智能规划是人工智能中一个重要研究领域,基于状态空间启发式搜索的规划方法是该领域的一个热点。具有代表性的三个启发式规划器为:HSP、FF和Fast Downward,其中基于和代价启发的HSP以及基于放宽规划任务的FF都忽略了操作对状态变量的消极影响,失去了规划任务中很多重要的结构信息;Fast Downward将规划问题转化为多值规划任务求解,其求解效率较高而备受瞩目。但Fast Downward也有缺点,其采用的因果图启发适用于状态变量间相互独立的问题,而在实际问题中,状态变量间往往存在相互影响。针对Fast Downward存在的不足,本文提出了基于因果图混合启发的多值规划算法。我们将最大代价法引入基于因果图的启发式规划算法中,并结合和代价法以及最大代价法,设计出新的因果图混合启发函数-AMCG函数,最后,采用贪心最佳优先搜索方法寻找规划解。该方法不仅通过多值规划表示大幅度压缩了状态表示空间,同时通过因果图和域转移图,有效利用了规划任务中的结构信息,另外,我们考虑到状态变量间的相互作用,弥补了原有规划算法的不足。在该策略下,我们可以得到更优的启发信息来指导搜索过程,从而减少搜索求解时间和规划解的长度,因此,AMCG规划算法能够有效提高求解效率和解的质量。由于实际问题中的变量往往存在相互作用,该算法的应用更具有普遍性。在给出算法的基础上,我们利用C++语言对该算法进行了实现,设计了基于因果图混合启发的多值规划系统AMCG,该规划器由三个组件组成:翻译模块、知识编译模块以及搜索模块。实验证明该系统可以在较短时间内找到时间步较少的规划解,提高了规划解的质量和搜索效率,从而提高求解性能,使得启发式规划器更加适合于处理现实世界中的问题。