从WSBPEL程序中学习Web服务的不确定动作模型

智能规划是一种比较有前途的Web服务组合(WSC)方法.用规划进行WSC需要Web服务(WS)的动作模型,而让工程师来写它却很困难.考虑到现存WSC解决方案多用Web服务业务流程语言(WSBPEL)手工编写,可从现存方案中提取动作模型.由于WS本身有不确定性,且现存方案中蕴含对WS的语义要求,所以学习的应是体现流程语义且包含条件效果的不确定动作模型.为此,先将WSBPEL程序转成保留流程语义的标签转换系统(LTS);然后将动作模型学习技术扩展到包括条件效果的不确定规划(NDP),并从LTS中学习动作模型.实现了ARMS-WS系统,它可从WSBPEL程序中学习WS的不确定动作模型.  

从规划解中学习一阶派生谓词规则

派生谓词是描述动作非直接效果的主要方式.但是由人类专家设计的派生谓词规则(即领域理论)不能保证总是正确或者完备的,因此有时很难解释一个观察到的规划解为什么是有效的.结合归纳学习与分析学习的优点,文中提出一种称为FODRL(First-Order Derived Rules Learning)的算法,在不完美的初始领域理论的引导下从观察到的规划解中学习一阶派生谓词规则.FODRL基于归纳学习算法FOIL(First-Order Inductive Learning),最主要的改进是可以使用派生谓词的激活集来扩大搜索步,从而提高学习到的规则的精确度.学习过程分为两个步骤:先从规划解中提取训练例,然后学习能够最好拟合训练例和初始领域理论的一阶规则集.在PSR和PROME-LA两个派生规划领域进行实验,结果表明,在大部分情况下FODRL比FOIL(甚至包括其变型算法FOCL)学习到的规则的精确度都要高.  

基于Graphplan的ARBAC策略安全分析方法

策略安全分析是访问控制系统保持安全状态的重要机制.针对具有角色继承层次和角色静态互斥特征的分布式访问控制系统,文中采用智能规划技术进行策略安全分析.首先,提出了策略安全分析问题向规划问题转换的整体思路,定义"虚动作"模型以描述角色继承关系,使用领域互斥表述静态互斥角色,引入领域公理处理ARBAC策略的开放世界假设问题和前提条件中的负谓词问题.其后,运用图规划(Graphplan)算法求解转换而来的规划问题,重点分析了领域公理对规划图中部分NooP动作的剪枝作用,提出了领域公理在规划图扩展阶段的应用方式以及据此改进的图规划算法,介绍了已开发的面向ARBAC策略安全分析实验型规划系统.最后,进行了应用示例说明.  

对不确定规划中观测约简的进一步研究

从3个方面改进了不确定规划(non-deterministic planning,简称NDP)中的观测约简:一是如何找最小观测集合(minimal observation set,简称MOS),二是如何在观测代价不均等时找最优观测集合(optimal observation set,简称OOS),三是如何找到容错的OOS.通过MOS问题和图论中的最小覆盖集问题(minimal set cover,简称MSC)的类似性,可证MOS是NP难的问题,还可参考MSC算法得出时间复杂性不超过O(2^mm²)且不低于Ω(2^m?1)的算法,其中m是观测的个数.通过使用整数规划(integer programming,简称IP)技术,可找到OOS以及容错的OOS.可以证明,上述算法能够保证找到解,并且能够保证解的最优性.  

规划领域定义语言的演进综述

规划领域定义语言是智能规划研究中问题描述的标准语言，它同时起到了建模和通信语言的作用。随着智能规划得到了很大的发展，规划定义语言的作用越来越重要。但至今尚无对其版本、特性和语义的演进过程的综述。鉴于此，对规划领域定义语言的演进进行综述。最后概括了规划领域定义语言的发展趋势。  

过度规划、部分可满足规划及简单偏好综述*

智能规划是人工智能的重要分支，它从某个特定问题的初始状态出发，寻找达到解决该问题的目标状态的动作序列，但是在许多真实问题中，往往没有足够的资源来实现所有目标。因此，智能规划中对软目标的研究包括过度规划、部分可满足规划和简单偏好，已成为近年来的热点。将对过度规划、部分可满足规划和简单偏好的主要研究成果进行综述，包括这几类问题的差异比较、主要解决方案以及对将来的展望。  

在部分观测环境下学习规划领域的派生谓词规则

文中提出了一种在部分观测环境下学习规划领域的派生谓词规则的方法。在规划领域描述语言（PDDL）中，派生谓词用来描述动作的非直接效果，是规划领域模型和搜索控制知识的重要组成部分。然而，对于大多数规划领域而言，从无到有地构造派生谓词规则是不容易的。因此，研究自动获取派生谓词的推导规则是有意义的。已有研究工作提出通过修订一个初始的不完备的领域理论来获取推导规则的方法，但是它们的主要缺点在于待学习谓词的训练例的数量非常少，这是因为训练例按照非常有限的方式来生成。而更本质的原因在于它们假设环境是不可观测的。其实，在现实生活中很多动作的非直接效果是可以观测的，或者通过简单的目测或者通过专门的工具。因此文中提出增加观测来反映动作的非直接效果，以便增加待学习谓词的训练例数目从而改善学习的精准度。此外，为了补充一些在归纳学习过程中学习不到的谓词，文中还提出了一个后处理方法来使得学习到的规则在语义上更完整。通过在派生谓词基准领域上的实验表明，文中所提出的方法是可行有效的。更深远的意义在于，文中的研究工作有利于规划领域的自动建模或者控制知识的自动获取的研究与实现。  

一种实时细颗粒度片上网络功率分配方法

为满足应用对计算性能的需求,众核芯片集成了众多处理器。然而,其快速上升的功耗成为众核芯片设计的挑战之一。片上网络(NoC)是众核芯片中处理器核之间数据通信的网络,它不仅直接影响众核芯片的性能,而且消耗了芯片部分功率。在给定功率条件下使得片上网络的性能最优已经成为迫切需求。片上网络中路由器的工作负载(包的到达率)差异很大,需要对每一个路由器进行异构调整功率才能得到很好的性能。为此,针对如何在给定功率条件下优化NoC性能进行了研究,提出了一个实时细颗粒度的功率分配方法,它能够根据每一个路由器的工作负载实时快速的分配功率,实现片上网络性能最优。实验结果表明相比其他功率分配方法,该方法平均减少28.3%的应用执行时间且具有较低的硬件开销。  

并行概率规划综述*

自动规划是人工智能的重要分支。它针对特定领域的特定问题,生成一个由可应用动作构成的规划。经典规划中的动作效果是确定的,且在每个时间步内只能执行一个动作。但在实际问题中,动作的效果往往是不确定性的,且动作的执行具有并发性。因此,并行概率规划(Parallel and Probabilistic Planning, PPP) 被提出,并在近两次国际规划比赛中有了专门的PPP比赛。PPP的应用前景正在引起规划研究学术圈的关注。有鉴于此,本文对其进行综述。具体内容包括定义PPP领域、问题和规划解,介绍其描述语言、基准领域及规划器,并对其中两个有代表性的规划器进行实际测试。实验表明在求解效率方面测试结果与比赛结果基本一致,但部分规划器的求解规模与竞赛不完全一致。这可能是比赛中的某些未开源代码或手工干预得到的。  

基于AI Planning的Parlay X电信业务设计

Parlay X是一组电信网络服务(WS)应用程序接口(APIs),智能规划可作为一种WS组合(WSC)方法,所以理论上可基于智能规划设计使用Parlay X APIs的电信业务.但WSC有容错和对动作变化推理的要求,电信业务有多种触发方式和异步响应等特性,智能规划要有确定状态等Parlay X不满足的条件.结合典型Parlay X电信业务模型,基于AI Planning的Parlay X电信业务设计(APBPTSD)方法被提出.APBPTSD用标准后处理动作(SPCA)处理容错,用等待事件动作(WFEA)处理异步响应,用本地动作(LA)处理动作变化推理并对多种触发进行业务分拆.在已有业务上实验表明APBPTSD可有效指导Parlay X电信业务设计.