经典规划
Parent: ai_keywords
核心定义
经典规划（Classical Planning）是人工智能中自动规划的基础范式，指在完全可观测、确定性、静态环境中，通过搜索动作序列，将系统从已知初始状态转换至目标状态的过程。其核心假设包括：动作效果唯一、无感知噪声、状态完全已知、环境不变。经典规划通常基于状态空间或规划空间搜索，以STRIPS（Stanford Research Institute Problem Solver）或PDDL（Planning Domain Definition Language）作为标准描述语言。
关键技术点
- 状态空间搜索：将规划问题建模为有向图，节点为状态，边为动作。采用前向搜索（从初始状态）或后向搜索（从目标状态），配合剪枝与启发式（如A*算法）提升效率。
- STRIPS/PDDL表示：用谓词逻辑描述动作的前提与效果（加/删列表）。例如，动作 ( \text{move}(x, y) ) 前提为 ( \text{at}(x) )，效果为 ( \neg \text{at}(x) \land \text{at}(y) )。
- 规划图（Graphplan）：构造层次化并行动作图，通过互斥关系压缩搜索空间，支持获取最短并行规划。
- 启发式估计：如松弛规划（忽略删除效果）生成可解长度下界，或基于原子目标分解的奇异估计（如 ( h_{\max} ) 和 ( h_{\text{add}} )）。
- 规划识别：反向推理，从观察到的部分动作序列推导隐含的全局目标（常见于人机交互与辅助诊断）。
医学/神经科学应用场景：脑卒中后运动功能康复路径规划
背景（结合首都医科大学神经病学研究）：脑卒中后患者常遗留偏瘫，需基于NIHSS评分、Fugl-Meyer量表等数据制定个体化康复计划。经典规划可建模为：
- 状态：( \text{(患侧上肢肌力等级, 痉挛程度, 关节活动度)} )
- 动作：如( \text{被动关节活动训练(肘关节, 15min)} )，前提( \text{肌力<2级} )，效果( \text{关节活动度提升10°} )
- 目标：恢复至自主抓握水平（肌力≥4级，痉挛≤1级）
规划器在完全信息下（已知患者基线评估）搜索最优训练序列，自动生成周级康复处方。首都医科大学团队可进一步集成高密度肌电监测数据作为动态约束，将经典规划扩展为闭环修正，辅助康复医师在急性期到恢复期的渐进式部署，减少人工调参时间，提升康复剂量-反应比。
