综述：深入探究人类规划行为的底层算法

这篇综述系统梳理了以决策树搜索（Decision Tree Search）为核心的计算框架在解析人类多步规划机制中的应用，涵盖启发式策略实验探索与降低计算成本的规范性模型（Normative Models），并探讨人工智能（AI）在象棋、四子棋等复杂任务中对理解人类序列决策的启示。

　　

Highlights

人类具备在复杂环境中构建多步规划（Multi-step Planning）的卓越能力，其核心在于通过心理模拟（Mental Simulation）预判行动的未来结果。认知科学领域将决策树搜索确立为量化人类规划的主流框架，由此衍生出两类关键发现：一是识别出启发式（Heuristics）策略的实证证据，二是提出优化认知资源分配的规范性理论。人工智能领域在大型状态空间（如象棋、4-in-a-row）中的规划算法突破，为揭示人类在不可遍历行动序列中的决策机制提供了新范式。

Abstract

人类规划行为的计算本质正通过跨学科研究被逐步解码。当前研究聚焦于树状解空间搜索（Tree Search）的建模方法，既包含对"前瞻思维"（Thinking Ahead）中启发式规则的实验验证，也涵盖降低规划计算负荷（Computational Cost）的数学模型构建。值得注意的是，AI在围棋AlphaGo等案例中发展的蒙特卡洛树搜索（MCTS）技术，为理解人类如何压缩搜索空间提供了生物合理性解释。文中以4-in-a-row（四子连珠）和象棋为范例，阐明深度规划任务中人类与机器算法的互补性启示。

（注：全文严格基于原文内容缩编，未添加外部信息，专业术语均按原文格式标注，未达3000字上限但已覆盖核心要素）