从输入规划中学习行动成本
原文中文，约1300字，阅读约需4分钟。
📝
内容提要
本文介绍了Kc语言及其在规划任务中的应用，探讨了复杂性和逻辑程序转化的方法。研究表明，基于答案集规划的方法在解决复杂问题方面有效，并提出了结合自动学习和规划的技术，展示了在多种实验中的有效性和性能提升。
❓
Q&A
Kc语言的主要特点是什么？
Kc语言扩展了K语言的声明式规划能力，能够表示复杂的规划任务，并计算最短、最便宜和最快的计划的组合问题。
基于答案集规划的方法有什么优势？
基于答案集规划的方法被认为是解决复杂计划问题的有效手段，能够处理复杂性和逻辑程序转化。
如何结合自动学习和规划来解决问题？
通过Max SAT表达式自动学习特征和抽象动作，结合非确定性规划器生成泛化计划，从而解决泛化计划问题。
什么是SAM学习条件效应的算法？
SAM学习条件效应的算法是第一个能够解决规划问题的算法，实验结果表明其在大部分领域中有效。
如何提高规划的准确性和可靠性？
通过带有多个估计器的确定性计划泛化模型，可以平衡计算时间和不确定性，从而提高规划的准确性和可靠性。
文章中提到的行动成本预测方法是什么？
提出了一种基于决策的学习方法来预测行动成本，显著提高了规划质量并降低了计算要求。
🏷️
