Розглянуто проблему контекстно-залежного планування послідовності виконання незалежних або слабопов’язаних завдань інтелектуальним агентом. Проаналізовано принцип відповідності завдання контексту. Запропоновано структуру модуля контекстно-залежного планування послідовності виконання завдань у складі інтелектуального агенту та алгоритм його роботи. У структурі модуля планування реалізовано три основні групи блоків: робота з завданнями, робота з контекстом, визначення відповідності завдань контексту.
Також в статті запропоновано алгоритм розрахунку динамічного пріоритету завдання, алгоритм визначення відповідності завдання контексту і алгоритм адаптації набору правил відповідності завдань контексту. Значення динамічного пріоритету залежить від статичного пріоритету завдання, що призначається в момент додавання завдання, та ступеня відповідності завдання контексту з урахуванням вектору контексту. Допускається два режими запуску алгоритму планування: за фактом звернення інтелектуального агенту за новим завданням та за фактом зміни вектору контексту. Алгоритм розрахунку динамічного пріоритету виконується незалежно для кожного завдання. Внаслідок цього його програмна реалізація має великий ресурс розпаралелювання.
Для адаптації набору правил відповідності завдань контексту використана схема навчання з підкріпленням в стаціонарному випадковому середовищі з контекстною залежністю (contextual multi-armed bandit problem). Для кожного правила відповідності виконується свій примірник процедури навчання з підкріпленням. В якості методу навчання з підкріпленням в статті використано метод верхньої довірчої межі (Upper-Confidence-Bound Action Selection). Запропоновано схему роботи процедури навчання з підкріпленням, реалізовану в прототипі модуля контекстно-залежного планування послідовності виконання завдань інтелектуальним агентом. Схема роботи процедури навчання з підкріпленням дозволяє використовувати декомпозицію даних і функціональну декомпозицію для розпаралелювання відповідних обчислень
- Stuart Russell, Peter Norvig, Artificial Intelligence: A Modern Approach, 4th edition, Pearson, 2020. – 1136 p. ISBN: 978-0-13-461099-3
- David L. Poole, Alan K. Mackworth, Artificial Intelligence: Foundations of Computational Agents, 2nd Ed., Cambridge University Press, 2017. – 820 p. ISBN: 978-1-13-964321-4
- Multiagent Systems, by Gerhard Weiss (Editor), 2nd Ed., The MIT Press, 2013. – 920 p. ISBN: 978-0-26- 253387-4
- Tierney K., Browne J., Task sequence planning, In: Bernhardt R., Dillman R., Hörmann K., Tierney K. (eds) Integration of Robots into CIM. Springer, 1992. – pp. 36-44, ISBN: 978-0-41-237140-0
- Tiehua Cao, Arthur C. Sanderson, Intelligent Task Planning Using Fuzzy Petri Nets, World Scientific, 1996 – 192 p. ISBN: 978-9-81-022556-8
- J. Rosell, N. Munoz and A. Gambin, "Robot tasks sequence planning using Petri nets," Proceedings of the IEEE International Symposium on Assembly and Task Planning, 2003., Besancon, France, 2003, pp. 24-29, DOI: 10.1109/isatp.2003.1217182
- L. Zhang et al., "Adaptive quantum genetic algorithm for task sequence planning of complex assembly systems," in Electronics Letters, vol. 54, no. 14, 2018. – pp. 870-872, DOI: 10.1049/el.2018.0609
- Schilit B., Adams N., Want R., Context-aware computing applications, in Proceedings of the IEEE Workshop on “Mobile Computing Systems and Applications”, IEEE Computer Society, 1994. – pp. 85-90, DOI: 10.1109/wmcsa.1994.16
- Abowd G.D., Dey A.K., Brown P.J., Davies N., Smith M., Steggles P. (1999) Towards a Better Understanding of Context and Context-Awareness. In: Gellersen HW. (eds) Handheld and Ubiquitous Computing. HUC 1999. Lecture Notes in Computer Science, vol 1707. Springer, Berlin, Heidelberg. – pp. 304-307, DOI: 10.1007/3-540-48157-5_29
- Cristiana Bolchini, Carlo A. Curino, Elisa Quintarelli, Fabio A. Schreiber, and Letizia Tanca. 2007. A data-oriented survey of context models. ACM SIGMOD Record, 36, 4 (December 2007), pp. 19-26, DOI: 10.1145/1361348.1361353
- C. Perera, A. Zaslavsky, P. Christen and D. Georgakopoulos, "Context Aware Computing for The Internet of Things: A Survey," in IEEE Communications Surveys & Tutorials, vol. 16, no. 1, First Quarter 2014, pp. 414-454, DOI: 10.1109/surv.2013.042313.00197
- Grifoni P., D’Ulizia A., Ferri F., Context-Awareness in Location Based Services in the Big Data Era, In: Skourletopoulos G., Mastorakis G., Mavromoustakis C., Dobre C., Pallis E. (eds) Mobile Big Data. Lecture Notes on Data Engineering and Communications Technologies, Springer, vol 10, 2018. – pp. 85–127, DOI: 10.1007/978-3- 319-67925-9_5
- Nicholas Capurso, Bo Mei, Tianyi Song, Xiuzhen Cheng, A survey on key fields of context awareness for mobile devices. Journal of Network and Computer Applications, Volume 118, 2018. – pp. 44-60, DOI: 10.1016/j.jnca.2018.05.006
- Richard S. Sutton, Andrew G. Barto, Reinforcement Learning: An Introduction, 2nd Ed., A Bradford Book, 2018. – 532 p. ISBN: 978-0-26-203924-6
- Csaba Szepesvari, Algorithms for Reinforcement Learning, Morgan and Claypool Publishers, 2010. – 104 p. ISBN: 978-1-60-845492-1