AI Planning

本文介紹多智能體強化學習（MARL）的基本概念與應用，探討其在大規模系統中面臨的擴展性挑戰，並說明階層式多智能體強化學習（H-MARL）如何透過分層決策提升協調效率與系統可擴展性。

介紹 Active Reinforcement Learning、Exploration vs. Exploitation、ε-Greedy、Q-Learning 與 SARSA，了解 Agent 如何在未知環境中透過互動學習最佳策略。

前一篇介紹了 Markov Decision Process（MDP），假設 Agent 已知環境模型。然而，現實世界中的 AI 往往無法事先知道環境規則。本篇介紹 Reinforcement Learning 的基本概念，以及 Passive Reinforcement Learning 的核心方法。

Decision Theory 告訴我們如何做一次理性的決策，但真實世界往往需要連續做出許多決策。本文介紹 Markov Decision Process（MDP）、Bellman Equation、Value Iteration、Policy Iteration，以及 Monte Carlo Tree Search

Classical Planning 假設世界是可預測的，但真實世界往往充滿不確定性。本文介紹 Decision Theory、Utility Theory 與 Maximum Expected Utility，理解 AI 如何在未知環境中做出理性的決策。

在本文中，我們探討了 Classical Planning 的局限性，並介紹了兩種有效的解決策略：Heuristic Planning 和 Hierarchical Planning。Heuristic Planning 利用估計值引導搜尋，而 Hierarchical Planning 將任務拆解以降低複雜度，幫助 AI 更有效地解決大型問題。

這篇文章探討了 AI 如何透過 STRIPS 方法表示世界，並介紹 Fluent、State、Goal 和 Action 等概念。

在修讀 NUS 的 CS5446 課程時，我首次接觸 AI Planning。本文介紹 AI 如何透過動作與狀態的描述進行規劃，並以運輸貨物為例，探討目標、狀態與動作之間的關係。最終，分析了各種搜尋路徑的方式及其應用。