定出实现目标的动作序列——规划。
规划系统的研究起初源于问题的求解，但是规划研究比起一般的问题求解更注重于解决具体的实际问题，而不单单是抽象的数学模型。由于智能规划问题本身的复杂性，决定了不可能快速的得到较大规模的实际应用。但在国外某些高科技领域的确已经有一些应用，比较好的有美国宇航局(NASA)用在哈勃望远镜修复和宇宙空间探测机器人里的规划系统。在物流调度、车间生产安排等方面，智能规划也有一定程度的应用。我们相信，随着人工智能研究的不断发展，智能规划研究的不断深入，将会有更多的规划系统应用到实际生产和生活中来。
HTN规划：分层任务网络规划用一个原子命题集合表示系统状态，动作对应于确定状态的转换。规划的目的是达到完成某一任务的集合。规划系统的输入不仅包含动作集合，还包含一个方法集合。所谓方法就是以“处方”的形式告诉系统如何将某一类任务分解成更小的子任务集合。规划的过程就是递归地将那些非原子任务分解成越来越小的子任务，直到出现那些可以直接执行规划动作就能完成的原子任务为止。同时,HTN规划也是以方法的形式执行动作。
HTN规划的应用：
题目：Learning Probabilistic Hierarchical Task Networks to Capture User Preferences
作者：Nan Li, Subbarao Kambhampati, and Sungwook Yoon
主要内容：很多规划领域的工作都将重点放在学习行为模式和搜索控制知识上，很少关注用户的喜好对理想计划的影响。本论文中提出了一个学习概率分层网络的方法，来获取用户的喜好。规划除了对目标实现，还要确保该计划满足用户的喜好。因此，一个最佳方案可能不一定为可执行方案。例如在旅行中，计划采取坐火车将是首选，但若用户不喜欢乘坐火车，那么就可能不会被执行。学习概率分层任务网络（pHTNs），可以捕捉到用户的喜好程度，指定的用户偏好的概率p。该算法分两步进行。第一阶段通过覆盖训练样本集来推测的模式，第二阶段提炼与之相关的概率。最后，通过概率分层任务网络，来比较用户所需要的计划与生产计划，来评估方法的有效性。 题目：HTN Planning with Preferences
作者：Shirin Sohrabi Jorge A. Baier Sheila A. McIlraith
主要内容：在HTN规划中，计划者提供了一组要执行的任务和对这些任务的限制。但是在大多数情况下，HTN无法对每一个成功的计划进行质量方面的区分。Preference-based planning(偏好为基础的规划)增大了构成一个高质量规划的规划问题的范围，试图优化各种限制的满意度，同时实现该计划的目标。在本文中，扩展了规划域定义语言与HTN特定偏好结构，在