第18章　智能方法提取

18.1 方法定义

智能方法（Intelligence Method）是智能主体在特定目标、对象、状态、场景和约束条件下，为解决问题、改变状态、实现目标或获得预期结果而采用的结构化处理过程。

智能方法是智能结构中的重要组成部分。

如果知识解决的是：

知道什么

那么方法解决的是：

如何利用已有知识和能力完成目标。

例如：

知识：设备温度过高可能导致故障。

这属于知识结构。

进一步形成：

检测温度 → 判断阈值 → 降低负载 → 持续检测

则形成方法结构。

因此：

知识 → 方法 → 行为

是智能从认识向执行的重要转换。

在IST中，方法提取（Intelligence Method Extraction）是从不同智能来源的实际运行过程中，识别其解决问题、判断状态、进行决策、控制对象、完成运动、适应环境和进行学习的有效过程结构，并将其转换为可以保存、比较、匹配、优化和组合的标准化方法结构。

可以定义：

$ME=F(G,O,S,C,K,B,R,P)ME=F(G,O,S,C,K,B,R,P)$

其中：

$MEME$ ：方法提取结果；
$GG$ ：目标（Goal）；
$OO$ ：对象（Object）；
$SS$ ：状态（State）；
$CC$ ：场景与条件（Context）；
$KK$ ：知识（Knowledge）；
$BB$ ：行为（Behavior）；
$RR$ ：结果（Result）；
$PP$ ：参数（Parameter）。

一个完整的方法通常包括：

$M=(G,S,C,K,A,P,R,F)M=(G,S,C,K,A,P,R,F)$

其中：

$GG$ ：目标；
$SS$ ：初始状态；
$CC$ ：条件与约束；
$KK$ ：相关知识；
$AA$ ：动作或行为序列；
$PP$ ：运行参数；
$RR$ ：预期结果；
$FF$ ：反馈机制。

因此：

目标 + 状态 + 条件 + 知识 + 行为 + 参数 + 结果 + 反馈 → 方法

方法提取的基本过程为：

智能来源 → 智能行为 → 行为分析 → 状态分析 → 目标识别 → 过程分解 → 方法发现 → 方法验证 → 方法结构化

方法提取并不是复制行为。

例如：

移动 → 转向 → 加速 → 停止

是行为过程。

如果进一步发现：

遇到障碍 → 判断方向 → 选择无障碍路径 → 调整速度 → 绕过障碍

则提取出的就是：

动态避障方法。

因此：

行为是方法的运行表现，方法是行为背后的过程结构。

18.2 问题解决方法

问题解决方法（Problem-Solving Method）是针对目标与当前状态之间存在的差异，通过问题识别、原因分析、方案生成、方案选择、行为执行和结果验证，使系统从当前状态转向目标状态的方法结构。

问题的基本形式可以表示为：

$Problem=(S0,G,C)Problem=(S_0,G,C)$

其中：

$S0S_0$ ：当前状态；
$GG$ ：目标状态；
$CC$ ：约束条件。

问题解决就是寻找：

$S0→S1→S2→⋯→GS_0\rightarrow S_1\rightarrow S_2\rightarrow\cdots\rightarrow G$

的有效路径。

因此：

当前状态 → 状态差异 → 问题确定 → 候选方法 → 方法评价 → 方法选择 → 行为执行 → 结果验证

构成基本问题解决过程。

例如设备出现异常：

设备正常状态

→ 异常状态

→ 检测异常

→ 确定问题对象

→ 分析原因

→ 选择维修方法

→ 执行维修

→ 测试

→ 恢复正常

这里真正可以提取的是：

问题识别方法

原因判断方法

维修决策方法

维修执行方法

结果验证方法

因此，一个完整的问题解决方法可以进一步分解为：

$Mps=(Mdetect,Manalyze,Mselect,Mexecute,Mverify)M_{ps}= (M_{detect}, M_{analyze}, M_{select}, M_{execute}, M_{verify})$

其中：

$MdetectM_{detect}$ ：问题检测方法；
$ManalyzeM_{analyze}$ ：问题分析方法；
$MselectM_{select}$ ：方案选择方法；
$MexecuteM_{execute}$ ：执行方法；
$MverifyM_{verify}$ ：验证方法。

问题解决方法具有明显的目标导向。

其核心不是简单改变对象，而是：

$Scurrent→StargetS_{current}\rightarrow S_{target}$

因此：

问题解决方法的本质，是寻找并执行能够使当前状态向目标状态转换的有效过程。

18.3 判断方法

判断方法（Judgment Method）是根据对象、属性、状态、关系、场景、条件、知识和规则，对当前情况进行识别、分类、评价和确定的结构化过程。

判断是智能运行中的重要中间过程。

基本形式：

对象 → 属性 → 状态 → 条件 → 规则 → 判断结果

可以表示：

$J=F(O,A,S,R,C,K)J=F(O,A,S,R,C,K)$

其中：

$JJ$ ：判断结果；
$OO$ ：对象；
$AA$ ：属性；
$SS$ ：状态；
$RR$ ：关系；
$CC$ ：条件；
$KK$ ：知识与规则。

例如：

设备温度=90℃

→ 温度阈值=80℃

→ 90>80

→ 高温状态

这就是一个判断方法。

又例如：

目标距离

→ 安全距离阈值

→ 距离比较

→ 安全/危险判断

判断方法可以包括：

分类判断

状态判断

条件判断

风险判断

因果判断

趋势判断

目标判断

其基本结构：

$Input→Rule→Compare→ResultInput\rightarrow Rule\rightarrow Compare\rightarrow Result$

例如：

$x>θ→State=Abnormalx>\theta\rightarrow State=Abnormal$

其中：

$xx$ ：实际检测值；
$θ\theta$ ：判断阈值；
$StateState$ ：判断得到的状态。

判断方法还可以采用多条件规则：

$C1∧C2∧C3→JC_1\land C_2\land C_3\rightarrow J$

表示多个条件同时满足时产生判断结果。

例如：

温度高

持续时间长

负载高

→

设备高风险

因此，判断方法将：

数据

转换为：

状态认知

再进一步支持：

判断 → 决策 → 行为

18.4 决策方法

决策方法（Decision Method）是从多个候选方案中，根据目标、当前状态、知识、约束、风险、资源和评价规则选择适当方案的方法结构。

判断回答：

当前是什么情况？

决策回答：

接下来应该选择什么？

基本过程：

目标 → 状态 → 候选方案 → 方案评价 → 方案比较 → 决策 → 方法执行

候选方案：

$M={m1,m2,…,mn}M=\{m_1,m_2,\ldots,m_n\}$

对每个方案进行评价：

$Score(mi)=∑j=1nwjxij−RiScore(m_i)=\sum_{j=1}^{n}w_jx_{ij}-R_i$

其中：

$mim_i$ ：候选方法；
$xijx_{ij}$ ：方法在第 $jj$ 个指标上的表现；
$wjw_j$ ：指标权重；
$RiR_i$ ：风险与约束成本。

最终选择：

$m∗=arg⁡max⁡mi∈MScore(mi)m^*=\arg\max_{m_i\in M}Score(m_i)$

因此：

候选方法 → 评价 → 比较 → 最优候选 → 决策

决策方法可以包括：

单条件决策

多条件决策

风险决策

资源约束决策

动态决策

多目标决策

例如机器人需要选择路径：

路径A

路径B

路径C

系统根据：

距离

时间

障碍物

风险

能耗

进行综合计算。

形成：

$Path∗=arg⁡max⁡Score(Pathi)Path^*=\arg\max Score(Path_i)$

这就是一个结构化决策方法。

因此，决策方法的价值在于：

把多个可能行为转换为一个具有目标依据和约束依据的选择结果。

18.5 控制方法

控制方法（Control Method）是通过检测目标状态与当前状态之间的差异，并调整对象运行参数，使系统逐步接近目标状态的方法。

控制的基本结构为：

$Starget−Scurrent=ΔSS_{target}-S_{current}=\Delta S$

其中：

$StargetS_{target}$ ：目标状态；
$ScurrentS_{current}$ ：当前状态；
$ΔS\Delta S$ ：状态偏差。

控制方法：

目标状态 → 状态检测 → 偏差计算 → 参数调整 → 动作执行 → 状态检测

形成闭环：

$St→ΔSt→Pt→At→St+1S_t\rightarrow \Delta S_t\rightarrow P_t\rightarrow A_t\rightarrow S_{t+1}$

其中：

$StS_t$ ：当前状态；
$ΔSt\Delta S_t$ ：当前偏差；
$PtP_t$ ：控制参数；
$AtA_t$ ：控制动作；
$St+1S_{t+1}$ ：下一状态。

例如机器人机械臂需要保持目标角度：

目标角度

→ 当前角度检测

→ 角度误差计算

→ 电机参数调整

→ 机械臂运动

→ 再次检测

→ 误差重新计算

这就是控制方法。

控制方法的特点是：

检测

计算

调整

执行

反馈

因此：

$Control=Detect→Calculate→Adjust→Execute→FeedbackControl=Detect\rightarrow Calculate\rightarrow Adjust\rightarrow Execute\rightarrow Feedback$

控制方法尤其适合从机器智能和动物运动智能中提取。

例如：

动物平衡能力

可以提取：

姿态检测 → 偏差判断 → 身体参数调整 → 动作执行 → 平衡恢复

形成平衡控制方法。

18.6 运动方法

运动方法（Movement Method）是智能主体根据目标、空间关系、身体状态和环境条件，通过运动规划、姿态调整、动作执行和参数控制实现空间位置或状态变化的方法。

运动方法可以表示：

$Mm=(O,S,P,G,R,A,F)M_m=(O,S,P,G,R,A,F)$

其中：

$OO$ ：运动对象；
$SS$ ：运动状态；
$PP$ ：运动参数；
$GG$ ：运动目标；
$RR$ ：空间关系；
$AA$ ：动作；
$FF$ ：反馈。

基本过程：

目标位置 → 当前位置 → 空间关系 → 路径确定 → 运动方法 → 动作执行 → 参数调整 → 到达目标

例如：

当前位置A

→ 目标位置B

→ 计算距离

→ 确定方向

→ 确定路径

→ 确定速度

→ 执行运动

→ 实时调整

→ 到达B

运动方法可以分为：

直线运动方法

路径运动方法

避障运动方法

跟踪运动方法

平衡运动方法

协同运动方法

运动方法的核心是：

$Positioncurrent→PositiontargetPosition_{current}\rightarrow Position_{target}$

同时需要处理：

位置

方向

速度

加速度

姿态

障碍物

空间关系

因此：

运动方法是空间结构、身体结构、状态结构和行为结构共同作用形成的过程结构。

它可以从动物运动、机器运动、机器人运动等不同智能来源中提取，并进入IST进行重新组合。

18.7 适应方法

适应方法（Adaptation Method）是智能主体在环境、对象、状态或任务发生变化时，通过检测变化、判断偏差、调整方法、修改参数和重新执行行为，使自身继续保持任务有效性的方法。

适应的基本结构为：

环境变化 → 状态变化 → 偏差检测 → 方法调整 → 行为调整 → 结果反馈

可以表示：

$Et→St→ΔS→Mt+1→Bt+1E_t\rightarrow S_t\rightarrow \Delta S\rightarrow M_{t+1}\rightarrow B_{t+1}$

其中：

$EtE_t$ ：当前环境；
$StS_t$ ：当前状态；
$ΔS\Delta S$ ：变化或偏差；
$Mt+1M_{t+1}$ ：调整后的方法；
$Bt+1B_{t+1}$ ：新的行为。

例如机器人原来的路径被障碍物阻挡：

原路径

→ 障碍物出现

→ 环境变化检测

→ 路径失效判断

→ 重新计算路径

→ 选择新路径

→ 继续运动

这就是适应方法。

适应方法可以进一步分为：

环境适应

任务适应

对象适应

状态适应

参数适应

行为适应

其核心不是简单改变参数，而是：

$Methodt→Feedback→Methodt+1Method_t\rightarrow Feedback\rightarrow Method_{t+1}$

因此适应方法具有动态性。

适应的本质，是在变化环境中保持目标有效性的能力。

这也是动物智能的重要优势之一，同时也是人工智能系统形成持续运行能力的重要方法结构。

18.8 学习方法

学习方法（Learning Method）是通过对过去运行过程中的状态、行为、结果、反馈和经验进行记录、比较、归纳和更新，使智能主体获得新的知识、经验、规则、参数或方法的方法结构。

学习不是单纯保存历史数据。

基本过程为：

行为 → 结果 → 反馈 → 比较 → 经验 → 规则/知识 → 方法更新

可以表示：

$L=F(B,R,Fb,E,K,M)L=F(B,R,F_b,E,K,M)$

其中：

$BB$ ：行为；
$RR$ ：结果；
$FbF_b$ ：反馈；
$EE$ ：经验；
$KK$ ：知识；
$MM$ ：方法。

一个基本学习过程：

$Mt→Bt→Rt→Ft→Evaluation→Mt+1M_t\rightarrow B_t\rightarrow R_t\rightarrow F_t\rightarrow Evaluation\rightarrow M_{t+1}$

即：

当前方法

→ 执行

→ 结果

→ 反馈

→ 评价

→ 方法更新

例如设备维修：

第一次：

方法A → 维修失败

反馈：

原因未解决

第二次：

方法B → 维修成功

经过记录：

故障状态 + 方法B + 成功结果

形成经验：

该状态优先采用方法B

以后遇到相似状态时：

状态匹配 → 经验调用 → 方法B

这就是结构化学习。

学习方法可以包括：

经验学习

参数学习

规则学习

方法学习

行为学习

失败学习

反馈学习

学习的最终目的不是无限保存历史，而是：

历史运行 → 结构提取 → 规律形成 → 方法更新

因此：

$Experience→Knowledge→MethodExperience\rightarrow Knowledge\rightarrow Method$

又形成：

$Method→Behavior→Feedback→LearningMethod\rightarrow Behavior\rightarrow Feedback\rightarrow Learning$

构成闭环：

$Method→Behavior→Result→Feedback→Learning→NewMethodMethod\rightarrow Behavior\rightarrow Result\rightarrow Feedback\rightarrow Learning\rightarrow NewMethod$

这使智能方法具有持续优化能力。

18.9 方法结构化

方法结构化（Method Structuring）是将从不同智能来源提取出的自然方法、行为过程和问题解决过程，转换为统一、明确、可存储、可比较、可计算、可匹配、可优化和可组合的方法结构。

不同智能来源的方法表现形式可能完全不同。

例如：

人类规划方法

动物避障方法

群体协同方法

机器控制方法

它们的外在行为不同，但可以统一表示为：

$M=(G,O,S,C,K,R,A,P,F)M=(G,O,S,C,K,R,A,P,F)$

其中：

$GG$ ：目标；
$OO$ ：对象；
$SS$ ：状态；
$CC$ ：条件；
$KK$ ：知识；
$RR$ ：关系；
$AA$ ：动作序列；
$PP$ ：参数；
$FF$ ：反馈。

因此，不同来源的方法可以转换为统一结构：

人类方法

→ 结构化方法

动物方法

→ 结构化方法

群体方法

→ 结构化方法

机器方法

→ 结构化方法

最终形成：

$Mi→Normalize(Mi)M_i\rightarrow Normalize(M_i)$

标准化之后，可以进行：

方法比较

方法匹配

方法评价

方法优化

方法组合

方法合成

这正是IST的重要工程基础。

18.9.1 方法的基本结构

一个标准智能方法可以定义为：

$M=(ID,G,O,S,C,K,R,A,P,F,V)M=(ID,G,O,S,C,K,R,A,P,F,V)$

其中：

$IDID$ ：方法身份；
$GG$ ：目标；
$OO$ ：对象；
$SS$ ：初始状态；
$CC$ ：条件；
$KK$ ：知识；
$RR$ ：关系；
$AA$ ：动作序列；
$PP$ ：参数；
$FF$ ：反馈；
$VV$ ：验证结果。

因此：

方法 = 目标 + 对象 + 状态 + 条件 + 知识 + 关系 + 动作 + 参数 + 反馈 + 验证

18.9.2 方法的运行结构

方法执行可以表示为：

$M(G,S,C)→A(P)→S′M(G,S,C)\rightarrow A(P)\rightarrow S’$

即：

方法

→ 输入目标、状态和条件

→ 生成动作与参数

→ 改变对象状态

→ 形成新状态

进一步：

$St+Mt→At→St+1S_t+M_t\rightarrow A_t\rightarrow S_{t+1}$

这意味着方法本身是状态转换机制。

18.9.3 方法的评价

方法提取之后不能直接进入智能合成，还必须进行评价。

可以定义：

$Score(M)=w1E+w2A+w3S+w4C+w5V-w6RScore(M)= w_1E+w_2A+w_3S+w_4C+w_5V-w_6R$

其中：

$EE$ ：效率；
$AA$ ：适应性；
$SS$ ：稳定性；
$CC$ ：兼容性；
$VV$ ：验证结果；
$RR$ ：风险与资源成本。

这样可以对不同来源的方法进行统一比较。

18.9.4 方法的可组合性

方法结构化的最终目的之一，是让不同方法能够进行组合。

例如：

人类规划方法

动物空间运动方法

机器精确控制方法

可以形成：

目标规划

→ 空间路径选择

→ 运动执行

→ 精确控制

→ 反馈调整

从而形成新的综合方法。

因此：

$M1+M2+M3→MnewM_1+M_2+M_3 \rightarrow M_{new}$

但组合不能直接进行。

还需要：

方法匹配 → 条件检查 → 参数检查 → 关系检查 → 冲突检测 → 协调 → 方法组合

因此：

$M1,M2,…,Mn→Match→ConflictCheck→Coordinate→CombineM_1,M_2,\ldots,M_n \rightarrow Match \rightarrow ConflictCheck \rightarrow Coordinate \rightarrow Combine$

最终形成：

新方法结构

本章形成的智能方法提取模型

本章建立了IST的智能方法提取体系：

智能来源 → 智能优势 → 智能结构 → 行为过程 → 方法发现 → 方法分解 → 方法提取 → 方法验证 → 方法结构化

其中形成七类核心方法：

问题解决方法

判断方法

决策方法

控制方法

运动方法

适应方法

学习方法

它们并不是相互孤立的。

完整智能运行可以表示为：

问题 → 判断 → 决策 → 方法 → 行为 → 控制 → 反馈 → 学习 → 方法更新

进一步形成：

$Problem→Judgment→Decision→Method→Behavior→Control→Feedback→Learning→NewMethodProblem \rightarrow Judgment \rightarrow Decision \rightarrow Method \rightarrow Behavior \rightarrow Control \rightarrow Feedback \rightarrow Learning \rightarrow NewMethod$

由此，智能方法形成动态闭环。

智能方法的统一结构

经过本章分析，可以把不同来源的智能方法统一为：

$M=(G,O,S,C,K,R,A,P,F,V)M=(G,O,S,C,K,R,A,P,F,V)$

其核心关系为：

目标

→ 当前状态

→ 条件

→ 知识

→ 方法

→ 动作

→ 参数

→ 结果

→ 反馈

→ 方法更新

因此：

$Goal+State+Condition+Knowledge→MethodGoal+State+Condition+Knowledge \rightarrow Method$ $Method+Parameter→BehaviorMethod+Parameter \rightarrow Behavior$ $Behavior→ResultBehavior \rightarrow Result$ $Result→FeedbackResult \rightarrow Feedback$ $Feedback→LearningFeedback \rightarrow Learning$ $Learning→NewMethodLearning \rightarrow NewMethod$

最终形成：

目标 → 方法 → 行为 → 结果 → 反馈 → 学习 → 新方法

工程映射

智能方法可以建立核心对象：

IntelligenceMethod

主要字段：

methodId
methodType
sourceId
advantageId
goal
objectId
initialState
targetState
conditions
knowledge
relations
actions
parameters
constraints
expectedResult
feedback
evaluation
score
version
status

针对不同方法建立：

ProblemSolvingMethod
JudgmentMethod
DecisionMethod
ControlMethod
MovementMethod
AdaptationMethod
LearningMethod

核心服务：

MethodExtractionService
ProblemSolvingMethodExtractor
JudgmentMethodExtractor
DecisionMethodExtractor
ControlMethodExtractor
MovementMethodExtractor
AdaptationMethodExtractor
LearningMethodExtractor
MethodStructuringService
MethodEvaluationService
MethodValidationService
MethodOptimizationService

统一管理：

IntelligenceMethodManager

运行过程：

IntelligenceSource

→ IntelligenceAdvantage

→ Behavior

→ MethodDetection

→ MethodExtraction

→ MethodValidation

→ MethodStructuring

→ MethodEvaluation

→ StandardMethod

数据库可以建立：

intelligence_methods
intelligence_method_goals
intelligence_method_objects
intelligence_method_states
intelligence_method_conditions
intelligence_method_knowledge
intelligence_method_relations
intelligence_method_actions
intelligence_method_parameters
intelligence_method_feedback
intelligence_method_evaluations
intelligence_method_versions

最终形成：

智能来源库

→ 智能优势库

→ 智能结构库

→ 智能方法库

→ 标准方法库

再进入IST后续过程：

标准方法

→ 方法匹配

→ 方法兼容性检测

→ 方法冲突检测

→ 方法组合

→ 新方法形成

→ 智能能力形成

本章总结

第18章研究了IST中的智能方法提取。

第17章解决的是：

智能结构由什么组成？

第18章进一步解决：

智能结构中，如何完成目标的方法是怎样形成的？

本章首先定义了智能方法：

智能方法是在特定目标、对象、状态、场景和约束条件下，为解决问题、改变状态或实现目标而采用的结构化过程。

由此建立：

目标 + 状态 + 条件 + 知识 + 行为 + 参数 + 结果 + 反馈 → 方法

本章进一步研究了七类重要方法：

问题解决方法

解决：

当前状态 → 目标状态

判断方法

解决：

信息 → 状态判断

决策方法

解决：

候选方案 → 方案选择

控制方法

解决：

状态偏差 → 参数调整

运动方法

解决：

空间状态 → 目标空间状态

适应方法

解决：

环境变化 → 方法调整

学习方法

解决：

反馈 → 方法更新

这些方法最终统一为：

$M=(G,O,S,C,K,R,A,P,F,V)M=(G,O,S,C,K,R,A,P,F,V)$

从而把人类、动物、群体和机器中不同形式的智能方法转换为统一的结构化对象。

本章最重要的理论转换是：

智能行为 → 方法发现 → 方法分解 → 方法提取 → 方法验证 → 方法结构化

进一步形成：

自然方法 → 结构化方法 → 标准方法 → 可匹配方法 → 可组合方法

因此，IST开始获得真正可以进行“智能合成”的中间材料。

最终形成：

$多源智能→智能优势→智能结构→智能方法→方法匹配→方法组合→新智能能力多源智能 \rightarrow 智能优势 \rightarrow 智能结构 \rightarrow 智能方法 \rightarrow 方法匹配 \rightarrow 方法组合 \rightarrow 新智能能力$

而方法的动态闭环则形成：

$目标→方法→行为→结果→反馈→学习→新方法目标 \rightarrow 方法 \rightarrow 行为 \rightarrow 结果 \rightarrow 反馈 \rightarrow 学习 \rightarrow 新方法$

这意味着智能方法不是固定不变的程序，而可以在运行、反馈和学习过程中不断调整和优化。

由此，第18章完成了IST从**“提取智能结构”向“提取智能过程”**的重要推进：第17章主要回答“智能由什么结构构成”，第18章则进一步回答“这些结构如何运行、如何解决问题、如何实现目标”。

下一阶段，IST可以进一步研究一个关键问题：**不同智能来源提取出的元素、对象、状态、关系、场景、知识和方法之间，如何进行统一匹配与兼容性判断。**这将成为智能结构进入真正“组合与合成”阶段的基础。

第18章 智能方法提取

第18章 智能方法提取

18.1 方法定义

18.2 问题解决方法

18.3 判断方法

18.4 决策方法

18.5 控制方法

18.6 运动方法

18.7 适应方法

18.8 学习方法

18.9 方法结构化

18.9.1 方法的基本结构

18.9.2 方法的运行结构

18.9.3 方法的评价

18.9.4 方法的可组合性

本章形成的智能方法提取模型

智能方法的统一结构

工程映射

本章总结