在人工智能 - 现代方法第 3 版中，我看到了一个有趣的引述：
"到目前为止，还没有很好的理解如何将这两种算法[目标导向推理/计划和启发式搜索]组合成一个健壮而高效的系统"(Russel pg 189(
为什么会这样？为什么很难将面向目标的计划与启发式搜索相结合？强化学习不会解决这个问题吗？
术语"目标导向推理"在1980年代用于回溯搜索技术。有时它被称为向后推理或自上而下的搜索，这意味着一切相同。它描述了算法在遍历状态空间时的工作。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，计划器的这一方面不再详细解释，因为图形搜索算法并不是什么大事。这意味着简单地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替换暴力求解器。启发式搜索等于不遍历图形，而是找到一个特定于域的策略，该策略省略了图形的大部分内容。事实上，很难将回溯与启发式相结合，这种方法被称为接地。如果存在接地问题，则可以对基于知识的问题使用回溯求解器。这是现代PDDL规划器中使用的策略，首先以符号PDDL符号(基于知识(描述域，然后使用快速求解器在状态空间中进行搜索。