行动选择

行动选择是描述智能系统最基本问题的一种方式：下一步该做什么。在人工智能和计算认知科学中，行动选择问题通常与智能代理和动画有关--在代理环境中表现出复杂行为的人工系统。这个术语有时也用于伦理学或动物行为学。理解行动选择的一个问题是确定用于指定一个行为的抽象水平。在最基本的抽象水平上，一个原子行为可以是任何东西，从收缩一个肌肉细胞到挑起一场xxx。一般来说，对于任何一个行动选择机制，可能的行动集合都是预先定义的和固定的。在这个领域工作的大多数研究人员对他们的xxx提出了很高的要求。行动代理通常必须在动态和不可预测的环境中选择其行动。代理通常是实时行动的；因此它们必须及时作出决定。代理通常被创建来执行几个不同的任务。这些任务可能因资源分配而发生冲突（例如，xxx能同时灭火和送咖啡吗？xxx所处的环境可能包括人类，人类可能使xxx的工作更加困难（无论是故意的还是试图协助的）。由于这些原因，行动选择不是小事，吸引了大量的研究。

行动选择的主要问题是复杂性。由于所有的计算都需要时间和空间（在内存中），xxx不可能在每一瞬间都考虑每一个可用的选项。因此，它们必须是有偏见的，并以某种方式限制它们的搜索。对于人工智能来说，行动选择的问题是什么是约束这种搜索的最佳方式？对于生物学和伦理学来说，问题是各种类型的动物如何约束它们的搜索？所有的动物都使用相同的方法吗？为什么它们会使用它们所做的那些？关于行动选择的一个基本问题是，对于一个xxx来说，它是否真的是一个问题，或者它是否只是对一个智能xxx的行为的出现属性的描述。然而，如果我们考虑我们如何建立一个智能代理，那么显然必须有一些行动选择的机制。这种机制可能是高度分布式的（如分布式生物体的情况，如社会性昆虫群或粘菌），也可能是一个特殊用途的模块。

行动选择机制（ASM）不仅决定了xxx在对世界的影响方面的行动，而且还引导其感知注意力，并更新其记忆。这些以自我为中心的各种行动可能反过来导致修改xxx的基本行为能力，特别是在更新记忆时意味着某种形式的机器学习是可能的。理想情况下，行动选择本身也应该能够学习和适应，但有许多组合复杂性和计算可操作性的问题，可能需要限制学习的搜索空间。在人工智能中，ASM有时也被称为代理架构，或者被认为是代理架构的一个实质性部分。

一般来说，人工行动选择机制可以分为几类：基于符号的系统，有时被称为经典规划，分布式解决方案，以及反应式或动态规划。有些方法并不整齐地归入这些类别中的任何一个。其他的方法实际上更多的是提供科学模型，而不是实际的人工智能控制；这些最后的方法将在下一节进一步描述。

在人工智能历史的早期，人们认为xxx选择下一步要做什么的最佳方式是计算一个可能的最佳计划，然后执行该计划。这导致了物理符号系统的假说，即一个能够操纵符号的物理代理是智能的必要和充分条件。许多软件代理仍然使用这种方法进行行动选择。它通常需要用某种形式的谓词逻辑来描述所有的传感器读数、世界、自己的所有行动和自己的所有目标。这种方法的批评者抱怨说，它对于实时计划来说太慢了，而且，尽管有证明，它仍然不太可能产生最佳计划，因为将现实的描述还原为逻辑是一个容易出错的过程。满意策略是一种试图满足充分性标准的决策策略，而不是确定一个最优的解决方案。如果在结果计算中考虑到决策过程本身的成本，如获得完整信息的成本，那么满足策略实际上往往可能是（接近）最优的。