Asignatura Datos del alumno Fecha

Razonamiento y Apellidos: García Delgadillo

04/07/2022
Planificación Automática Nombre: Jorge Alberto

Artículo científico de planificadores del estado del arte

Para esta actividad se leeran 4 papers asociados a planificadores del estado del arte
y se dará un breve resumen del funcionamiento de cada uno, así como el proceso de
instalación de uno de ellos.

DecStar – STAR-topology DECoupled Search at its best

Este método llamado “método de desacoplamiento de topología en estrella” nos
sirve para reducir el tamaño de representación de los espacios de búsqueda al
explotar la estructura del problema dentro de la búsqueda el tamaño del espacio de
estado desacoplado puede ser exponencialmente más pequeña que la del espacio de
estado estándar. Al restringir las dependencias entre los componentes, la búsqueda
desacoplada ha demostrado ser muy eficiente y competitiva para los planificadores
más avanzados. La búsqueda lo logra dividiendo la tarea en varios componentes,
llamados factores, tratando de identificar una topología en estrella, con un solo
central factor que interactúa con múltiples leaf factors.
Explota la independencia entre los componentes de una tarea de planificación para
reducir el tamaño de la representación del espacio de estado. Dividiendo las variables
de estado en componentes, tal que la interacción entre estos toma la forma de un
topología en estrella la búsqueda desacoplada solo busca sobre secuencias de acción
que afectan el componente central de la topología, y enumera asignaciones
accesibles a cada componente hoja, por separado.
Esto puede conducir a una reducción exponencial del tamaño de representación del
espacio de búsqueda.
Dada una factorización F, la búsqueda desacoplada se realiza de la siguiente manera:
La búsqueda solo se bifurcará sobre acciones centrales, es decir, aquellas acciones
© Universidad Internacional de La Rioja (UNIR)

que afectan (con un efecto sobre) una variable en 𝐹 𝐶 . A lo largo de tal camino de
acciones centrales 𝜋 𝐶 , por cada hoja factor 𝐹 𝐿 , la búsqueda mantiene un conjunto
de caminos de hoja, i. ej., acciones que solo afectan variables de 𝐹 𝐿 , que cumplen
con 𝜋 𝐶 . Intuitivamente, para un camino de hoja 𝜋 𝐿 para cumplir con un camino

Actividades 1
 Asignatura Datos del alumno Fecha
Razonamiento y Apellidos: García Delgadillo
04/07/2022
Planificación Automática Nombre: Jorge Alberto

central 𝜋 𝐶 , debe ser posible incrustar 𝜋 𝐿 en 𝜋 𝐶 en un conjunto secuencia de acción

π, tal que π es un camino válido en la proyección de la tarea de planificación Π sobre
𝐹𝐶 ∪ 𝐹𝐿 .
Un desacople corresponde a un estado final de tal secuencia de acción central. La
principal ventaja sobre la búsqueda estándar se origina de un estado desacoplado
pudiendo representar exponencialmente muchos estados explícitos, evitando su
enumeración. Un estado desacoplado puede "contener" muchos estados explícitos,
Los factores son condicionalmente independientes. Así, cuantas más hojas en la
factorización, los estados más explícitos pueden ser potencialmente
representado por un solo estado desacoplado.
Para la búsqueda desacoplada existen varias extensiones dependiendo su
configuración:
1. Ruptura de simetría en la búsqueda desacoplada
2. Conjuntos obstinados fuertes desacoplados
3. Poda de dominancia desacoplada

The Meta-Search Planner (MSP) at IPC 2018

MSP es un sistema de meta-razonamiento que busca en el espacio de planificadores,
representaciones y heurísticas problema por problema. Ante un problema de
planificación, MSP realiza dos fases: fase de meta-búsqueda y fase de resolución de
problemas. La fase de metabúsqueda es un proceso de búsqueda de
seleccionando una combinación adecuada para resolver de manera óptima el
problema específico. La fase de resolución de problemas es básicamente una llamada
al planificador seleccionado con los otros elementos de la combinación seleccionada.
Dado un problema y dominio, MSP busca a través del espacio de representación
© Universidad Internacional de La Rioja (UNIR)

cambios y heurísticas para encontrar una buena combinación para usar en la solución
del problema. Las ideas subyacentes son las siguientes:
(1) rara vez se da el caso de que una sola representación o heurística sea mejor sobre
todos los problemas dentro de un dominio;

Actividades 2
 Asignatura Datos del alumno Fecha
Razonamiento y Apellidos: García Delgadillo
04/07/2022
Planificación Automática Nombre: Jorge Alberto

(2) la elección de representaciones y heurísticas puede modelarse como una

búsqueda de meta-nivel a través de un espacio de combinaciones de
representaciones y heurísticas; y
(3) la decisión sobre qué cambio de representación y conjunto de heurísticas a utilizar
se puede hacer en línea y problema por problema.
MSP no realiza un paso de aprendizaje; las carteras no generalmente se enfocan en
cambiar la representación del dominio/problema de entrada; y frecuentemente no
adaptan el portafolio al problema específico.
Un aspecto importante de MSP es que permite cambios de representación aplicados
a la representación de entrada. Los cambios de representación han sido mucho
menos estudiados en sistemas automatizados.
Usamos la definición estándar de una tarea de planificación como Π ={F, A, I, G}. F es
un conjunto de proposiciones, A es un conjunto de acciones, I ⊆ F define el estado
inicial y G ⊆ F define las metas.
Un planificador toma como entrada una tarea de planificación y devuelve un plan π
=(a1, . . . , an) y tal que si se aplica al estado inicial I, logrará los objetivos. Es decir,
generará un estado sn después de aplicar acciones en π a I tales que G ⊆ sn.
Un plan óptimo es aquel con un costo mínimo. MSP se puede describir en términos
de una búsqueda genérica en un espacio de metabúsqueda seguido de una llamada
a un planificador. Puede definirse formalmente en términos del espacio de estado de
metabúsqueda
(MS), operadores de metabúsqueda (MO) y el método de resolución de problemas:
el algoritmo de búsqueda y las heurísticas.

El algoritmo que se utiliza para este caso es el siguiente:

© Universidad Internacional de La Rioja (UNIR)

Actividades 3
 Asignatura Datos del alumno Fecha
Razonamiento y Apellidos: García Delgadillo
04/07/2022
Planificación Automática Nombre: Jorge Alberto

MAPlan: Reductions with Fact-Alternating Mutex Groups and hm Heuristics

Este planificador utiliza búsqueda heurística basada en estado con un traductor de
PDDL a STRIPS y luego a la representación de dominio finito. El traductor trata de
reducir el problema de STRIPS (es decir, eliminar hechos espurios y operadores)
usando mutex encontrados por h2 y heurística tanto en progresión como en
regresión, y mediante la eliminación de operadores sin salida (operadores que no
pueden ser parte de ningún plan) detectados usando grupos mutex de alternancia de
hechos (grupos fam) Los fam-groups inferidos también son útiles en el proceso de
desambiguación que es esencial para las heurísticas hm, especialmente en regresión.
Los fam-groups también puede proporcionar codificaciones más concisas de los
problemas en FDR que el traductor más utilizado de Fast Downward, aunque su
impacto en el rendimiento es muy limitado-
Hay dos configuraciones del Planificador MAPlan:
El primero (maplan-1) utiliza la heurística LM-Cut.
La segunda configuración (maplan-2) utiliza un simplificado abstracción heurística
basada en la fusión de un determinado subconjunto de los fam-grupos inferidos, de
manera similar a lo que se hace en el combinar y reducir la heurística y bases de datos
de patrones.
© Universidad Internacional de La Rioja (UNIR)

Scorpion
Scorpion está implementado en el sistema de planificación Fast Downward.
Utiliza A∗ con un heurística admisible para encontrar los planes óptimos.

Actividades 4
 Asignatura Datos del alumno Fecha
Razonamiento y Apellidos: García Delgadillo
04/07/2022
Planificación Automática Nombre: Jorge Alberto

La heurística general se basa en la heurística de abstracción de componentes que se

combinan mediante la partición de costos saturados
Heurística de abstracción
Dependiendo de si una tarea dada contiene o no efectos condicionales, usamos un
conjunto diferente de heurísticas de abstracción.
Tareas sin efectos condicionales
Para tareas sin efectos condicionales usamos la combinación
de las siguientes heurísticas:
• Heurística de abstracción cartesiana (CART): Consideramos abstracciones
cartesianas del punto de referencia y descomposiciones de objetivos y tareas (Seipp
y Helmert 2018). Limitamos el número total de transiciones sin bucles en todas las
abstracciones subyacentes a la heurística cartesiana en un millón.
• bases de datos de patrones encontrados por escalada (HC): Usamos el algoritmo de
Haslum et al. (2007) para la búsqueda a través de la escalada en el espacio de las
colecciones de patrones.
• bases de datos de patrones para patrones sistemáticos (SYS): Usamos un
procedimiento que genera todos los patrones interesantes.
hasta la talla 2 (Pommerening, Roger y Helmert 2013). ¨
Tareas con efectos condicionales
Para tareas con efectos condicionales calculamos el patrón heurístico de base de
datos para patrones generados sistemáticamente de tamaños 1, 2 y 3 (Pommerening,
Roger y Helmert 2013).
sudo apt-get update && sudo apt-get install -y build-essential uuid-dev libgpgme-
dev squashfs-tools libseccomp-dev wget pkg-config git cryptsetup-bin
© Universidad Internacional de La Rioja (UNIR)

Instalación del planificador

Para instalar el planificador primero tenemos que instalar una maquina virtual de
Ubuntu en este caso particular.

Actividades 5
 Asignatura Datos del alumno Fecha
Razonamiento y Apellidos: García Delgadillo
04/07/2022
Planificación Automática Nombre: Jorge Alberto

echo 'export GOPATH=${HOME}/go' >> ~/.bashrc && echo 'export

PATH=/usr/local/go/bin:${PATH}:${GOPATH}/bin' >> ~/.bashrc && source ~/.bashrc
echo 'export GOPATH=${HOME}/go' >> ~/.bashrc && echo 'export
PATH=/usr/local/go/bin:${PATH}:${GOPATH}/bin' >> ~/.bashrc && source ~/.bashrc
export VERSION=3.5.2 && # adjust this as necessary wget
https://github.com/sylabs/singularity/releases/download/v${VERSION}/singularity-
${VERSION}.tar.gz && tar -xzf singularity-${VERSION}.tar.gz &&
cd singularity
git clone https://github.com/sylabs/singularity.git && cd singularity && git checkout
v3.5.2

Instalamos el repositorio de singularity:

© Universidad Internacional de La Rioja (UNIR)

./mconfig && make -C ./builddir && sudo make -C ./builddir install

Actividades 6
 Asignatura Datos del alumno Fecha
Razonamiento y Apellidos: García Delgadillo
04/07/2022
Planificación Automática Nombre: Jorge Alberto

./mconfig --without-setuid --prefix=/home/dave/singularity && make -C ./builddir

&& make -C ./builddir install

Luego se copian los archivos domain de la carpeta de github

git clone https://bitbucket.org/ipc2018-classical/domains.git
copiamos el archivo domain y p01 a la carpeta rundir de singularity
root@LAPTOP-FFIKPHMI:/home/useradd/singularity/rundir# ls
domain.pddl p01.pddl
root@LAPTOP-FFIKPHMI:/home/useradd/singularity/rundir# pwd
/home/useradd/singularity/rundir
Se crea la imagen de Singularity

Wget https://bitbucket.org/ipc2018-classical/team44/src/ipc-2018-seq-opt/Singu
larity

sudo singularity build planner.img Singularity

root@LAPTOP-FFIKPHMI:/home/useradd/singularity/rundir# ls
Singularity domain.pddl p01.pddl p02.pddl
root@LAPTOP-FFIKPHMI:/home/useradd/singularity/rundir#
RUNDIR="$(pwd)/rundir"
root@LAPTOP-FFIKPHMI:/home/useradd/singularity/rundir#
DOMAIN="$RUNDIR/domain.pddl"
root@LAPTOP-FFIKPHMI:/home/useradd/singularity/rundir# ls
Singularity domain.pddl p01.pddl p02.pddl
root@LAPTOP-FFIKPHMI:/home/useradd/singularity/rundir#
© Universidad Internacional de La Rioja (UNIR)

DOMAIN="$RUNDIR/p01.pddl"
root@LAPTOP-FFIKPHMI:/home/useradd/singularity/rundir#
Por último se ejecutan los siguientes comandos

Actividades 7
 Asignatura Datos del alumno Fecha
Razonamiento y Apellidos: García Delgadillo
04/07/2022
Planificación Automática Nombre: Jorge Alberto

wget https://bitbucket.org/ipc2018-classical/demo-submission/raw/ipc-2018-seq-o
pt/Singularity

sudo singularity build planner.img Singularity

mkdir rundir

cp path/to/domain.pddl rundir

cp path/to/problem.pddl rundir

RUNDIR="$(pwd)/rundir"

DOMAIN="$RUNDIR/domain.pddl"

PROBLEM="$RUNDIR/problem.pddl"

PLANFILE="$RUNDIR/sas_plan"

COSTBOUND=42 # only in cost-bounded track

ulimit -t 1800

ulimit -v 8388608

singularity run -C -H $RUNDIR planner.img $DOMAIN $PROBLEM $PLANFILE $COS

TBOUND

Al final se abrió esa ventana al ejecutar el run:

© Universidad Internacional de La Rioja (UNIR)

Actividades 8
 Asignatura Datos del alumno Fecha
Razonamiento y Apellidos: García Delgadillo
04/07/2022
Planificación Automática Nombre: Jorge Alberto

Conclusiones:
Esta actividad me pareció muy interesante, pero a la vez complicada porque hubo
muchos conceptos que desconocía por lo que en momentos no entendía nada, aun
así, siguiendo los pasos de los videos y las paginas que se nos proporcionó, logre hacer
la instalación y correr el planner correctamente. De igual manera continuare leyendo
más sobre el tema para poder comprenderlo mejor.
© Universidad Internacional de La Rioja (UNIR)

Actividades 9