智能规划(AutomatedPlanning)是人工智能(ArtificialIntelligence)研究领域的一个重要分支，在各个领域得到广泛的应用。其主要思想是：对周围环境进行认识与分析，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施行推理，综合制定出实现目标的动作序列—规划。无论在智能机器人还是物流运输调度领域，将智能规划应用有个重要的前提是对某个应用领域进行描述，并建立领域模型，然后结合某个特定的问题，将领域模型和问题输入到规划系统进行求解。但是，即使对于某些专家来做，对某个领域建立一个领域模型也是一件困难而费时的任务。 为此，本文系统地从三个方面来研究领域模型，分别是领域模型的表示方法、如何学习领域模型和如何应用领域模型，我们的目标是减轻建立和应用领域模型的开发人员的负担，并提高规划系统的效率。 1.领域模型的描述：研究了如何将领域知识表示为领域约束添加到规划系统中。领域模型的表示方法分为两类，一种是与领域无关的规划描述方式—动作模型，我们采用目前通用的规划描述语言PDDL来表示；令外一种是领域相关的描述，我们采用了约束来表示，并将其细分为对象约束、过程约束和时序约束，采用对象约束来表达状态中对象之间的关系，采用过程约束来表达动作之间的关系，采用时序约束表达动作和状态中对象之间的关系。 2.学习动作模型：研究了如何从规划例子集合中学习出动作模型，并据此建立了动作模型学习系统ARMS。ARMS主要考虑了数据挖掘和智能规划结合的应用，将统计知识和逻辑知识结合起来，从成功的规划例子集合中自动学习出动作模型。ARMS的主要方法是从规划例子集合中统计出频繁的动作-动作、动作-谓词对，并将这些频繁集合和智能规划固有的一些属性表示为动作约束、谓词约束、规划约束和状态约束，将其表示成一个MAXSAT问题，通过求解MAXSAT问题来得到一个动作模型。通过在2002年智能规划大赛AIPS02上的领域测试，实验结果表明，利用ARMS可以获得动作模型，准确性和冗余度也在可接受范围之内。这项研究成果获得2005年世界智能规划和调度的知识工程软件竞赛(InternationalCompetitiononKnowledgeEngineeringforPlanningandScheduling)专用工具(SpecificTools)类别的比赛中，赢得冠军。 3.学习领域约束：研究了从过去的一堆成功规划例子集合里学习出领域约束，在本文主要针对的是过程约束的学习，并据此建立了过程约束学习系统PARMS。这些过程约束是这个领域特有的领域知识，它可以帮助我们提高规划系统的效率。PARMS从规划例子集合里边统计出动作对，并由这些动作对产生基于马尔科夫链的动作序列集合，再采用一个基于GRIDS的算法，从这些动作序列集合里推导出过程约束。通过智能规划比赛上的领域测试，实验结果表明，PARMS学习出来的过程约束能较好的表示领域知识，准确性和冗余度也在可接受范围之内。 4.应用领域约束：研究了在通用规划系统上增加领域约束的方法，并据此建立了基于通用规划系统的领域约束规划系统DPS，它主要考虑了领域知识在规划中的应用。通过在智能规划比赛上关于交通运输领域的三个例子测试，实验结果表明，利用领域约束的规划系统可以方便地增加领域知识，更加实用化，其效率也有了相应的提高.