambahkan ke sebuah perencanaan untuk memastikan bahwa sumber daya dan kendala memenuhi batas waktu

Contoh job scheduling

problem













Solusi



















Namun, jika kita liat diagram diatas, ada suatu permasalahan yaitu dalam satu waktu ada dua pekerjaan yang harus dikerjakan. Padahal resource sangat terbatas. untuk itu kita perlu memperbaikinya menjadi,














Hierarchical Planning



Dalam contoh kita bisa melihat, baik yang sebelum dan selama perencanaan. Misalnya, salah satu ada yang menunda perencanaan rute naik taksi. Maka ini juga akan berpengaruh pada level abstrack di atasnya. Fungsi utama hierarki adalah pada setiap tingkat hierarki, tugas komputasi, fungsi administratif dikurangungi hingga sejumlah kecil kegiatan di tengkat yang lebih rendah. sehingga biaya komputasi untuk menemukan cara yang benar untuk mengatur kegiatan untuk masalah ini adalah kecil.

High Level-Action


Setiap HLA mempunyai satu atau lebih kemumkinan perbaikan. Contohnya adalah untuk pergi ke mall mempunyai dua perbaikan. Naik angkutan umum ke bungkur kemudian lanjut ke mall atau langsung ke mall dengan menggunakan taksi. Sebuah perbaikan HLA, hanya mempunyai aksi primitif yang disebut implementasi HLA.

Refinement (Go (rumah, mall)
Steps : [Shuttle(Home,Bungur),
Shuttle(Bungur,Mall)])
Refinement (Go(rumah, mall),
Steps : [Taxi(rumah, mall)])

Implementasi HLA

Refinement (Navigate([a,b],[x,y]),
PRECOND : a=x ^ b=y
STEPS : [])
Refinement (Navigate([a,b],[x,y]),
PRECOND: Connected([a,b],[a-1,b])
STEPS: [Left, Navigate ([a-1,b],[x,y])])
Refinement (Navigate([a,b],[x,y]),
PRECOND: Connected([a,b],[a+1,b])
STEP: [Right, Navugate([a+1,b],[x,y])])
Refinement (Navigate([a,b],[x,y]),
PRECOND: Connected([a,b],[a,b-1])
STEPS:[Down, Navigate([a,b-1],[x,y])])
Refinement (Navigate([a,b],[x,y])
PRECOND : Connected([a,b],[a,b+1])
STEPS : [UP, Navigate([a,b+1],[x,y])])

Sebuah rencana high-level akan mencapai tujuannya jika setidaknya ada satu implementasinya mencapai tujuannya. Jika suatu HLA memiliki banyak implementasi, kita dapat memilih tindakan yang positif. Namun jika hal itu tidak dapat ditentukan, maka kita harus menggunakan angelic nondeterminism, dimana agent akan menentukan sendiri pilihannya.

slide presentasi dapat di download di sini