摘要在静态环境中，经典规划算法能够通过前瞻搜索或符号推理生成最优行动序列。然而，现实世界本质上是非平稳的——传感器噪声、外部干扰、其他智能体的策略突变以及物理定律的局部失效，都会使预计算出的“完美计划”迅速贬值。动态重规划（Dynamic Replanning）机制正是应对这一挑战的核心技术栈。本文系统性地解构了动态重规划的认知闭环，从环境变化感知、变化表征、影响评估到策略修正，逐一剖析其理论基石与工程实现。我们特别关注了2024年至2026年间涌现的新范式，包括基于扩散模型（Diffusion Model）的连续动作重规划、大语言模型（LLM）驱动的符号层意图修正、以及脑启发的预期式重规划（Anticipatory Replanning）架构。通过对比经典方法与现代学习型方法的优劣，结合自动驾驶、机器人操作、多智能体博弈及AI科学研究（AI for Science）中的最新案例，本文揭示了动态重规划从“响应式修补”向“主动式预期”演进的必然趋势，并指出了当前该领域面临的因果推理困境、计算延迟瓶颈与安全对齐挑战。关键词：动态重规划，自适应决策，模型预测控制，深度强化学习，大语言模型，非平稳环境，鲁棒性目录摘要1. 引言：静态规划的终结与动态适应的觉醒2. 动态重规划的问题形式化与核心要素2.1 动态环境的分类学2.2 重规划的五阶段闭环模型3. 经典方法的重规划谱系3.1 基于搜索的增量式重规划：从D到RTAA3.2 模型预测控制（MPC）：滚动时域的重规划基准3.3 符号规划中的重规划：基于PDDL的修复与重配置4. 学习型重规划：深度强化学习与扩散模型的崛起4.1 深度强化学习的“重规划”隐喻4.2 扩散模型：连续空间中的并行重规划革命4.3 基于Transformer的分层重规划：决策Transformer的适应5. 大语言模型驱动的符号层重规划5.1 自然语言反馈循环5.2 世界模型与代码即规划6. 主动式预期重规划：从响应到预判6.1 情境感知（Situation Awareness）与备用计划生成6.2 基于贝叶斯推断的变化预期7. 多智能体系统中的分布式重规划7.1 隐式协调与共识恢复7.2 对抗性重规划：博弈中的意图混淆8. 前沿挑战与开放性问题8.1 因果混淆与虚假相关8.2 重规划的计算税（Computational Tax）8.3 安全关键场景下的重规划验证8.4 道德权衡与重规划的价值观对齐9. 未来展望：走向生命体式的规划适应性10. 结论