行動選擇是描述智能系統最基本問題的一種方式：下一步該做什么。在人工智能和計算認知科學中，行動選擇問題通常與智能代理和動畫有關--在代理環境中表現出復雜行為的人工系統。這個術語有時也用于倫理學或動物行為學。理解行動選擇的一個問題是確定用于指定一個行為的抽象水平。在最基本的抽象水平上，一個原子行為可以是任何東西，從收縮一個肌肉細胞到挑起一場xxx。一般來說，對于任何一個行動選擇機制，可能的行動集合都是預先定義的和固定的。在這個領域工作的大多數研究人員對他們的xxx提出了很高的要求。行動代理通常必須在動態和不可預測的環境中選擇其行動。代理通常是實時行動的；因此它們必須及時作出決定。代理通常被創建來執行幾個不同的任務。這些任務可能因資源分配而發生沖突（例如，xxx能同時滅火和送咖啡嗎？xxx所處的環境可能包括人類，人類可能使xxx的工作更加困難（無論是故意的還是試圖協助的）。由于這些原因，行動選擇不是小事，吸引了大量的研究。

行動選擇的主要問題是復雜性。由于所有的計算都需要時間和空間（在內存中），xxx不可能在每一瞬間都考慮每一個可用的選項。因此，它們必須是有偏見的，并以某種方式限制它們的搜索。對于人工智能來說，行動選擇的問題是什么是約束這種搜索的最佳方式？對于生物學和倫理學來說，問題是各種類型的動物如何約束它們的搜索？所有的動物都使用相同的方法嗎？為什么它們會使用它們所做的那些？關于行動選擇的一個基本問題是，對于一個xxx來說，它是否真的是一個問題，或者它是否只是對一個智能xxx的行為的出現屬性的描述。然而，如果我們考慮我們如何建立一個智能代理，那么顯然必須有一些行動選擇的機制。這種機制可能是高度分布式的（如分布式生物體的情況，如社會性昆蟲群或粘菌），也可能是一個特殊用途的模塊。

行動選擇機制（ASM）不僅決定了xxx在對世界的影響方面的行動，而且還引導其感知注意力，并更新其記憶。這些以自我為中心的各種行動可能反過來導致修改xxx的基本行為能力，特別是在更新記憶時意味著某種形式的機器學習是可能的。理想情況下，行動選擇本身也應該能夠學習和適應，但有許多組合復雜性和計算可操作性的問題，可能需要限制學習的搜索空間。在人工智能中，ASM有時也被稱為代理架構，或者被認為是代理架構的一個實質性部分。

一般來說，人工行動選擇機制可以分為幾類：基于符號的系統，有時被稱為經典規劃，分布式解決方案，以及反應式或動態規劃。有些方法并不整齊地歸入這些類別中的任何一個。其他的方法實際上更多的是提供科學模型，而不是實際的人工智能控制；這些最后的方法將在下一節進一步描述。

在人工智能歷史的早期，人們認為xxx選擇下一步要做什么的最佳方式是計算一個可能的最佳計劃，然后執行該計劃。這導致了物理符號系統的假說，即一個能夠操縱符號的物理代理是智能的必要和充分條件。許多軟件代理仍然使用這種方法進行行動選擇。它通常需要用某種形式的謂詞邏輯來描述所有的傳感器讀數、世界、自己的所有行動和自己的所有目標。這種方法的批評者抱怨說，它對于實時計劃來說太慢了，而且，盡管有證明，它仍然不太可能產生最佳計劃，因為將現實的描述還原為邏輯是一個容易出錯的過程。滿意策略是一種試圖滿足充分性標準的決策策略，而不是確定一個最優的解決方案。如果在結果計算中考慮到決策過程本身的成本，如獲得完整信息的成本，那么滿足策略實際上往往可能是（接近）最優的。