智能规划是人工智能的重要组成部分,与当前热门的机器学习,深度学习等同属于人工智能的不同分支,是传统意义上的人工智能。近年来,智能规划在启发式搜索方法和规划模型设计方法上有了新的研究进展,进一步推动了智能规划领域的发展。然而对于复杂的大规模规划问题,即使是利用当前较为先进的启发式搜索方法求解也不一定有效。另外,智能规划作为应用性极强的领域,目前在现实中的应用仍不够广泛,其主要原因是设计出完整的规划模型比较困难。综上,本文的工作主要围绕了上述两个核心问题,探索了在不同特定领域下的多启发式求解方法,并结合知识工程的研究提出了规划模型设计方法,利用规划模型解决了实际应用问题,具体工作主要分为三部分:1.基于启发式搜索的方法是当前较为先进的规划方法,在分析了单启发式方法在搜索过程中存在的问题之后,本文提出了利用多个启发式各自优势来进行规划求解的方法,即多启发式融合。在该方法中针对启发式选择问题,提出了设置启发式队列优先级的策略,根据不同启发式队列的优先级进行选择将要扩展的下一个状态,然后在规划过程中基于贪心的思想快速搜索规划解,并给出了在规划过程中使用多启发式融合的算法。最后通过在国际规划大赛上的多个基础测试领域中进行的大量实验对比,表明了该方法能够有效求解大规模规划问题,并且适用领域比单启发式方法更广。2.智能规划面向实际应用的首要问题是进行规划模型设计。针对当前利用现有知识进行规划模型设计的复杂度,本文提出了结合领域知识的规划模型设计方法。在分析了泊车问题相关特点之后,根据智能规划概念提出了具体的APPG(AI Planning for Parking Guidance)方法。最后根据APPG方法设计了泊车规划模型,通过实验证明了该泊车规划模型和方法的可行性。3.目前还没有关于使用智能规划方法指导停车导航的研究和应用。本文在分析当前停车场领域中的现状之后,提出了将泊车规划模型进行多种扩展的方法来满足实际应用需求,并通过实验模拟了不同场景,验证了扩展规划模型的有效性。最后在扩展规划模型中使用了提出的多启发式融合方法进行相关实验对比,分析出了在不同场景配置下泊车规划模型的最优解决方案,同时也验证了多启发式融合方法在求解大规模问题时的规划能力。