Towards Topologically Diverse Probabilistic Planning Benchmarks
lundi, 15 juil. 2024·
,,
Jaël Champagne Gareau
Éric Beaudry
Vladimir Makarenkov
Résumé
Markov Decision Processes (MDPs) are often used in Artificial Intelligence to
solve probabilistic sequential decision-making problems. In the last decades,
many probabilistic planning algorithms have been developed to solve MDPs.
However, the lack of standardized benchmarks makes it difficult to compare the
performance of these algorithms in different contexts. In this paper, we
identify important topological properties of MDPs that can make a significant
impact on the relative performance of probabilistic planning algorithms. We
also propose a new approach to generate synthetic MDP domains having different
topological properties. This approach relies on the connection between MDPs
and graphs and allows every graph generation technique to be used to generate
synthetic MDP domains.
Type
Publication
Proceedings of the International Federation of Classification Societies Conference
Auteurs
Chercheur postdoctoral en informatique
Je suis actuellement chercheur postdoctoral en informatique à l’Université
TÉLUQ, où mes travaux portent sur l’accélération de la conversion de nombres
entiers et flottants en chaînes de caractères décimales. Au cours de mon
doctorat, j’ai conçu des algorithmes et des structures de données exploitant
l’architecture moderne des ordinateurs afin de résoudre de grandes instances
de processus décisionnels de Markov (MDP). Durant ma maîtrise, j’ai développé
des algorithmes de planification d’itinéraires pour véhicules électriques,
visant à déterminer le chemin optimal entre deux points tout en minimisant
le temps total du trajet (déplacement, recharge et attente aux bornes).
Auteurs
Auteurs