La planification consiste en la génération automatique d'actions permettant de faire évoluer un environnement selon un objectif donné. Nous avons plus particulièrement abordé deux problématiques : la prise en compte de l'incertitude et la gestion de la complexité.
Nous avons proposé un modèle d'actions prenant en compte de manière explicite l'incertitude sur la connaissance de l'environnement et des actions, et, sur cette base, un modèle de plans réactifs permettant de faire face à des événements imprévus en cours d'exécution du plan. Nous avons étudié la génération de ces plans en temps contraint, via des algorithmes anytime. Celle-ci s'appuie sur les principes de la théorie de la décision. PASCALE, la maquette d'un planificateur générique basé sur ces recherches, a été implémentée [6].
Outre les algorithmes anytime, les algorithmes d'approximation en temps polynomial constituent un moyen de gérer la complexité de certaines classes de problèmes. Avec John Slaney (ANU, Australie), nous nous sommes intéressés aux algorithmes d'approximation pour le problème (np-complet) de la génération d'un plan de longueur minimale dans le monde des cubes [49]. Nous avons donné une implémentation optimale (en temps linéaire en le nombre de cubes) de certaines stratégies bien connues menant à un plan de longeur au pire deux fois celle de l'optimal (notamment celles proposées par Gupta et Nau). Nous avons montré que le problème de la génération de plans dits parfaitement justifiés pouvait être résolu en temps quadratique. Nous avons proposé une méthode de génération d'instances aléatoires, et mené une étude empirique des performances moyennes de ces algorithmes d'approximation ainsi que de l'algorithme optimal. Celle-ci cherche à déterminer s'ils ont des performances moyennes identiques à la limite. Une étude théorique est en cours pour compléter ces résultats expérimentaux. A long terme, le but est d'identifier une classe de problèmes de planification pouvant être approchés par une constante en temps polynomial.