การวางแผนและกำหนดตารางเวลาอัตโนมัติบางครั้งเรียกว่าการวางแผน AI [ ^{1 ] เป็น}สาขาหนึ่งของปัญญาประดิษฐ์ที่เกี่ยวข้องกับการนำกลยุทธ์หรือลำดับการกระทำไปใช้ โดยทั่วไปเพื่อดำเนินการโดยตัวแทนอัจฉริยะ หุ่นยนต์อัตโนมัติและยานพาหนะไร้คนขับแตกต่างจาก ปัญหา การควบคุมและการจำแนก ประเภทแบบคลาสสิก วิธีแก้ปัญหามีความซับซ้อนและต้องค้นพบและปรับให้เหมาะสมในพื้นที่หลายมิติ การวางแผนยังเกี่ยวข้องกับทฤษฎีการตัดสินใจด้วย

ในสภาพแวดล้อมที่ทราบและมีแบบจำลองอยู่แล้ว การวางแผนสามารถทำได้แบบออฟไลน์ สามารถค้นหาและประเมินวิธีการแก้ปัญหาได้ก่อนดำเนินการ ในสภาพแวดล้อมที่ไม่ทราบแน่ชัดและเปลี่ยนแปลง ตลอดเวลา กลยุทธ์มักจะต้องได้รับการปรับปรุงแบบออนไลน์ แบบจำลองและนโยบายต้องได้รับการปรับเปลี่ยน วิธีการแก้ปัญหามักจะใช้ วิธีการ ลองผิดลอง ถูกแบบวนซ้ำ ซึ่งพบเห็นได้ทั่วไปในปัญญาประดิษฐ์เช่น การเขียนโปรแกรม แบบไดนามิกการเรียนรู้แบบเสริมแรงและการเพิ่มประสิทธิภาพเชิงผสมผสานภาษาที่ใช้ในการอธิบายการวางแผนและการจัดตารางเวลา มักเรียกว่าภาษาการกระทำ

เมื่อกำหนดคำอธิบายเกี่ยวกับสถานะเริ่มต้นที่เป็นไปได้ของโลก คำอธิบายของเป้าหมายที่ต้องการ และคำอธิบายเกี่ยวกับชุดของการกระทำที่เป็นไปได้ ปัญหาการวางแผนคือการสังเคราะห์แผนที่รับประกันได้ (เมื่อนำไปใช้กับสถานะเริ่มต้นใดๆ ก็ตาม) ว่าจะสร้างสถานะที่มีเป้าหมายที่ต้องการ (สถานะดังกล่าวเรียกว่าสถานะเป้าหมาย)

ความยากง่ายของการวางแผนขึ้นอยู่กับสมมติฐานที่ใช้ในการลดทอนความซับซ้อน สามารถจำแนกปัญหาการวางแผนได้หลายประเภท โดยขึ้นอยู่กับคุณสมบัติของปัญหาในมิติต่างๆ

• การกระทำเหล่านั้นเป็นแบบกำหนดได้หรือแบบไม่กำหนดได้? สำหรับการกระทำแบบไม่กำหนดได้ มีความน่าจะเป็นที่เกี่ยวข้องหรือไม่?
• ตัวแปรสถานะเป็นแบบไม่ต่อเนื่องหรือแบบต่อเนื่อง? ถ้าเป็นแบบไม่ต่อเนื่อง มีค่าที่เป็นไปได้เพียงจำนวนจำกัดหรือไม่?
• สามารถสังเกตสถานะปัจจุบันได้อย่างชัดเจนหรือไม่? อาจมีการสังเกตได้อย่างสมบูรณ์และสังเกตได้บางส่วน
• มีสถานะเริ่มต้นกี่สถานะ มีจำนวนจำกัดหรือไม่จำกัดจำนวน?
• การกระทำมีระยะเวลาหรือไม่?
• สามารถดำเนินการหลายอย่างพร้อมกันได้หรือไม่ หรือสามารถดำเนินการได้ครั้งละหนึ่งอย่างเท่านั้น?
• จุดประสงค์ของแผนคือการบรรลุเป้าหมายที่กำหนดไว้ หรือเพื่อเพิ่มผลตอบแทน ให้สูงสุด ?
• มีตัวแทนเพียงคนเดียวหรือมีตัวแทนหลายคน? ตัวแทนเหล่านั้นร่วมมือกันหรือเห็นแก่ตัว? ตัวแทนแต่ละคนวางแผนของตนเองแยกกัน หรือวางแผนจากส่วนกลางสำหรับตัวแทนทั้งหมด?

ปัญหาการวางแผนที่ง่ายที่สุดเท่าที่จะเป็นไปได้ ซึ่งรู้จักกันในชื่อปัญหาการวางแผนแบบคลาสสิก กำหนดโดย:

• สถานะเริ่มต้นที่ทราบและมีเอกลักษณ์เฉพาะตัว
• การกระทำที่ไม่มีระยะเวลา
• การกระทำที่แน่นอน
• ซึ่งสามารถรับประทานได้ครั้งละหนึ่งเม็ดเท่านั้น
• และตัวแทนเพียงรายเดียว

เนื่องจากทราบสถานะเริ่มต้นอย่างชัดเจน และการกระทำทั้งหมดเป็นไปตามกำหนด สถานะของโลกหลังจากลำดับการกระทำใดๆ จึงสามารถคาดการณ์ได้อย่างแม่นยำ และประเด็นเรื่องการสังเกตได้จึงไม่เกี่ยวข้องกับการวางแผนแบบดั้งเดิม

นอกจากนี้ แผนงานยังสามารถนิยามได้ว่าเป็นลำดับของการกระทำ เนื่องจากเรารู้ล่วงหน้าเสมอว่าจะต้องดำเนินการใดบ้าง

ในกรณีที่การกระทำไม่แน่นอนหรือมีเหตุการณ์อื่น ๆ ที่อยู่นอกเหนือการควบคุมของเอเจนต์ การดำเนินการที่เป็นไปได้จะก่อตัวเป็นโครงสร้างแบบต้นไม้ และแผนการจะต้องกำหนดการกระทำที่เหมาะสมสำหรับแต่ละโหนดของต้นไม้นั้น

กระบวนการตัดสินใจแบบมาร์คอฟแบบเวลาไม่ต่อเนื่อง(MDP) คือปัญหาการวางแผนที่มีลักษณะดังนี้:

• การกระทำที่ไม่มีระยะเวลา
• การกระทำที่ไม่แน่นอนโดยมีโอกาสเกิดขึ้น
• การตรวจสอบอย่างเต็มรูปแบบ
• การเพิ่มค่าสูงสุดของฟังก์ชันรางวัล
• และตัวแทนเพียงรายเดียว

เมื่อการสังเกตการณ์อย่างสมบูรณ์ถูกแทนที่ด้วยการสังเกตการณ์บางส่วน การวางแผนจะสอดคล้องกับกระบวนการตัดสินใจแบบมาร์คอฟที่สังเกตการณ์ได้บางส่วน (POMDP)

หากมีตัวแทนมากกว่าหนึ่งตัว เราจะเรียกว่าการวางแผนแบบหลายตัวแทนซึ่งมีความเกี่ยวข้องอย่างใกล้ชิดกับทฤษฎีเกม

ในการวางแผนด้วย AI นั้น โดยทั่วไปแล้วตัววางแผนจะป้อนแบบจำลองโดเมน (คำอธิบายชุดของการกระทำที่เป็นไปได้ซึ่งจำลองโดเมน) รวมถึงปัญหาเฉพาะที่จะต้องแก้ไขซึ่งระบุโดยสถานะเริ่มต้นและเป้าหมาย ซึ่งแตกต่างจากตัววางแผนที่ไม่ได้ระบุโดเมนอินพุต ตัววางแผนดังกล่าวเรียกว่า "อิสระจากโดเมน" เพื่อเน้นย้ำว่าสามารถแก้ปัญหาการวางแผนจากหลากหลายโดเมนได้ ตัวอย่างทั่วไปของโดเมน ได้แก่ การเรียงบล็อก โลจิสติกส์ การจัดการเวิร์กโฟลว์ และการวางแผนงานของหุ่นยนต์ ดังนั้น ตัววางแผนอิสระจากโดเมนเพียงตัวเดียวจึงสามารถใช้แก้ปัญหาการวางแผนในโดเมนต่างๆ เหล่านี้ได้ทั้งหมด ในทางกลับกัน ตัววางแผนเส้นทางเป็นตัวอย่างของตัววางแผนเฉพาะโดเมน

ภาษาที่ใช้กันทั่วไปในการแสดงโดเมนการวางแผนและปัญหาการวางแผนเฉพาะ เช่นSTRIPSและPDDLสำหรับการวางแผนแบบคลาสสิกนั้น อาศัยตัวแปรสถานะ แต่ละสถานะที่เป็นไปได้ของโลกคือการกำหนดค่าให้กับตัวแปรสถานะ และการกระทำจะกำหนดว่าค่าของตัวแปรสถานะจะเปลี่ยนแปลงอย่างไรเมื่อมีการกระทำนั้นเกิดขึ้น เนื่องจากชุดของตัวแปรสถานะก่อให้เกิดปริภูมิสถานะที่มีขนาดเพิ่มขึ้นแบบเลขชี้กำลังตามจำนวนชุด การวางแผนจึงประสบปัญหาคล้ายกับปัญหาการคำนวณอื่นๆ อีกมากมาย คือ ปัญหาความซับซ้อนของมิติและปัญหาการระเบิดเชิงการจัดเรียง

อีกทางเลือกหนึ่งในการอธิบายปัญหาการวางแผนคือการใช้เครือข่ายงานแบบลำดับชั้นซึ่งกำหนดชุดของงานมาให้ และแต่ละงานสามารถดำเนินการได้ด้วยการกระทำพื้นฐาน หรือแบ่งย่อยออกเป็นชุดของงานอื่นๆ วิธีการนี้ไม่จำเป็นต้องมีตัวแปรสถานะเสมอไป แม้ว่าในการใช้งานที่สมจริงมากขึ้น ตัวแปรสถานะจะช่วยให้การอธิบายเครือข่ายงานง่ายขึ้นก็ตาม

• การค้นหาสถานะในปริภูมิแบบส่งต่อ (forward chaining state space search ) ซึ่งอาจปรับปรุงได้ด้วยฮิวริสติกส์
• การค้นหา แบบย้อนกลับ (backward chaining search) ซึ่งอาจได้รับการปรับปรุงโดยการใช้ข้อจำกัดของสถานะ (ดูSTRIPS , graphplan )
• การวางแผนคำสั่งซื้อบางส่วน

การเรียนรู้แบบจำลองการกระทำ (บางครั้งย่อว่า การเรียนรู้การกระทำ) เป็นสาขาหนึ่งของแมชชีนเลิร์นนิงที่เกี่ยวข้องกับการสร้างและปรับเปลี่ยนความรู้ของซอฟต์แวร์เอเจนต์ เกี่ยวกับ ผลกระทบและเงื่อนไขเบื้องต้นของการกระทำที่สามารถดำเนินการได้ภายในสภาพแวดล้อม ของมัน ความรู้นี้มักจะแสดงอยู่ใน ภาษาอธิบายการกระทำเชิงตรรกะและใช้เป็นข้อมูลป้อนเข้าสำหรับ ตัว วางแผน อัตโนมัติ

การเรียนรู้แบบจำลองการกระทำมีความสำคัญเมื่อเป้าหมายเปลี่ยนแปลง เมื่อตัวแทนกระทำการเป็นระยะเวลาหนึ่งแล้ว ตัวแทนสามารถใช้ความรู้ที่สะสมเกี่ยวกับการกระทำในโดเมนเพื่อตัดสินใจได้ดีขึ้น ดังนั้น การเรียนรู้แบบจำลองการกระทำจึงแตกต่างจากการเรียนรู้แบบเสริมแรง การเรียนรู้แบบจำลองการกระทำ ช่วยให้สามารถให้เหตุผลเกี่ยวกับการกระทำแทนที่จะทดลองในโลกซึ่งมีค่าใช้จ่ายสูง^{[ 2 ]}การเรียนรู้แบบจำลองการกระทำเป็นรูปแบบหนึ่งของการให้เหตุผลแบบอุปนัย ซึ่งความรู้ใหม่จะถูกสร้างขึ้นโดยอิงจาก การสังเกตของ ตัวแทน

แรงจูงใจปกติสำหรับการเรียนรู้แบบจำลองการกระทำคือข้อเท็จจริงที่ว่าการกำหนดแบบจำลองการกระทำด้วยตนเองสำหรับนักวางแผนมักเป็นงานที่ยาก ใช้เวลานาน และมีโอกาสเกิดข้อผิดพลาดสูง (โดยเฉพาะในสภาพแวดล้อมที่ซับซ้อน) ^{[ 3 ] [ 4 ] [ 5 ]}

• ลดรูปเป็นปัญหาความพึงพอใจเชิงประพจน์ ( satplan )
• การลดรูปไปสู่การตรวจสอบแบบจำลอง - ทั้งสองอย่างเป็นปัญหาของการสำรวจพื้นที่สถานะโดยพื้นฐาน และปัญหาการวางแผนแบบคลาสสิกสอดคล้องกับกลุ่มย่อยของปัญหาการตรวจสอบแบบจำลอง

การวางแผนตามเวลาสามารถแก้ไขได้ด้วยวิธีการที่คล้ายกับการวางแผนแบบคลาสสิก ความแตกต่างหลักคือ เนื่องจากความเป็นไปได้ของการกระทำหลายอย่างที่ทับซ้อนกันตามเวลาและมีระยะเวลาที่เกิดขึ้นพร้อมกัน การกำหนดสถานะจึงต้องรวมข้อมูลเกี่ยวกับเวลาสัมบูรณ์ปัจจุบันและความคืบหน้าของการดำเนินการแต่ละการกระทำที่ใช้งานอยู่ นอกจากนี้ ในการวางแผนด้วยเวลาเชิงตรรกะหรือเวลาจริง พื้นที่สถานะอาจเป็นอนันต์ ซึ่งแตกต่างจากการวางแผนแบบคลาสสิกหรือการวางแผนด้วยเวลาจำนวนเต็ม การวางแผนตามเวลามีความเกี่ยวข้องอย่างใกล้ชิดกับ ปัญหา การจัดตาราง เวลา เมื่อมีความไม่แน่นอนเข้ามาเกี่ยวข้อง และยังสามารถเข้าใจได้ในแง่ของออโตมาตาแบบกำหนดเวลา เครือข่ายตามเวลาอย่างง่ายที่มีความไม่แน่นอน (STNU) เป็นปัญหาการจัดตารางเวลาที่เกี่ยวข้องกับการกระทำที่ควบคุมได้ เหตุการณ์ที่ไม่แน่นอน และข้อจำกัดตามเวลา การควบคุมแบบไดนามิกสำหรับปัญหาดังกล่าวเป็นประเภทของการจัดตารางเวลาที่ต้องใช้กลยุทธ์การวางแผนตามเวลาเพื่อเปิดใช้งานการกระทำที่ควบคุมได้แบบตอบสนองเมื่อสังเกตเห็นเหตุการณ์ที่ไม่แน่นอน เพื่อให้มั่นใจได้ว่าข้อจำกัดทั้งหมดจะได้รับการตอบสนอง^{[ 6 ]}

การวางแผนเชิงความน่าจะเป็นสามารถแก้ไขได้ด้วยวิธีการวนซ้ำ เช่นการวนซ้ำค่าและการวนซ้ำนโยบายเมื่อปริภูมิสถานะมีขนาดเล็กเพียงพอ ในกรณีที่มีการสังเกตได้บางส่วน การวางแผนเชิงความน่าจะเป็นก็สามารถแก้ไขได้ด้วยวิธีการวนซ้ำในทำนองเดียวกัน แต่ใช้การแสดงแทนของฟังก์ชันค่าที่กำหนดไว้สำหรับปริภูมิความเชื่อแทนที่จะเป็นสถานะ

ในปัญญาประดิษฐ์การวางแผนตามความต้องการของผู้ใช้เป็นรูปแบบหนึ่งของการวางแผนและจัดตารางเวลาอัตโนมัติ ซึ่งมุ่งเน้นการสร้างแผนที่ตอบสนองความต้องการ ที่ผู้ใช้ระบุไว้ให้ได้มากที่สุดเท่า ที่จะเป็นไปได้ ในหลายๆ ขอบเขตของปัญหา งานหนึ่งๆ สามารถทำได้โดยลำดับการกระทำต่างๆ (หรือที่เรียกว่าแผน) แผนเหล่านี้อาจมีคุณภาพแตกต่างกันไป กล่าวคือ อาจมีหลายวิธีในการแก้ปัญหา แต่โดยทั่วไปแล้ว วิธีที่นิยมคือวิธีที่ประหยัดต้นทุน รวดเร็ว และปลอดภัยกว่า

โปรแกรมวางแผนตามความชอบจะคำนึงถึงความชอบเหล่านี้เมื่อสร้างแผนสำหรับปัญหาที่กำหนด ตัวอย่างของซอฟต์แวร์วางแผนตามความชอบ ได้แก่PPLAN ^{[ 7 ]}และHTNPlan-P ^{[ 8 ]} (การวางแผน เครือข่ายงานลำดับชั้น (HTN) ตามความชอบ)

การวางแผนแบบกำหนดได้ถูกนำมาใช้กับ ระบบวางแผน STRIPSซึ่งเป็นตัววางแผนแบบลำดับชั้น ชื่อการกระทำจะถูกจัดเรียงตามลำดับ และนี่คือแผนสำหรับหุ่นยนต์ การวางแผนแบบลำดับชั้นสามารถเปรียบเทียบได้กับแผนผังพฤติกรรมที่สร้างขึ้นโดยอัตโนมัติ[ 9 ^{]ข้อเสีย}คือ แผนผังพฤติกรรมปกติไม่สามารถแสดงออกได้มากเท่ากับโปรแกรมคอมพิวเตอร์ นั่นหมายความว่า สัญกรณ์ของกราฟพฤติกรรมประกอบด้วยคำสั่งการกระทำ แต่ไม่มีลูปหรือคำสั่ง if-then การวางแผนแบบมีเงื่อนไขช่วยแก้ปัญหาคอขวดและนำเสนอสัญกรณ์ที่ละเอียดกว่า ซึ่งคล้ายกับการควบคุมการไหลที่รู้จักกันในภาษาโปรแกรมอื่นๆ เช่นPascalมันคล้ายกับการสังเคราะห์โปรแกรม มาก ซึ่งหมายความว่าตัววางแผนสร้างซอร์สโค้ดที่สามารถดำเนินการได้โดยตัวแปลภาษา^{[ 10 ]}

ตัวอย่างแรกๆ ของตัววางแผนแบบมีเงื่อนไขคือ “Warplan-C” ซึ่งเปิดตัวในช่วงกลางทศวรรษ 1970 ^{[ 11 ]}ความแตกต่างระหว่างลำดับปกติและแผนที่ซับซ้อนซึ่งมีคำสั่ง if-then คืออะไร? เกี่ยวข้องกับความไม่แน่นอนในระหว่างการทำงานของแผน แนวคิดคือแผนสามารถตอบสนองต่อสัญญาณเซ็นเซอร์ซึ่งตัววางแผนไม่ทราบ ตัววางแผนสร้างตัวเลือกสองตัวเลือกไว้ล่วงหน้า ตัวอย่างเช่น หากตรวจพบวัตถุ การกระทำ A จะถูกดำเนินการ หากวัตถุหายไป การกระทำ B จะถูกดำเนินการ^{[ 12 ]}ข้อได้เปรียบที่สำคัญของการวางแผนแบบมีเงื่อนไขคือความสามารถในการจัดการแผนบางส่วน^{[ 13 ]}ตัวแทนไม่จำเป็นต้องวางแผนทุกอย่างตั้งแต่ต้นจนจบ แต่สามารถแบ่งปัญหาออกเป็นส่วนๆซึ่งช่วยลดพื้นที่สถานะและแก้ปัญหาที่ซับซ้อนได้มากขึ้น

เราพูดถึง "การวางแผนแบบมีเงื่อนไข" เมื่อสภาพแวดล้อมสามารถสังเกตได้ผ่านเซ็นเซอร์ ซึ่งอาจมีข้อผิดพลาด ดังนั้นจึงเป็นสถานการณ์ที่ตัวแทนการวางแผนดำเนินการภายใต้ข้อมูลที่ไม่สมบูรณ์ สำหรับปัญหาการวางแผนแบบมีเงื่อนไข แผนจะไม่ใช่ลำดับของการกระทำอีกต่อไป แต่เป็นแผนผังการตัดสินใจเนื่องจากแต่ละขั้นตอนของแผนแสดงด้วยชุดของสถานะแทนที่จะเป็นสถานะเดียวที่สามารถสังเกตได้อย่างสมบูรณ์แบบ เช่นเดียวกับในกรณีของการวางแผนแบบคลาสสิก^{[ 14 ]}การกระทำที่เลือกขึ้นอยู่กับสถานะของระบบ ตัวอย่างเช่น หากฝนตก ตัวแทนจะเลือกที่จะพกร่ม และหากฝนไม่ตก พวกเขาอาจเลือกที่จะไม่พกร่ม

Michael L. Littman แสดงให้เห็นในปี 1998 ว่าด้วยการกระทำแบบแยกสาขา ปัญหาการวางแผนจะกลายเป็นEXPTIME -complete ^{[ 15 ] [ 16 ]}กรณีเฉพาะของการวางแผนแบบต่อเนื่องแสดงด้วยปัญหา FOND ซึ่งย่อมาจาก "fully-observable and non-deterministic" หากเป้าหมายถูกระบุใน LTLf (linear time logic on finite trace) ปัญหาจะเป็น EXPTIME-complete เสมอ^{[ 17 ]}และ 2EXPTIME-complete หากเป้าหมายถูกระบุด้วย LDLf

การวางแผนแบบสอดคล้องเกิดขึ้นเมื่อตัวแทนไม่แน่ใจเกี่ยวกับสถานะของระบบ และไม่สามารถทำการสังเกตใดๆ ได้ ตัวแทนจึงมีความเชื่อเกี่ยวกับโลกแห่งความเป็นจริง แต่ไม่สามารถตรวจสอบความเชื่อเหล่านั้นได้ด้วยการกระทำด้านการรับรู้ ตัวอย่างเช่น ปัญหาเหล่านี้ได้รับการแก้ไขด้วยเทคนิคที่คล้ายกับการวางแผนแบบคลาสสิก^{[ 18 ] [ 19 ]}แต่พื้นที่สถานะจะเป็นแบบเลขชี้กำลังตามขนาดของปัญหา เนื่องจากความไม่แน่นอนเกี่ยวกับสถานะปัจจุบัน วิธีแก้ปัญหาสำหรับการวางแผนแบบสอดคล้องคือลำดับของการกระทำ Haslum และ Jonsson ได้แสดงให้เห็นว่าปัญหาการวางแผนแบบสอดคล้องนั้นสมบูรณ์ในระดับEXPSPACE ^{[ 20 ]}และสมบูรณ์ในระดับ 2EXPTIME เมื่อสถานการณ์เริ่มต้นไม่แน่นอน และมีความไม่แน่นอนในผลลัพธ์ของการกระทำ^{[ 16 ]}

• กล้องโทรทัศน์อวกาศฮับเบิลใช้ระบบระยะสั้นที่เรียกว่าSPSSและระบบวางแผนระยะยาวที่เรียกว่าSpike

• ภาษาอธิบายการกระทำ  – ภาษาการเขียนโปรแกรมหุ่นยนต์
• แบบจำลอง Actor  – แบบจำลองของการคำนวณพร้อมกัน
• การประยุกต์ใช้ปัญญาประดิษฐ์
• ปัญหาการแก้ข้อจำกัด  – เซตของวัตถุที่มีสถานะต้องเป็นไปตามข้อจำกัด
• การประชุมวิชาการนานาชาติว่าด้วยการวางแผนและจัดตารางเวลาอัตโนมัติ  – การประชุมด้านปัญญาประดิษฐ์
• การวางแผนเชิงรับ
• การจัดตารางเวลา (ทางคอมพิวเตอร์)  – วิธีการกำหนดงานให้แต่ละคนทำ
• กลยุทธ์ (ทฤษฎีเกม)  – แผนการที่สมบูรณ์แบบว่าผู้เล่นเกมจะประพฤติตนอย่างไรในทุกสถานการณ์ที่เป็นไปได้ของเกม

รายการ

• รายชื่อภาษาการเขียนโปรแกรมแบบมีข้อจำกัด
• รายชื่อเทคโนโลยีเกิดใหม่
• รายชื่อซอฟต์แวร์หุ่นยนต์
• รายชื่อตัวแก้ปัญหา SMT
• ภาพรวมของปัญญาประดิษฐ์

• Vlahavas, I. "การวางแผนและการจัดตารางเวลา" . EETN . เก็บถาวรจากต้นฉบับเมื่อ 2013-12-22.

• การประชุมวิชาการนานาชาติว่าด้วยการวางแผนและกำหนดตารางเวลาอัตโนมัติ