סוכני בינה מלאכותית משמשים לפתרון יעיל של בעיות בסביבות שונות. התקדמות בהבנת התנהגותם תסייע להשתמש בהם באופן מיטבי. מרכיב מרכזי בהתנהגותם הוא רמת השימוש במודלים של הסביבות בהן הם פועלים. בעבודתי בחנתי את השפעת רמת השימוש במודלי סביבה של סוכנים שונים על הביצועים בפתרון בעיות בסביבות PDDL אי-וודאיות. לכן, נדרשתי לטפל בשתי בעיות: הזמינות הנמוכה של בעיות PDDL אי-וודאיות, והצורך בניהול מסודר של הרצות הסוכנים. עבור הראשונה, פיתחתי אלגוריתם להפיכתן של בעיות PDDL דטרמיניסטיות שכיחות לבעיות עם אי-וודאות. עבור השנייה, בניתי סביבת הרצה מקבילית ומהירה, ומספר כלים לעבודה איתה. לאחר בחינת 12 סוכנים מגוונים מצאתי כי השימוש במודלים לא השפיע על הביצועים בפתרון בעיות בניגוד להשערת המחקר. עבודתי מהווה צעד משמעותי לעבר הבנה עמוקה יותר של השפעת השימוש במודלים על קבלת החלטות, ומדגימה את השימושיות של הכלים והאלגוריתמים אשר פיתחתי לאורכה, אשר כבר מסייעים בהעברת קורסים מסוימים באונ' בר-אילן.
