Artificial intelligence 为什么目标导向推理和启发式搜索很难结合？

在《人工智能-现代方法》第三版中，我看到了一句有趣的话：

“到目前为止，还没有很好地理解如何将两种算法[目标导向推理/规划和启发式搜索]组合成一个健壮高效的系统”（Russel pg 189）

---

为什么会这样？为什么很难将面向目标的规划与启发式搜索结合起来？强化学习不能解决这个问题吗？

术语“目标导向推理”在20世纪80年代被用于回溯搜索技术。有时它被称为反向推理或自上而下的搜索，这意味着一切都一样。它描述了算法在遍历状态空间中的工作。或者更具体地说：它描述了访问图中状态的顺序。在较新的文献中，规划者的这一方面不再详细解释，因为图形搜索算法不是什么大事。这意味着只需将节点放在堆栈上并遍历它们

---

相比之下，术语“启发式搜索”意味着用基于知识的方法取代蛮力解算器。启发式搜索相当于不遍历一个图，而是找到一个特定于领域的策略，该策略省略了图的大部分。事实上，很难将回溯与启发式结合起来，这种方法被称为根植。如果一个固定的问题是可用的，就可以对一个基于知识的问题使用回溯求解器。这是现代PDDL规划者使用的策略，他们首先用符号PDDL表示法（基于知识）描述域，然后使用快速求解器在状态空间中搜索。

我投票将此问题作为离题题结束，因为它与编程无关。