AI

HTN

像人类一样将大任务分解成多个子任务，从高层目标逐层展开到可执行的原子任务

架构组成：

l World State：AI对世界的抽象视角。

l Sensors：感知World State变化。

l HTN Domain：层次化任务结构（Task树）。

l Planner：根据任务树生成计划。

l Plan：具体执行步骤，执行完会更新World State。

任务类型：

Primitive Task：原子任务，可直接执行。

Compound Task：复合任务，包含多个方法，类似行为树中的Selector + Sequence。

示例：AI要解毒 → 可以选择制作药水或购买药水 → 使用药水。

Replanning触发条件：

1. 没有可用计划。
2. 当前计划完成或失败。
3. World State发生变化。

比如说：AI需要一瓶药水解毒，它可以选择用足够的材料制作药水再使用药水，也可以花足够的钱去购买药水再使用药水。

HTN相当于有一个Root，在进行任务的时候选择目标Task，然后一层层的展开，最后选择一个PrimitiveTask，每个任务都会被展开成更具体的子任务，直到最终可以通过执行原子操作来完成。完成一系列执行之后会更新World State的属性（更改世界的状态）。

Replanning（重新规划）是指在计划执行过程中，由于环境或任务状态的变化，需要重新生成或调整任务计划的过程。有三种情况：没有这个计划、当前plan已经完成或失败、

感知到了World State改变。

和行为树很像，执行效率高于行为树，因为每次都要遍历整棵树。HTN大部分逻辑是写死的，可能因为环境改变导致有些计划过时了没办法被执行，并且如果高度不确认性的环境HTN如果逻辑非常紧密会适得其反。

GOAP 目标导向AI系统

类似人类倒叙的思考

比如说我要完成解毒修改这个WorldState，那么我就需要一瓶药水，需要把这个state和Plan加到堆栈中，然后我要获取这瓶药水，继续把State和Plan加入到堆栈中，直到能满足这个State，弹出堆栈。最后完成目标会使所有的栈都清空。

目标集 Goal Set 各个目标有优先级

行为集 Action Set 改变世界状态数据的行为

Goap 会让AI变得更活，将目标和行为分开，能够动态组合给出不同方案，缺点是需要大量计算（A*和动态规划图的结构）。

MCTS 蒙特卡洛树搜索

AlphaGo围棋就是使用蒙特卡洛树搜索