Energy consumption analysis of HTN planners and their operational phases

Abstract

As artificial intelligence (AI) systems become increasingly integrated into modern applications, their environmental impact, particularly energy consumption, has raised concerns. While much research has focused on optimizing machine learning models for energy efficiency, less attention has been given to other Al areas, such as automated planning. This thesis focuses on analyzing the energy consumption of Hierarchical Task Network (HTN) planners, a prominent planning technique widely applied in real-world applications such as smart buildings, autonomous driving, and cloud computing. A systematic methodology was adopted, including the identification of distinct operational phases such as parsing, grounding, task decomposition, solving, and plan verification for each HTN planner. To measure energy usage accurately, tools like Intel RAPL and custom profiling scripts were used, enabling the analysis of energy consumption across a diverse set of benchmark domains. The planners evaluated include PANDApro, PandaDealer, TOAD, Aries, and HyperTensioN. Results reveal that the solving phase consistently consumes the most energy, followed by the grounding phase. Additionally, significant variations in energy consumption were observed between different planners and domains. This research provides valuable insights into optimizing energy efficiency in Al planning, highlighting the most energy-consuming phases where improvements can be made. These findings contribute to the broader effort of making Al technologies more sustainable, ensuring that advancements in Al align with environmental responsibility. Da künstliche Intelligenz (KI) zunehmend in moderne Anwendungen integriert wird, gibt es verstärkte Bedenken hinsichtlich ihrer Umweltbelastung, insbesondere des Energieverbrauchs. Während sich zahlreiche Forschungen auf die Optimierung von maschinellen Lernmodellen für Energieeffizienz konzentriert haben, wurde anderen Bereichen der KI, wie der automatisierten Planung, bisher weniger Aufmerksamkeit geschenkt. Diese Arbeit befasst sich mit der Analyse des Energieverbrauchs von Hierarchical Task Network (HTN) Planern, einer bekannten Planungsmethode, die in realen Anwendungen wie intelligenten Gebäuden, autonomem Fahren und Cloud-Computing weit verbreitet ist. Es wurde eine systematische Methodik angewandt, die die Identifizierung unterschiedlicher Betriebsphasen wie Parsing, Grounding, Aufgabenzerlegung, Lösungssuche und Planvalidierung für jeden HTN-Planer umfasst. Um den Energieverbrauch präzise zu messen, kamen Werkzeuge wie Intel RAPL und benutzerdefinierte Profilerstellungsskripte zum Einsatz, die die Analyse des Energieverbrauchs in einer Vielzahl von Benchmark-Domänen ermöglichten. Zu den bewerteten Planern gehören PANDApro, PandaDealer, TOAD, Aries und HyperTensioN. Die Ergebnisse zeigen, dass die Lösungsphase durchgängig den höchsten Energieverbrauch aufweist, gefolgt von der Grounding-Phase. Außerdem wurden erhebliche Unterschiede im Energieverbrauch zwischen verschiedenen Planern und Domänen festgestellt. Diese Forschung liefert wertvolle Erkenntnisse zur Optimierung der Energieeffizienz in der KI-Planung, indem sie die energieintensivsten Phasen hervorhebt, in denen Verbesserungen möglich sind. Die Ergebnisse tragen zur breiteren Bemühung bei, KI-Technologien nachhaltiger zu gestalten und sicherzustellen, dass Fortschritte in der KI mit der Umweltverantwortung im Einklang stehen.