JPH07175657A - Task executing procedure optimizing system - Google Patents
Task executing procedure optimizing systemInfo
- Publication number
- JPH07175657A JPH07175657A JP5318644A JP31864493A JPH07175657A JP H07175657 A JPH07175657 A JP H07175657A JP 5318644 A JP5318644 A JP 5318644A JP 31864493 A JP31864493 A JP 31864493A JP H07175657 A JPH07175657 A JP H07175657A
- Authority
- JP
- Japan
- Prior art keywords
- task
- search tree
- node
- expected cost
- logical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
Description
【0001】[0001]
【産業上の利用分野】本発明は、タスク実行手順最適化
システムに係り、特に、エキスパートシステム等で、事
例が論理式を満足するかを期待コストを最小にしてシス
テムの性能を最適化するためのタスク実行手順最適化シ
ステムに関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a task execution procedure optimizing system, and in particular, in an expert system or the like, in order to optimize system performance by minimizing expected cost whether an example satisfies a logical expression. Task execution procedure optimization system.
【0002】詳しくは、エキスパートシステムで用いら
れるルールの条件部やパターン認識における事例の識別
概念等は、原子式が論理積/和結合した論理式により表
現される。実行コストが既知であるタスクの成功/失敗
により、各原子式の真偽値が与えられる場合に、事例が
その論理式を満足するかを期待コストが最小で判定でき
るならば、そのシステムの性能は最適となる。More specifically, the conditional part of the rule used in the expert system, the concept of identifying a case in pattern recognition, and the like are expressed by a logical expression that is a logical product / sum combination of atomic expressions. If the success / failure of a task whose execution cost is known gives the true / false value of each atomic expression, if the expected cost can be determined at the minimum whether the case satisfies the logical expression, the system performance Will be optimal.
【0003】[0003]
【従来の技術】ルールの条件部や事例の識別概念を表す
論理式をf、論理式fに現れる原子式を{x1 ,…,x
n }とする。但し、論理式fはμ−式(μ-formula)に
属すると仮定する。μ−式とはブール木(Boolean tree
s)とも呼ばれ、各原子式xi が式に高々1回しか現れな
い論理式のクラスであるが、任意の論理積/和結合が許
されるので、多くの自然な論理式をこのクラスで表現す
ることができる。また、原子式xi の真偽値の決定に必
要なタスクをTi とし、その実行コストをci とする。
但し、各タスクの成功事象は互いに独立(independent)
であり、タスクT i の成功確率をpi とする。2. Description of the Related Art A condition part of a rule or a concept of identifying a case is represented.
The logical formula is f, and the atomic formula appearing in the logical formula f is {x1, ..., x
n}. However, the logical formula f is converted to μ-formula.
Suppose you belong. μ-expression is a Boolean tree
s), each atomic formula xiAppears only once in the formula
Although it is a class of logical expressions, any logical product / sum combination is allowed.
Therefore, many natural logical expressions are expressed in this class.
You can Also, the atomic formula xiRequired to determine the true / false value of
T important tasksiAnd the execution cost is ciAnd
However, the success event of each task is independent from each other (independent)
And task T iThe success probability of piAnd
【0004】以下に示す従来の方法では、タスク成功確
率は既知であると仮定されている(Korf,R.E. 「Searc
h: A survey of recent results」 in Exploring a art
ificial intelligence, Shrobe H.E.(eds.), Morgan Ka
ufmann, San Mateo, CA, 1988) 。In the conventional method shown below, it is assumed that the task success probability is known (Korf, RE "Searc.
h: A survey of recent results '' in Exploring a art
ificial intelligence, Shrobe HE (eds.), Morgan Ka
ufmann, San Mateo, CA, 1988).
【0005】まず、論理式が論理和で表現されている場
合(f=x1 ∨…∨xn )ならば、論理式fが成功する
のは、少なくとも1つ原子式のxi が成功するときであ
り、タスクを置換σ(i)の順に実行すれば、論理式f
の評価の期待コストcは:First, if the logical expression is expressed by a logical sum (f = x 1 ∨ ... ∨x n ), the logical expression f succeeds because at least one atomic expression x i succeeds. When the tasks are executed in the order of replacement σ (i), the logical expression f
The expected cost c of evaluation is:
【0006】[0006]
【数1】 [Equation 1]
【0007】となる。但し、pσ(0) =p0 =0とす
る。このとき、タスクを成功確率pを期待コストを除し
た値(pi /ci )の大きい順に実行すれば、期待コス
トが最小となることが知られている。即ち、単位コスト
当たりの成功確率が最も大きいタスクから実行すること
により、早い段階で成功するタスクを発見できれば、残
りのタスクの実行を省略できる。[0007] However, pσ (0) = p 0 = 0. At this time, it is known that the expected cost is minimized by executing the tasks in the descending order of the value (p i / c i ) obtained by dividing the expected probability p by the expected cost. That is, if a task that succeeds at an early stage can be found by executing the task having the highest success probability per unit cost, the execution of the remaining tasks can be omitted.
【0008】一方、論理積で表現されている場合(f=
x1 ∧…∧xn )ならば、論理式fが成功するのは、全
ての原子式xi が成功するときであり、論理式fの評価
の期待コストcは:On the other hand, if it is expressed by a logical product (f =
x 1 ∧ ... ∧x n ), the logical expression f succeeds when all atomic expressions x i succeed, and the expected cost c of evaluation of the logical expression f is:
【0009】[0009]
【数2】 [Equation 2]
【0010】となる。このとき、タスクをpi /ci の
小さい順に実行すれば、期待コストが最小になることが
知られている。即ち単位コスト当たりの成功確率が最も
小さいタスクから実行することにより、早い段階で失敗
するタスクを発見できれば、残りのタスクの実行を省略
できる。また、一般論理式は、論理積/和結合が再帰的
に適用され、構成されるが、上の2つの式に基づいて、
任意のサブ論理式に対して、成功確率と期待コストを順
番に定義できる。[0010] At this time, it is known that the expected cost is minimized if the tasks are executed in ascending order of p i / c i . That is, if a task that fails at an early stage can be found by executing the task with the smallest success probability per unit cost, the execution of the remaining tasks can be omitted. In addition, the general logical expression is configured by recursively applying the logical product / sum combination, but based on the above two expressions,
Success probability and expected cost can be defined in order for any sub-logical formula.
【0011】しかし、上記の従来の方法では、タスク成
功確率が既知としてタスク実行手順を定義しているが、
一般の現実問題では、タスク成功確率は未知なので、利
用できる事例から推定しなければならない。最も自然な
推定法は、タスクの成功が二項分布に従うとして、最尤
推定してタスク成功確率を求める方法である。即ち、タ
スクTi において、mi 回事例が現れた後、si 回成功
したならば、p’i =si /mi により、最尤推定でき
る。従って、タスクが論理和(積)結合しているなら
ば、(si /mi )/ci の大きい(小さい)順に並べ
れば、タスク成功確率の最尤推定値However, in the above conventional method, the task execution procedure is defined with the task success probability known.
In general real problems, the task success probability is unknown, so it has to be estimated from available cases. The most natural estimation method is a method of estimating the maximum likelihood and obtaining the task success probability, assuming that the task success follows the binomial distribution. That is, if the task T i succeeds s i times after the occurrence of m i times, the maximum likelihood can be estimated by p ′ i = s i / m i . Therefore, if the tasks are logically (product) connected, if they are arranged in the order of (s i / m i ) / c i , the maximum likelihood estimation value of the task success probability.
【0012】[0012]
【数3】 [Equation 3]
【0013】に対する期待コストが最小になる。以下で
は、この評価尺度に基づいて、タスク実行手順を生成す
る方法を最尤推定法と呼ぶ。The expected cost for is minimized. Below, the method of generating a task execution procedure based on this evaluation measure is called the maximum likelihood estimation method.
【0014】大数の法則により、非常に多くの事例が与
えられれば、Given the large number of cases given by the law of large numbers,
【0015】[0015]
【数4】 [Equation 4]
【0016】となるので、最小に近い期待コストで新た
に現れる事例を分類できる。Therefore, it is possible to classify newly appearing cases with the expected cost close to the minimum.
【0017】[0017]
【発明が解決しようとする課題】しかしながら、上記従
来の応用では、タスク実行コストが非常に高いケースが
考えられ、利用できる事例が少ない段階でも、できるだ
け期待コストが小さいタスク実行手順を生成する方法が
望まれる。しかるに、最尤推定法は、多数の事例に対し
ては効果的であるが、少ない事例に対して優れたタスク
列を与えるという保証はない。However, in the above-mentioned conventional application, the case where the task execution cost is very high is considered, and a method of generating a task execution procedure having the smallest possible cost even when there are few cases available is proposed. desired. However, although the maximum likelihood estimation method is effective for a large number of cases, there is no guarantee that it will give an excellent task sequence for a small number of cases.
【0018】本発明は、上記の点に鑑みなされたもの
で、上記従来の問題点を解決し、少ない事例からでも優
れたタスク実行手順を生成することができるタスク実行
手順最適化システムを提供することを目的とする。The present invention has been made in view of the above points, and provides a task execution procedure optimization system capable of solving the above-mentioned conventional problems and generating an excellent task execution procedure even from a small number of cases. The purpose is to
【0019】[0019]
【課題を解決するための手段】図1は、本発明の原理構
成図である。FIG. 1 is a block diagram showing the principle of the present invention.
【0020】本発明のタスク実行手順最適化システム
は、与えられた論理式を事例が満足するか判定する問題
において、論理式から生成される探索木3を生成する探
索木生成手段1と、平均期待コスト最小法を用いてタス
ク成功率を推定し、次に実行すべきタスクを探索木生成
手段で生成された探索木3より選択するタスク選択手段
2とを含む。The task execution procedure optimization system of the present invention, in the problem of determining whether a given logical expression satisfies a case, a search tree generating means 1 for generating a search tree 3 generated from the logical expression, and an average. And a task selecting unit 2 for estimating a task success rate using the expected cost minimum method and selecting a task to be executed next from the search tree 3 generated by the search tree generating unit.
【0021】本発明のタスク選択手段2は、探索木生成
手段1により生成された探索木3のルートノード上の現
在実行している次のノードを選択する場合に、次のノー
ドの論理結合の形態に基づいて次に実行するノードを選
択する。The task selecting means 2 of the present invention selects the logical connection of the next node when selecting the next node currently being executed on the root node of the search tree 3 generated by the search tree generating means 1. Select the next node to execute based on the morphology.
【0022】[0022]
【作用】本発明は、与えられた論理式に対して、その論
理積/和結合の構造を解析して探索木を生成し、ユーザ
とインタラクションしながら、探索木を用いて次に実行
すべきタスクを選択する。タスク選択を行う場合に、平
均期待コスト最小法を用いて、事例からタスク成功確率
を推定することにより、タスク成功確率が未知であると
きに、期待コストがより小さくなるようにタスク実行手
順を決定することができる。According to the present invention, for a given logical expression, the structure of the logical product / sum connection is analyzed to generate a search tree, and the search tree should be executed next while interacting with the user. Select a task. When selecting a task, the average expected cost minimum method is used to estimate the task success probability from the case, so that the task execution procedure is determined so that the expected cost becomes smaller when the task success probability is unknown. can do.
【0023】[0023]
【実施例】以下、図面と共に本発明の実施例を詳細に説
明する。Embodiments of the present invention will now be described in detail with reference to the drawings.
【0024】図2は、本発明の一実施例のシステム構成
を示す。同図に示すシステムは、探索木生成部1と実行
タスク選択部2より構成される。FIG. 2 shows the system configuration of an embodiment of the present invention. The system shown in the figure comprises a search tree generator 1 and an execution task selector 2.
【0025】探索木生成部1は、与えられた論理式に対
して、その論理積/和結合の構造を解析して探索木を生
成する。The search tree generator 1 analyzes the structure of the logical product / sum connection of a given logical expression to generate a search tree.
【0026】実行タスク選択部2は、ユーザとインタラ
クションしながら、探索木を用いて次に実行すべきタス
クを選択する。The execution task selection unit 2 selects a task to be executed next by using a search tree while interacting with the user.
【0027】探索木生成部1で生成された探索木の各ノ
ードには、3つのパラメータが格納される。即ち、パラ
メータとして、ノードが評価された回数m、評価の結果
盛況となった回数s、及び評価に必要な期待コストcで
ある。期待コストは、そのノードの子ノードが論理和結
合しているか、論理積結合しているかにより前述の式
(1)または(2)に基づいて計算する。Three parameters are stored in each node of the search tree generated by the search tree generator 1. That is, the number of times the node has been evaluated, m, the number of times the evaluation has been successful, s, and the expected cost c required for evaluation are parameters. The expected cost is calculated based on the above formula (1) or (2) depending on whether the child nodes of the node are logically connected or logically connected.
【0028】図3は、本発明の一実施例の子ノードが論
理和結合のノードのフローチャートである。FIG. 3 is a flow chart of a node in which child nodes are logically ORed according to an embodiment of the present invention.
【0029】まず、評価回数mに1をインクリメントし
(ステップ10)、タスク成功確率と探索コストの比が
最大となる子ノードを選択してその子ノードを評価する
(ステップ11)。もし、子ノードの評価結果が『成
功』であるならば(ステップ12,Yes )、成功回数s
に1を加算し、期待コストcを更新し、親ノードに成功
を返す(ステップ13)。もし、評価されていない子ノ
ードが存在しなければ(ステップ14,No) 、親ノード
に『失敗』を返す(ステップ15)。First, the number of evaluations m is incremented by 1 (step 10), a child node having the maximum ratio of task success probability and search cost is selected, and the child node is evaluated (step 11). If the evaluation result of the child node is "success" (step 12, Yes), the success count s
Is incremented by 1, the expected cost c is updated, and success is returned to the parent node (step 13). If there is no unevaluated child node (step 14, No), "failure" is returned to the parent node (step 15).
【0030】図4は、本発明の一実施例の子ノードが論
理積結合しているノードの動作を示すフローチャートで
ある。FIG. 4 is a flow chart showing the operation of a node in which child nodes are logically product-joined according to an embodiment of the present invention.
【0031】同図に示すフローチャートは、評価回数m
をインクリメントし(ステップ20)、タスク成功確率
と探索コストの比が最小となる子ノードを選択してその
子ノードを評価する(ステップ21)。もし、その子ノ
ードの評価結果が失敗であるならば(ステップ22、N
o)、期待コストcを更新し、親ノードに『失敗』を返
す(ステップ23)。また、評価されていない子ノード
が存在しなければ(ステップ24,Yes)、成功回数sに
1を加算し、親ノードに『成功』を返す(ステップ2
5)。The flow chart shown in the figure shows the number of evaluations m.
Is incremented (step 20), a child node having the smallest ratio of task success probability and search cost is selected, and the child node is evaluated (step 21). If the evaluation result of the child node is failure (step 22, N
o), The expected cost c is updated, and "failure" is returned to the parent node (step 23). If there is no child node that has not been evaluated (step 24, Yes), 1 is added to the success count s and "success" is returned to the parent node (step 2).
5).
【0032】図5は、本発明の一実施例のリーフノード
の動作を示すフローチャートである。同図に示すフロー
チャートの動作は、まず、評価回数mに1を加算し(ス
テップ30)、対応するタスクをユーザに実行させる
(ステップ31)。もし、そのタスクの実行結果が成功
であるならば(ステップ32)、成功回数sをインクリ
メントし、親ノードに『成功』を返す(ステップ3
3)。そうでなければ、親ノードに失敗を返す(ステッ
プ34)。FIG. 5 is a flow chart showing the operation of the leaf node according to the embodiment of the present invention. In the operation of the flowchart shown in the figure, first, 1 is added to the evaluation number m (step 30), and the user is caused to execute the corresponding task (step 31). If the execution result of the task is successful (step 32), the success count s is incremented and "success" is returned to the parent node (step 3).
3). Otherwise, it returns failure to the parent node (step 34).
【0033】以下に本実施例で用いる論理式fの例を示
す。An example of the logical expression f used in this embodiment is shown below.
【0034】 f=((x1 ∨x2 ∨x3 )∧(x4 ∨x5 ∨x6 ∨x7 )) ∨((x8 ∨x9 ∨x19∨x11)∧(x12∨x13∨x14)) 論理式fの値を求める問題は、探索木生成部1により、
以下の7個のタスク列最適化問題に分解され、探索木が
生成される。F = ((x 1 ∨x 2 ∨x 3 ) ∧ (x 4 ∨x 5 ∨x 6 ∨x 7 )) ∨ ((x 8 ∨x 9 ∨x 19 ∨x 11 ) ∧ (x 12 ∨ x 13 ∨ x 14 )) The problem of finding the value of the logical expression f is that the search tree generator 1
A search tree is generated by decomposing into the following seven task sequence optimization problems.
【0035】 x1 ∨x2 ∨x3 x4 ∨x5 ∨x6 ∨x7 ∧ x8 ∨x9 ∨x19∨x11 x12∨x13∨x14 ∧ ∨ まず、トップレベルで論理和結合した式の評価、次の
レベルで論理積結合した2つの式、の評価、及び原
子式が論理和結合した4つの式,,,の評価で
ある。そして、これらの各々が探索木の各ノードに対応
する。X 1 ∨x 2 ∨x 3 x 4 ∨x 5 ∨x 6 ∨x 7 ∧ x 8 ∨x 9 ∨x 19 ∨x 11 x 12 ∨x 13 ∨x 14 ∧ ∨ First, logic at the top level These are the evaluation of the sum-combined expression, the evaluation of the two expressions that are logically combined at the next level, and the evaluation of the four expressions that are logically-combined of atomic expressions. Each of these corresponds to each node of the search tree.
【0036】以下の表1は、各原子式の成功確率と実行
コストを示す。Table 1 below shows the success probability and execution cost of each atomic formula.
【0037】[0037]
【表1】 [Table 1]
【0038】以下に、実行タスク決定処理の詳細を示
す。なお、本実施例は50の事例からタスク成功確率を
推定した後の処理である。The details of the execution task determination process will be described below. The present embodiment is the processing after estimating the task success probability from 50 cases.
【0039】次に、本実施例において用いる平均期待コ
スト最小法について説明する。タスク成功確率をpi と
すれば、mi 回事例が現れた後、このタスクがsi 回成
功する確率は二項分布に従うので、Next, the minimum average expected cost method used in this embodiment will be described. If the task success probability is p i , the probability that this task will succeed s i times after the occurrence of m i times of cases follows a binomial distribution.
【0040】[0040]
【数5】 となる。一方、タスクがsi 回成功したという条件の下
で、タスク成功確率がp i となる確率密度関数は、ベイ
ズの定理より、[Equation 5]Becomes On the other hand, if the task is siUnder the condition of successful times
And the task success probability is p iThe probability density function is
From Z's theorem,
【0041】[0041]
【数6】 となる。なお、f( )は、連続分布の密度関数を表
す。[Equation 6] Becomes Note that f () represents a continuous distribution density function.
【0042】タスク成功確率に関する事前知識がなけれ
ば、全ての可能性を同様に扱うことが妥当である。即
ち、f(pi )=1のときであり、また、si は0から
mi までのmi +1通りの値をとるので、P(si )=
1/(mi +1)とする。Without prior knowledge of task success probability, it is reasonable to treat all possibilities in the same way. That is, when f (p i ) = 1 and s i takes m i + 1 values from 0 to m i , P (s i ) =
1 / (m i +1).
【0043】このとき、密度関数f(pi |si )は、At this time, the density function f (p i | s i ) is
【0044】[0044]
【数7】 となる。ここで、f(pi |si )は非負であり、0か
ら1までの積分値は1となり、pi =si /mi のとき
に関数値が最大となることは容易に検証できる。[Equation 7] Becomes Here, f (p i | s i ) is non-negative, the integral value from 0 to 1 is 1, and it can be easily verified that the function value becomes maximum when p i = s i / m i. .
【0045】論理和結合しているタスク列σ(i)にお
いて、タスクi,j(=i+1)に関して、(i,j)
という順序ならば、最小コストの差を表す確率変数X
(i,j)は、In the task sequence σ (i) that is logically combined, for tasks i, j (= i + 1), (i, j)
, The random variable X that represents the difference in the minimum cost
(i, j) is
【0046】[0046]
【数8】 となる。同様に(j,i)という順序ならば、最小コス
トとの差をあわらす確率変数X(j,i) は、[Equation 8] Becomes Similarly, if the order is (j, i), the random variable X (j, i) that shows the difference from the minimum cost is
【0047】[0047]
【数9】 となる。ここで、X(i,j) 、X(j,i) の2つの確率変数
に関しては、それぞれの値が0でない空間は、全領域の
分割であり、その符号が反転しているだけであるので、
2つの確率変数X(i,j) 、X(j,i) の密度関数f(p1
|s1 )×…×f(pn |sn )に対する平均値の差を
求めれば、[Equation 9] Becomes Here, regarding the two random variables X (i, j) and X (j, i) , the space where the respective values are not 0 is the division of the entire region, and the sign thereof is only inverted. So
The density function f (p 1 of two random variables X (i, j) , X (j, i)
| S 1 ) × ... × f (p n | s n )
【0048】[0048]
【数10】 [Equation 10]
【0049】となる。但し、s0 =−1とする。従っ
て、タスク列において(i,j)という順序を選択する
評価尺度は、It becomes However, s 0 = −1. Therefore, the evaluation measure that selects the order (i, j) in the task sequence is
【0050】[0050]
【数11】 となる。従って、タスクが論理和(積)結合しているな
らば、((si +1)/(mi +2)/ci の大きい
(小さい)順に並べれば、平均期待コストが最小にな
る。[Equation 11] Becomes Therefore, if the tasks are logically (product) connected, the average expected cost is minimized if they are arranged in the order of ((s i +1) / (m i +2) / c i , which is larger (smaller).
【0051】以下では、この評価尺度に基づいてタスク
実行手順を生成する方法を平均期待コスト最小法と呼
ぶ。Hereinafter, the method of generating the task execution procedure based on this evaluation measure is called the minimum average expected cost method.
【0052】これにより、得られた各パラメータは、m
はノードが評価された回数、sは、評価の結果成功とな
った回数、cは必要な期待コストである。期待コストc
は、そのノードの子ノードが論理和結合している場合に
は、(1)式に基づいて計算し、論理積結合している場
合には(2)式に基づいて計算する。Thus, the obtained parameters are m
Is the number of times the node was evaluated, s is the number of times the evaluation was successful, and c is the required expected cost. Expected cost c
Is calculated based on formula (1) when the child nodes of the node are logically connected, and based on formula (2) when logically connected.
【0053】以下に、実行タスク決定処理の詳細を示
す。なお、本実施例は、50の事例からタスク成功率を
推定した後の処理を示す。The details of the execution task determination process will be described below. The present embodiment shows the processing after estimating the task success rate from 50 cases.
【0054】図6は、本発明の一実施例のタスク成功確
率を推定した場合の例を示す。同図において、丸の中の
数字は、評価される順序を示す。同図において、各ノー
ドに対応する論理式、平均期待コスト最小法の評価尺度
((si +1))/(mi +2))/ci 及び、実施例
において、ノードが評価される順序を示す。FIG. 6 shows an example of estimating the task success probability according to the embodiment of the present invention. In the figure, the numbers in the circles indicate the order of evaluation. In the figure, the logical expression corresponding to each node, the evaluation scale ((s i +1)) / (m i +2)) / c i of the minimum average expected cost method, and the order in which the nodes are evaluated in the embodiment are Show.
【0055】事例が与えられれば、まず、ルートノード
の評価を行う。具体例では、このノード100の下は論
理和結合(OR)であるので、評価尺度の大きいノード
110を次に評価する(ステップ11)。即ち、ノード
(x1 ∨x2 ∨x3 )∧(x 4 ∨x5 ∨x6 ∨x7 )で
ある。Given a case, first, the root node
Evaluate. In the concrete example, below this node 100
A node with a large evaluation scale because it is a Riwa combination (OR)
110 is then evaluated (step 11). That is, the node
(X1∨x2∨x3) ∧ (x Four∨xFive∨x6∨x7)so
is there.
【0056】次いで、評価するノード110の下は論理
積結合であるので、評価尺度の小さいノード130を次
に評価する(ステップ21)。即ち、ノードx4 ∨x5
∨x 6 ∨x7 である。Next, below the node 110 to be evaluated is the logical
Since it is a product join, the node 130 with a small evaluation scale is
(Step 21). That is, node xFour∨xFive
∨x 6∨x7Is.
【0057】次には、評価尺度が最大となる原子式x5
140が評価される(ステップ31)。本実施例では、
このタスクは成功したことになる(ステップ32、3
3)。従って、ノード(x4 ∨x5 ∨x6 ∨x7 )13
0が成功したことになり、(ステップ12、13)、次
で、ノード(x1 ∨x2 ∨x3 )150が評価される
(ステップ21)。Next, the atomic formula x 5 with the maximum evaluation scale is obtained.
140 is evaluated (step 31). In this embodiment,
This task has been successful (steps 32, 3).
3). Therefore, the node (x 4 ∨x 5 ∨x 6 ∨x 7 ) 13
0 has succeeded (steps 12, 13), and then the node (x 1 ∨x 2 ∨x 3 ) 150 is evaluated (step 21).
【0058】処理を続行すれば、原子式(x2 )160
が成功するので、結局、ノード(x 1 ∨x2 ∨x3 )∧
(x4 ∨x5 ∨x6 ∨x7 )110が成功する(ステッ
プ24、25)。従って、この事例は論理式を満足する
ことが分かる。If the processing is continued, the atomic formula (x2) 160
Will succeed, so in the end, node (x 1∨x2∨x3) ∧
(XFour∨xFive∨x6∨x7) 110 succeeds (step
24, 25). Therefore, this case satisfies the formula
I understand.
【0059】図7は、本発明と従来のタスク実行の比較
を示すものである。同図において、縦軸は、期待コスト
を示し、横軸は、事例数を示し、aは最尤推定法により
実行した場合を示し、bは平均期待コスト最小法により
実行した場合、cは、ランダムなタスク実行手順により
実行した場合を示す。FIG. 7 shows a comparison between task execution of the present invention and conventional task execution. In the figure, the vertical axis represents the expected cost, the horizontal axis represents the number of cases, a represents the case of execution by the maximum likelihood estimation method, b represents the case of execution by the average expected cost minimum method, and c represents The case where the task is executed by a random task execution procedure is shown.
【0060】同図により、平均期待コスト最小法を用い
れば、ランダムな手順や最尤推定法と比較して、任意の
事例数の段階において、最も期待コストが小さくなるこ
とが分かる。また、事例が増えても最尤推定法との差は
明らかであり、問題の規模が大きく複雑になれば、平均
期待コスト最小法を用いることのメリットはさらに大き
くなると期待される。From the figure, it can be seen that when the average minimum expected cost method is used, the expected cost becomes the smallest at the stage of an arbitrary number of cases as compared with the random procedure or the maximum likelihood estimation method. Moreover, even if the number of cases increases, the difference from the maximum likelihood estimation method is clear, and it is expected that the advantage of using the minimum average expected cost method will become even larger if the scale of the problem becomes large and complicated.
【0061】[0061]
【発明の効果】上述のように本発明のタスク実行手順最
適化方法によれば、タスク成功確率が未知であるとき、
平均期待コスト最小法を用いて、事例からタスク成功確
率を推定することにより、従来法と比較して期待コスト
がより小さくなるようにタスク実行手順を決定すること
が可能となる。As described above, according to the task execution procedure optimization method of the present invention, when the task success probability is unknown,
By estimating the task success probability from the case using the minimum average expected cost method, it becomes possible to determine the task execution procedure so that the expected cost becomes smaller than that in the conventional method.
【図1】本発明の原理構成図である。FIG. 1 is a principle configuration diagram of the present invention.
【図2】本発明の一実施例のシステム構成図である。FIG. 2 is a system configuration diagram of an embodiment of the present invention.
【図3】本発明の一実施例の子ノードが論理和結合ノー
ドのフローチャートである。FIG. 3 is a flowchart of a logical sum join node as a child node according to an embodiment of the present invention.
【図4】本発明の一実施例の子ノードが論理積結合ノー
ドの動作のフローチャートである。FIG. 4 is a flowchart of the operation of a logical product join node as a child node according to an embodiment of the present invention.
【図5】本発明の一実施例のリーフノードの動作を示す
フローチャートである。FIG. 5 is a flowchart showing an operation of a leaf node according to an embodiment of the present invention.
【図6】本発明の一実施例のタスク成功確率を推定した
場合の例を示す図である。FIG. 6 is a diagram showing an example of estimating a task success probability according to an embodiment of the present invention.
【図7】本発明の従来のタスク実行の比較を示す図であ
る。FIG. 7 is a diagram showing a comparison of conventional task executions of the present invention.
1 探索木生成手段、探索木生成部 2 実行タスク選択手段、実行タスク選択部 3 探索木 100,110,120,130,140,150,1
60 ノード1 Search Tree Generation Means, Search Tree Generation Unit 2 Execution Task Selection Means, Execution Task Selection Unit 3 Search Trees 100, 110, 120, 130, 140, 150, 1
60 nodes
Claims (2)
判定する問題において、 論理式から生成される探索木を生成する探索木生成手段
と、 平均期待コスト最小法を用いてタスク成功率を推定し、
次に実行すべきタスクを該探索木生成手段で生成された
探索木より選択するタスク選択手段とを含むことを特徴
とするタスク実行手順最適化システム。1. In the problem of determining whether a case satisfies a given logical expression, a task success rate is obtained by using a search tree generating means for generating a search tree generated from the logical expression and an average minimum expected cost method. And then
A task execution procedure optimizing system comprising: task selecting means for selecting a task to be executed next from the search tree generated by the search tree generating means.
手段により生成された探索木のルートノード上の現在実
行している次のノードを選択する場合に、該次のノード
の論理結合の形態に基づいて次に実行するノードを選択
する請求項1記載のタスク実行手順最適化システム。2. The task selecting means, when selecting the currently executing next node on the root node of the search tree generated by the search tree generating means, a form of logical connection of the next node. The task execution procedure optimization system according to claim 1, wherein a node to be executed next is selected based on the.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP5318644A JPH07175657A (en) | 1993-12-17 | 1993-12-17 | Task executing procedure optimizing system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP5318644A JPH07175657A (en) | 1993-12-17 | 1993-12-17 | Task executing procedure optimizing system |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH07175657A true JPH07175657A (en) | 1995-07-14 |
Family
ID=18101442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP5318644A Pending JPH07175657A (en) | 1993-12-17 | 1993-12-17 | Task executing procedure optimizing system |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH07175657A (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008140097A (en) * | 2006-12-01 | 2008-06-19 | Hitachi Ltd | Project evaluation device, project evaluation method, and storage medium |
-
1993
- 1993-12-17 JP JP5318644A patent/JPH07175657A/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008140097A (en) * | 2006-12-01 | 2008-06-19 | Hitachi Ltd | Project evaluation device, project evaluation method, and storage medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6182058B1 (en) | Bayes rule based and decision tree hybrid classifier | |
Zheng et al. | Lazy learning of Bayesian rules | |
Madsen et al. | The Hugin tool for learning Bayesian networks | |
US7469235B2 (en) | System, method and program to estimate cost of a product and/or service | |
US6449603B1 (en) | System and method for combining multiple learning agents to produce a prediction method | |
Daoud et al. | A hybrid heuristic–genetic algorithm for task scheduling in heterogeneous processor networks | |
US20050246307A1 (en) | Computerized modeling method and a computer program product employing a hybrid Bayesian decision tree for classification | |
Pfahringer et al. | Optimizing the induction of alternating decision trees | |
CN114626071B (en) | Vulnerability-oriented fuzzy test method, system and medium | |
CN109542783B (en) | Extended finite-state machine test data generation method based on variable segmentation | |
Grimes et al. | Solving variants of the job shop scheduling problem through conflict-directed search | |
JP7355123B2 (en) | Program generation device, program generation method, and program | |
CN109542949B (en) | Formal vector-based decision information system knowledge acquisition method | |
Zouita et al. | Improving genetic algorithm using arc consistency technic | |
Gerevini et al. | Incremental algorithms for managing temporal constraints | |
JPH07175657A (en) | Task executing procedure optimizing system | |
Denzinger et al. | Analysis and representation of equational proofs generated by a distributed completion based proof system | |
JP2007213441A (en) | Multivariable decision tree construction system, multivariable decision tree construction method and program for constructing multivariable decision tree | |
Kocacoban et al. | Online causal structure learning in the presence of latent variables | |
de Almeida et al. | Multiple objective particle swarm for classification-rule discovery | |
WO2023132048A1 (en) | Generation method, generation program, and information processing device | |
Bibi et al. | Software cost prediction with predefined interval estimates | |
Singh et al. | Handling Data and Model Drift for World Application using Big Data | |
Dawson | Improving performance in size-constrained extended classifier systems | |
JP4530235B2 (en) | Knowledge discovery method |