智能规划是人工智能研究的主要领域之一,其使用自动化的过程处理现实中的规划和调度问题。随着规划问题的不断复杂化,出现了具有不确定性因素的规划问题。这类问题很难使用原有的智能规划技术求解,这时就出现了概率规划。概率规划作为智能规划的一个分支,弥补了智能规划在求解不确定性问题方面的不足,并逐渐成为研究的热点。概率规划能很好的支持动作的并行性和动作的不确定性。但这些特性会导致随着状态变量个数的增加,状态数量呈指数级增长趋势。这样的“维度诅咒”会增加问题的求解难度,并很难获得高质量的解。同时,现有的规划器都使用了单一求解算法,很容易陷入局部最优解,并且在资源充足的情况下很难扩展。本文针对以上问题展开了相应的研究,主要工作分为以下两个部分:（1）提出一个众包概率规划框架。为了解决概率规划器很难进行扩展的问题,该框架使用众包的方式分配规划任务,使用多个规划器共同求解概率规划问题。通过扩展规划器的数量实现多样性求解,并使用众包框架实现规划器之间的信息共享,进一步优化规划器的求解效率。此外还提出了一个贪心众包概率规划算法作为基准方法。结果表明,众包概率规划框架可以有效的提升规划器的扩展能力;在资源相同的条件下,保证求解质量的同时提高算法的并行程度,加快算法的求解速度。（2）提出一种基于烟花算法的概率规划求解方法。为了避免陷入局部最优解并提高求解的质量,在众包概率规划框架中利用烟花算法的全局搜索能力,优化概率规划的求解过程。为了更好的迁移烟花算法,本文提出了两点改进。第一,提出了新的生成火花方式和混合选择算子,用于优化烟花算法的迭代过程。第二,针对概率规划问题提出了一种基于蒙特卡洛数搜索的适应度计算函数;其使用超前搜索的方式构建前瞻树,进而完成个体适应度的计算。最后在国际概率规划比赛的测试领域上进行实验,并与贪心众包概率规划算法和SOGBOFA进行对比,资源充足的条件下,本方法可以进一步提升求解质量。