人们如何能够在有限的认知资源下高效地进行规划？通过对一个现有模型的扩展来回答这个问题，我们通过在任务中添加结构信息以便在更复杂的任务中促进规划，对人类任务分解的模型进行了扩展。扩展模型随后被应用于一个更复杂的空间导航规划领域，我们的结果表明我们的框架可以正确预测绝大多数在线实验参与者的导航策略。

Oct, 2023

人类的行为具有层次性，通过将任务分解为子任务或将抽象行为分解为具体行为而产生。本文通过观察人们生成具有明确层次结构的行动序列的程序，探究人们如何形成层次结构的计划，并发现人类在计划时对效用最大化和最小描述长度两个指标敏感，但同时具有超越最小描述长度的重用性偏好，可以通过将最小描述长度模型扩展为对程序的生成模型来解释。此模型可以最好地预测人类行为，突出了指导层次规划的原则。

Nov, 2023

通过两个实验，本文将计划的计划表述为元推理问题，并用一个递归贝尔曼目标来形式化计划。 我们的研究成果在规划、状态抽象和认知控制方面提供了新的见解。

Feb, 2020

利用语言模型解决复杂问题时，通过将复杂解决方案自动分解为多个简单的部分以更好地帮助人类理解和修复，并提出新的任务分解目标 “AssistV”，通过人类修复经验数据集改进解决方案的可行性和速度，在竞赛编程问题中验证方法，结果显示我们的方法使非专家能够解决更多问题并加快速度，并达到专家级别效果。

Jun, 2024

任务规划在大型语言模型发展的同时成为一个重要的研究课题，本文探讨了基于图学习的任务规划方法，该方法与传统的提示设计不同，通过将图神经网络与语言模型相结合以提高整体性能，并通过实验证明了其优于现有解决方案甚至在无训练的情况下的优势，并且通过改进提示或微调模型进一步提高了性能。

May, 2024

本文提出了一种基于图分类的方法，用于自动确定是使用整体式还是分解式的解决方案方法；通过适当的特征集，将优化问题表示为捕捉问题的变量和约束之间的结构和功能耦合的图；构建图分类器以确定给定问题的最佳解决方法；以解决分析凸混合整数非线性规划问题时使用分支定界法还是外逼近算法为例展示了所提出方法的应用；最后，展示了学习到的分类器如何并入现有的混合整数优化求解器中。

Oct, 2023

本文从认知理论的角度扩展了目标导向脚本生成的任务，并提出了基于子目标的层次化组织方法。研究者们贡献了一个新的数据集，并提出了几种基线方法和评估指标，表明了子目标与层次化脚本生成的有效性。此外，研究者们还设计和评估了发现子目标的模型，并发现此过程比从分段步骤中进行摘要更加困难。

May, 2023

该文提出一种基于人工智能的新的功能分解方法，使用逻辑解算器在工程学的著名功能库的帮助下定义规划问题来寻找解决方案，通过两个不同的应用示例对算法进行评估验证其通用性。

Feb, 2023

机器学习中的自然编程通过结合基于程序的学习和分层规划，通过使用语言提示来指导规划提案的概率分布，从而实现了从不同用户和环境中学习并快速适应和解决更复杂任务的目标分解与复杂任务的解决。

Oct, 2023

通过结合经典规划和大型语言模型的优势，我们实现了基于 LLMs 的目标分解，提高了计划的速度和执行成功，并且比单一代理计划少了更少的执行步骤，同时实现了与人类专家指定的多代理执行步骤类似的结果。

Mar, 2024