分层任务网络HTN介绍

分层任务网络（HTN）规划智能规划：智能规划是人工智能的一个重要研究领域。其主要思想是：对周围环境进行认知和分析，根据预定实现的目标，对若干可供选择的动作及所提供的资源限制实施推理，综合制定出实现目标的动作序列一一规划。规划系统的研究起初源于问题的求解，但是规划研究比起一般的问题求解更注重于解决具体的实际问题，而不单单是抽象的数学模型。由于智能规划问题本身的复杂性，决定了不可能快速的得到较大规模的实际应用。但在国外某些高科技领域的确已经有一些应用，比较好的有美国宇航局（NASA）用在哈勃望远镜修复和宇宙空间探测机器人里的规划系统。在物流调度、车间生产安排等方面，智能规划也有一定程度的应用。我们相信，随着人工智能研究的不断发展，智能规划研究的不断深入，将会有更多的规划系统应用到实际生产和生活中来。HTNS划：分层任务网络规划用一个原子命题集合表示系统状态，动作对应于确定状态的转换。规划的目的是达到完成某一任务的集合。规划系统的输入不仅包含动作集合，还包含一个方法集合。所谓方法就是以“处方”的形式告诉系统如何将某一类任务分解成更小的子任务集合。规划的过程就是递归地将那些非原子任务分解成越来越小的子任务，直到出现那些可以直接执行规划动作就能完成的原子任务为止。同时,HTN规划也是以方法的形式执行动作。HTNM划的应用：题目:LearningProbabilisticHierarchicalTaskNetworkstoCaptureUserPreferences作者：NanLi,SubbaraoKambhampati,andSungwookYoon主要内容：很多规划领域的工作都将重点放在学习行为模式和搜索控制知识上，很少关注用户的喜好对理想计划的影响。本论文中提出了一个学习概率分层网络的方法，来获取用户的喜好。规划除了对目标实现，还要确保该计划满足用户的喜好。因此，一个最佳方案可能不一定为可执行方案。例如在旅行中，计划采取坐火车将是首选，但若用户不喜欢乘坐火车，那么就可能不会被执行。学习概率分层任务网络（pHTNs），可以捕捉到用户的喜好程度，指定的用户偏好的概率p。该算法分两步进行。第一阶段通过覆盖训练样本集来推测的模式，第二阶段提炼与之相关的概率。最后,通过概率分层任务网络，来比较用户所需要的计划与生产计划，来评估方法的有效性。题目：HTNPlanningwithPreferences作者：ShirinSohrabiJorgeA.BaierSheilaA.McIlraith主要内容：在HTN划中，计划者提供了一组要执行的任务和对这些任务的限制。但是在大多数情况下，HTN无法对每一个成功的计划进行质量方面的区分。Preference-basedplanning（偏好为基础的规划）增大了构成一个高质量规划的规划问题的范围，试图优化各种限制的满意度，同时实现该计划的目标。在本文中，扩展了规划域定义语言与HTN特定偏好结构，在原计划的范围内，表达对事件或任务的偏好，以及它们如何分解成原始的行动。题目：LearningHierarchicalTaskNetworksforNondeterministicPlanningDomains作者：ChadHoggandUgurKuter2andHectorMu?ioz-Avila1主要内容：本文介绍学习分层网络（HTNS在可能有多种可能的行动的不确定规划领域的成果。不确定规划领域的问题指的是一个或多个操作可能有多种可能的结果。例如，计算机网络节点会尝试传递消息给另一个节点，但此消息可能由于连接问题等不能到达。本文证明了如果HTNs有一定的属性，那么就能够对不确定性影响因素进行处理，接着讨论了几种所需的属性，制定了一个新的学习算法HTNMAKERND它利用这些属性，可以正确处理域的不确定性。