Os sistemas de Planejamento baseados em Inteligência Artificial (IA) utilizam bastante conhecimento implícito e incompleto, o que torna o desenvolvimento de sistemas para resolução deste tipo de problema muito complexo. Para se obter um melhordesempenho computacional nestes sistemas, é necessário se adotar mecanismos auxiliares para estruturar o problema. Neste trabalho, fazemos a estruturação do problema de Planejamento baseado em IA e no formalismo das Redes de Petri (RdP). A RdPpromove a modelagem do problema como um sistema produtivo que é o seu comportamento dinâmico. A estruturação proposta e permite a construção de um método para o desenvolvimento com qualidade de sistema de IA "planning". A nossa proposta deestruturação está baseada na construção de um modelo conceitual (mc) do problema, baseado no formalismo das redes de Perti. O mc é constituído por dois modelos, que representam, separadamente, os tipos de conhecimento envolvidos no problemade"planning": (i) o "application mode", que representa o conhecimento do domínio da aplicação, e (ii) o "planning self-model", que representa o meta-conhecimento envolvido no processo de planning, ou seja, representa um plano para fazer planos.O mc é importante tanto para o processo de elaboração do plano inicial, assim como no caso ocorrer a necessidade de um replanejamento na falha, por exemplo, na execução de alguma tarefa do plano corrente. Inicialmente, vamosmostrar, usando o exemplo do mundo dos blocos, como uma análise da estrutura da rede de Petri, que representa o domínio do problema pode promover o meta-conhecimento necessário para dirigir o processo de "planning". Através dos resultados desta análise daestrutura da rede que representa "aplication model", podemos estabelecer uma estratégia de resolução do problema, i.e., aprender um meta-conhecimento. Utilizamos a rede de Petri para elaborar o "planning self-model" que representa este ) meta-conhecimento. As abordagens proposta apresenta diversas vantagens tais como: planos hierárquicos não lineares com diversos níveis de abstração, formalismo matemático, visualização gráfica, captura de todas as possíveissoluções, aprendizado de formas de decompor o problema e de estratégias de busca de soluções e capacidade de fazer o replanejamento na falha. Além disso, a abordagem apresenta a possibilidade de se implementar um planejador reativo puro e apossibilidade de se fazer a reutilização de planos. Finalmente, a abordagem proposta não depende do domínio da aplicação, porque é a análise da estrutura das Redes de Petri, independente da sua intepretação para o domínio do problema, quepermitem o aprendizado do meta-conhecimento para dirigir o processo de planejamento. O Construtor de Planos, é um ambiente de rede de Petri que opera sobre a rede que representa o conhecimento do domínio, e não sobre a sua intepretação paraum determinado domínio da aplicação. No capítulo 5, descrevemos uma aplicação para um sistema Roteador de Helicópteros. A motivação para o desenvolvimento desta aplicação foi para mostrar que a metodologia proposta pode tratar problemas de porteencontrados no mundo real.

Artificial Intelligence (AI) based Planning Systems relies on much implicit and incomplete knowledge, which compromise the already great complexity of the development of systems in order to search for solutions. In order to achieve a better computational performance for these systems, it is necessary to adopt other mechanisms to structure the problem. In this thesis, weve made a planning problem structuring based in AI and in the formalismo f the Petri Nets (PNs). The PN makes the problem modeling as a Discrete Event System (DES) and is able to capture the productive systems main features and its dynamic behavior. The proposed structuring allows the construction of a development method for AI planning systems with quality. In our propose, the problem structuring is based in the construction and use of an problem conceptual model (cm), based in the formalismo f the Petri Nets. The cm consists of two models, which represents, separately, the distinct knowledge types involved in a planning problem: (i) the application model, which represents the domain application knowledge, and (ii) the planning self-model, which represents the meta-knowledge involved in the planning process, i.e., it represents a plan to make plans. The cm is as important to the processes of elaboration of the initial plan, as in the case of occurrence of a necessity to make a replanning because of a fail, for instance, in the execution of some task in the current plan. Initially, we showed, using the Blocks World model-problem, how a Petri net structure analysis provides the meta-knowledge necessary to guide the planning process. Through the results of this net structure analysis, of the PN which represents the application model, we may establish a strategy for the problem solution process, i.e., we may learn a meta knowledge. Weve used the Petri Net in order to build theplanning sef-model, which represents this meta-knowledge. The proposed approach presents several advantages such as: non linear hierarchical plans with several abstraction levels, mathematical formalism, graphical visualization, capture of all the plausible solutions, learning of ways to decompose the problem ando f strategies for the search for solutions and the capability to do the replanning in case of the occurrence of a fail. Besides, this approach allows the implementation of a purely reactive planner and the possibility of doing a plan re-use. Finally, this approach does not dependo n the application domain, because is the Petri Net structure analysis, independently of its interpretation for the problem domain, which allows the learning of the meta-knowledge needed to lead the planning process. The Plan Constructor is a Petri Net Environment and operates over the net which represents the domain knowledge, instead of over its interpretation for a given application domain. In the Chapter 5, we describe an application for a Heliocopter Routing System. The motivation for the development of this application was to show that the proposed methodology can treat the large problems found in the real world.