基于行为森林的解耦式旅行规划
机器学习
2026-04-24 v1
摘要
由可执行步骤组成的行为序列是多约束规划问题（如旅行规划）的操作基础。在此类任务中，每个规划步骤不仅受到局部约束的制约，还受到跨多个子任务的全局约束的影响，导致决策过程紧密耦合且复杂。现有的旅行规划方法通常依赖单一决策空间，将所有子任务和约束耦合在一起，无法区分子任务内部起作用的局部约束与跨多个子任务的全局约束。因此，该模型被迫在每个决策步骤上同时推理局部和全局约束，这增加了推理负担，降低了规划效率。为此，我们提出了行为森林方法。具体而言，我们的方法将决策过程结构化为一片由平行行为树组成的森林，其中每个行为树负责一个子任务。引入全局协调机制来协调这些树之间的交互，实现模块化且连贯的旅行规划。在此框架中，将大型语言模型嵌入行为树节点中，作为基于任务特定约束进行局部推理的决策引擎，以生成候选子计划并根据协调反馈调整决策。行为树反过来提供明确的控制结构，指导LLM生成。这种设计将复杂任务和约束解耦为可管理的子空间，实现任务特定推理，降低LLM的认知负荷。实验结果表明，我们的方法在TravelPlanner和ChinaTravel基准测试中分别 outperform了最先进的方法6.67%和11.82%，显示其在提高复杂多约束旅行规划中LLM性能方面的有效性。
引用
@article{arxiv.2604.21354,
title = {Decoupled Travel Planning with Behavior Forest},
author = {Duanyang Yuan and Sihang Zhou and Yanning Hou and Xiaoshu Chen and Haoyuan Chen and Ke Liang and Jiyuan Liu and Chuan Ma and Xinwang Liu and Jian Huang},
journal= {arXiv preprint arXiv:2604.21354},
year = {2026}
}