第102章　决策计算

102.1 决策计算概述

在个体人工智能（Individual Artificial Intelligence，ICAI）中，**决策计算（Decision Computation）**是指机器个体在明确目标之后，将已有方法、能力、当前状态、环境条件、资源、风险、冲突和规则转换为可比较的候选方案，并通过结构化计算确定各方案适用程度的过程。

第101章已经建立了决策的基本定义：

$Decision=f(Subject,Object,Goal,State,Capability,Method,Condition,Constraint,Risk,Conflict,Resource,Rule)Decision= f( Subject, Object, Goal, State, Capability, Method, Condition, Constraint, Risk, Conflict, Resource, Rule )$

第102章进一步回答：

这些因素如何真正参与计算？

因此，决策计算可以表示为：

$Goal→Candidate→ConditionCalculation→CapabilityCalculation→RiskCalculation→ConflictCalculation→PlanComparison\boxed{ Goal \rightarrow Candidate \rightarrow ConditionCalculation \rightarrow CapabilityCalculation \rightarrow RiskCalculation \rightarrow ConflictCalculation \rightarrow PlanComparison }$

最终形成：

$PlanComparison→DecisionPlanComparison \rightarrow Decision$

决策计算不是简单的数值计算，而是由结构检查、条件判断、能力判断、风险判断、冲突判断、规则判断和方案比较组成的综合计算过程。

其核心原则是：

$先判断是否可行，再比较哪个更优\boxed{ 先判断是否可行，再比较哪个更优 }$

因此不能直接对所有方案进行普通排序，而必须首先排除不满足关键条件、关键能力、强制约束或者安全要求的方案。

102.2 候选方案

**候选方案（Candidate Plan）**是机器个体针对一个目标，根据已有方法、能力和当前条件形成的可供进一步计算和比较的方案集合。

候选方案可以来源于：

$Method→CandidatePlanMethod \rightarrow CandidatePlan$

也可以由多个方法组合形成：

$M1+M2+⋯+Mn→PCM_1+M_2+\cdots+M_n \rightarrow P_C$

其中：

$MiM_i$ ：一个具体方法；
$PCP_C$ ：候选方案。

候选方案集合表示为：

$P={P1,P2,…,Pn}P= \{P_1,P_2,\ldots,P_n\}$

每一个候选方案都必须具有明确结构：

$Pi={ID,Goal,Object,Method,Capability,State,Condition,Resource,Risk,Constraint,ExpectedResult}P_i= \{ ID, Goal, Object, Method, Capability, State, Condition, Resource, Risk, Constraint, ExpectedResult \}$

因此，一个方案不是简单的“选择A”或者“选择B”，而是完整的执行结构。

例如一个设备维护目标：

目标
↓
恢复设备正常运行
↓
候选方案
├── P1：立即停机维修
├── P2：降低负载后维修
├── P3：继续运行并安排维护
└── P4：更换故障部件

这些方案都可能达到相同目标，但其条件、能力要求、风险、资源消耗和预期结果不同。

因此：

$Goal(P1)=Goal(P2)=Goal(P3)=Goal(P4)Goal(P_1)=Goal(P_2)=Goal(P_3)=Goal(P_4)$

并不意味着：

$P1=P2=P3=P4P_1=P_2=P_3=P_4$

不同方案之间必须进入后续计算。

102.3 候选方案形成

候选方案的来源主要包括五种。

102.3.1 方法直接形成方案

$Method→CandidatePlanMethod\rightarrow CandidatePlan$

已有方法能够直接满足目标时，可以直接形成候选方案。

102.3.2 方法组合形成方案

$M1⊕M2⊕M3→PM_1\oplus M_2\oplus M_3\rightarrow P$

例如：

检测方法
↓
定位方法
↓
维修方法
↓
验证方法
↓
形成完整方案

102.3.3 方法变体形成方案

$M→M1,M2,M3M\rightarrow M_1,M_2,M_3$

同一个方法可以根据不同条件产生不同执行方案。

102.3.4 历史经验形成方案

$Experience→CandidatePlanExperience\rightarrow CandidatePlan$

过去已经验证成功的方法可以再次形成候选方案。

102.3.5 新方法形成方案

$Knowledge+Experience+Capability→NewMethod→CandidatePlanKnowledge+Experience+Capability \rightarrow NewMethod \rightarrow CandidatePlan$

因此：

$CandidatePlan=f(Method,Experience,Knowledge,Goal,Condition)CandidatePlan= f(Method,Experience,Knowledge,Goal,Condition)$

102.4 候选方案过滤

候选方案形成以后，不能立即进入最终选择。

首先必须进行方案过滤：

$CandidateSet→ConditionCheck→CapabilityCheck→ConstraintCheck→RiskCheck→ConflictCheckCandidateSet \rightarrow ConditionCheck \rightarrow CapabilityCheck \rightarrow ConstraintCheck \rightarrow RiskCheck \rightarrow ConflictCheck$

可以表示为：

$PC'=Filter(PC)P_C’ = Filter(P_C)$

如果方案完全无法满足关键要求：

$Pi⊭RequiredConditionP_i\not\models RequiredCondition$

则：

$Pi→RemoveP_i\rightarrow Remove$

如果方案需要机器个体不存在的关键能力：

$CapabilityRequired⊈CapabilityAvailableCapabilityRequired\not\subseteq CapabilityAvailable$

则：

$Pi→UnavailableP_i\rightarrow Unavailable$

如果方案违反强制约束：

$Constraint(Pi)=FalseConstraint(P_i)=False$

则：

$Pi→BlockedP_i\rightarrow Blocked$

因此：

$CandidatePlan≠ValidCandidatePlan\boxed{ CandidatePlan \neq ValidCandidatePlan }$

只有通过必要检查的方案，才能进入方案比较。

102.5 条件计算

**条件计算（Condition Calculation）**是对候选方案所需要的对象、状态、环境、时间、空间、资源和其他前置条件进行判断的过程。

定义：

$ConditionCalculation=f(Object,State,Environment,Time,Space,Resource,Relation,Rule)ConditionCalculation= f( Object, State, Environment, Time, Space, Resource, Relation, Rule )$

当前条件集合表示为：

$Ccurrent={C1,C2,…,Cn}C_{current}= \{C_1,C_2,\ldots,C_n\}$

方案要求条件：

$Crequired={R1,R2,…,Rm}C_{required}= \{R_1,R_2,\ldots,R_m\}$

通过比较：

$Crequired↔CcurrentC_{required} \leftrightarrow C_{current}$

得到条件计算结果。

条件状态可以定义为：

$ConditionResult∈{Satisfied,PartiallySatisfied,Unsatisfied,Unknown}ConditionResult\in \{ Satisfied, PartiallySatisfied, Unsatisfied, Unknown \}$

如果所有必要条件满足：

$∀Ci∈Crequired,Ci=True\forall C_i\in C_{required}, C_i=True$

则：

$ConditionResult=FullConditionResult=Full$

如果部分条件满足：

$ConditionResult=PartialConditionResult=Partial$

如果关键条件不满足：

$ConditionResult=NoneConditionResult=None$

102.6 条件计算类型

条件计算可以分为多个维度。

对象条件

$Objectcurrent↔ObjectrequiredObject_{current}\leftrightarrow Object_{required}$

状态条件

$Statecurrent↔StaterequiredState_{current}\leftrightarrow State_{required}$

时间条件

$Tcurrent∈TallowedT_{current}\in T_{allowed}$

空间条件

$Position∈SpaceRangePosition\in SpaceRange$

环境条件

$Environmentcurrent⊨EnvironmentrequiredEnvironment_{current}\models Environment_{required}$

资源条件

$Resourcerequired≤ResourceavailableResource_{required}\leq Resource_{available}$

关系条件

$Relationcurrent⊨RelationrequiredRelation_{current}\models Relation_{required}$

规则条件

$Condition⊨RuleCondition\models Rule$

最终：

$ConditionResult=f(Object,State,Time,Space,Environment,Resource,Relation,Rule)ConditionResult= f( Object, State, Time, Space, Environment, Resource, Relation, Rule )$

102.7 能力计算

**能力计算（Capability Calculation）**是判断机器个体当前能力是否能够支持候选方案执行的过程。

能力计算不能只判断：

有没有这个能力？

还必须判断：

当前是否能够使用这个能力？

因此：

$CapabilityExistence≠CapabilityAvailabilityCapabilityExistence\neq CapabilityAvailability$

能力计算表示为：

$CapabilityCalculation=f(Capability,State,Condition,Resource,Range,Goal,Method)CapabilityCalculation= f( Capability, State, Condition, Resource, Range, Goal, Method )$

候选方案所需能力：

$CR={C1r,C2r,…,Cnr}C_R= \{C_1^r,C_2^r,\ldots,C_n^r\}$

当前可用能力：

$CA={C1a,C2a,…,Cma}C_A= \{C_1^a,C_2^a,\ldots,C_m^a\}$

如果：

$CR⊆CAC_R\subseteq C_A$

则基本能力满足。

如果：

$CR∩CA≠∅C_R\cap C_A\neq\varnothing$

则可能形成部分能力支持。

如果：

$CR∩CA=∅C_R\cap C_A=\varnothing$

则方案无法由当前个体执行。

102.8 能力状态计算

能力计算还必须考虑能力状态：

$CapabilityState∈{Available,Unavailable,Partial,Temporary,Failed,Recovering}CapabilityState\in \{ Available, Unavailable, Partial, Temporary, Failed, Recovering \}$

例如：

能力存在
↓
能力状态检查
├── Available → 可以使用
├── Partial → 部分使用
├── Temporary → 条件允许时使用
├── Failed → 不可使用
└── Recovering → 暂不可使用

因此：

$Available(C)=f(Existence,State,Condition,Resource,Time)Available(C)= f( Existence, State, Condition, Resource, Time )$

方案能力结果：

$CapabilityResult∈{Full,Partial,None,Blocked}CapabilityResult\in \{ Full, Partial, None, Blocked \}$

102.9 能力范围计算

即使机器个体具有某项能力，也不意味着能力可以覆盖全部方案要求。

因此必须计算能力范围：

$Range(C)={ObjectRange,QuantityRange,SpaceRange,TimeRange,ParameterRange,ResultRange}Range(C)= \{ ObjectRange, QuantityRange, SpaceRange, TimeRange, ParameterRange, ResultRange \}$

方案要求：

$RangeRRange_R$

当前能力范围：

$RangeCRange_C$

如果：

$RangeR⊆RangeCRange_R\subseteq Range_C$

则：

$RangeMatch=FullRangeMatch=Full$

如果：

$RangeR∩RangeC≠∅Range_R\cap Range_C\neq\varnothing$

则：

$RangeMatch=PartialRangeMatch=Partial$

如果：

$RangeR∩RangeC=∅Range_R\cap Range_C=\varnothing$

则：

$RangeMatch=NoneRangeMatch=None$

因此：

$CapabilityCalculation=Type+State+Availability+Strength+Range+ConditionCapabilityCalculation = Type+ State+ Availability+ Strength+ Range+ Condition$

102.10 风险计算

**风险计算（Risk Calculation）**是对候选方案可能产生的不利结果、损失、异常、失败或者安全问题进行结构化判断的过程。

风险不是对未来进行不可验证的猜测，而是根据机器个体已有的风险规则、历史经验、对象状态、方法特征和条件进行计算。

定义：

$RiskCalculation=f(Object,State,Method,Condition,History,Rule,Result)RiskCalculation= f( Object, State, Method, Condition, History, Rule, Result )$

风险对象可以表示为：

$Risk={ID,Object,Type,Source,Condition,Probability,Impact,Level,Rule,Status}Risk= \{ ID, Object, Type, Source, Condition, Probability, Impact, Level, Rule, Status \}$

其中：

$ProbabilityProbability$ ：风险发生概率；
$ImpactImpact$ ：风险发生后的影响程度；
$LevelLevel$ ：风险等级。

在规则系统中，可以使用：

$RiskLevel=f(Probability,Impact)RiskLevel=f(Probability,Impact)$

例如：

$RiskScore=Probability×ImpactRiskScore=Probability\times Impact$

如果概率和影响均采用0到1的结构化数值：

$Probability∈[0,1]Probability\in[0,1]$ $Impact∈[0,1]Impact\in[0,1]$

则：

$RiskScore∈[0,1]RiskScore\in[0,1]$

但是数值本身不是唯一依据。

某些风险属于禁止型风险。

即使：

$RiskScoreRiskScore$

不高，只要违反安全规则：

$SafetyRule=FalseSafetyRule=False$

仍然必须：

$Plan=BlockedPlan=Blocked$

因此：

$RiskCalculation≠RiskScoreCalculationRiskCalculation\neq RiskScoreCalculation$

风险计算首先是规则判断，其次才是必要的等级或数值计算。

102.11 风险等级

风险可以按照机器个体内部规则划分：

$RiskLevel∈{Low,Medium,High,Critical}RiskLevel\in \{ Low, Medium, High, Critical \}$

对应：

低风险
↓
允许考虑

中风险
↓
需要额外条件

高风险
↓
限制或禁止

关键风险
↓
直接阻止

可以建立：

$RiskLevel→DecisionConstraintRiskLevel \rightarrow DecisionConstraint$

例如：

$RiskLevel=Critical⇒Decision=BlockedRiskLevel=Critical \Rightarrow Decision=Blocked$

这体现了风险计算与决策约束之间的直接关系。

102.12 冲突计算

**冲突计算（Conflict Calculation）**是判断候选方案内部或者不同方案之间是否存在目标、资源、条件、行为、规则或结果上的矛盾的过程。

冲突可以发生在：

$Conflict={GoalConflict,MethodConflict,ResourceConflict,StateConflict,RuleConflict,SafetyConflict,TimeConflict,ObjectConflict}Conflict= \{ GoalConflict, MethodConflict, ResourceConflict, StateConflict, RuleConflict, SafetyConflict, TimeConflict, ObjectConflict \}$

例如两个方案同时需要同一个设备：

$P1→ResourceAP_1\rightarrow Resource_A$ $P2→ResourceAP_2\rightarrow Resource_A$

如果资源不能同时被使用：

$ResourceConflict(P1,P2)=TrueResourceConflict(P_1,P_2)=True$

则两个方案不能同时执行。

102.13 目标冲突

两个目标可能同时存在：

$G1∧G2G_1\land G_2$

但是如果实现其中一个目标会阻碍另一个：

$G1→¬G2G_1\rightarrow \neg G_2$

则：

$GoalConflict=TrueGoalConflict=True$

例如：

目标A：降低成本
目标B：提高配置

如果提高配置必然增加成本，则两个目标之间可能存在冲突。

目标冲突不能简单删除一个目标，而应进入：

$PriorityComparison→GoalSelectionPriorityComparison \rightarrow GoalSelection$

102.14 方法冲突

不同方法可能对同一对象产生互相冲突的操作。

$M1→StateAM_1\rightarrow State_A$ $M2→StateBM_2\rightarrow State_B$

如果：

$StateA∩StateB=∅State_A\cap State_B=\varnothing$

且两个方法不能同时执行，则：

$MethodConflict=TrueMethodConflict=True$

方法冲突需要结合：

$Object+State+Sequence+Condition+ResourceObject+ State+ Sequence+ Condition+ Resource$

进行判断。

因此：

$MethodConflict=f(Object,State,Sequence,Condition,Resource)MethodConflict = f( Object, State, Sequence, Condition, Resource )$

102.15 资源冲突

如果多个候选方案需要同一个有限资源：

$R(P1)∩R(P2)≠∅R(P_1)\cap R(P_2)\neq\varnothing$

且：

$ResourceCapacity<Requirement(P1)+Requirement(P2)ResourceCapacity<Requirement(P_1)+Requirement(P_2)$

则：

$ResourceConflict=TrueResourceConflict=True$

资源冲突是决策计算中的重要约束。

例如：

方案P1
↓
需要设备A

方案P2
↓
需要设备A

设备A
↓
同一时间只能执行一个任务
↓
产生资源冲突

此时必须进行方案比较，而不能让两个方案同时进入执行。

102.16 冲突计算结果

冲突结果可以表示为：

$ConflictResult∈{None,Minor,Major,Critical}ConflictResult\in \{ None, Minor, Major, Critical \}$

也可以采用结构化状态：

$ConflictStatus∈{NoConflict,Conflict,Resolvable,Unresolvable}ConflictStatus\in \{ NoConflict, Conflict, Resolvable, Unresolvable \}$

如果冲突可以通过顺序调整解决：

$P1∥P2→P1→P2P_1\parallel P_2 \rightarrow P_1\rightarrow P_2$

则可以转换为顺序方案。

如果冲突无法消除：

$Conflict=UnresolvableConflict=Unresolvable$

则至少一个候选方案必须被排除。

102.17 方案比较

**方案比较（Plan Comparison）**是在完成条件、能力、风险和冲突计算之后，对剩余有效候选方案进行结构化比较的过程。

设有效方案集合为：

$PV={P1,P2,…,Pn}P_V= \{P_1,P_2,\ldots,P_n\}$

比较：

$Pi↔PjP_i\leftrightarrow P_j$

比较维度可以包括：

$Comparison={GoalMatch,Condition,Capability,Risk,Resource,Cost,Time,Scope,Result,Rule}Comparison= \{ GoalMatch, Condition, Capability, Risk, Resource, Cost, Time, Scope, Result, Rule \}$

其中：

GoalMatch：目标满足程度；
Condition：条件满足程度；
Capability：能力满足程度；
Risk：风险水平；
Resource：资源占用；
Cost：成本；
Time：时间；
Scope：适用范围；
Result：预期结果；
Rule：规则符合程度。

102.18 方案比较顺序

方案比较必须遵守一定顺序。

第一步：

$ConditionCheckConditionCheck$

第二步：

$CapabilityCheckCapabilityCheck$

第三步：

$ConstraintCheckConstraintCheck$

第四步：

$RiskCheckRiskCheck$

第五步：

$ConflictCheckConflictCheck$

第六步：

$PlanComparisonPlanComparison$

因此：

$条件→能力→约束→风险→冲突→比较\boxed{ 条件 \rightarrow 能力 \rightarrow 约束 \rightarrow 风险 \rightarrow 冲突 \rightarrow 比较 }$

不能把普通优先级比较放在安全约束之前。

例如：

$P1.Priority>P2.PriorityP_1.Priority>P_2.Priority$

并不能直接推出：

$P1=BestP_1=Best$

必须首先满足：

$Valid(P1)=TrueValid(P_1)=True$

102.19 方案综合评价

对于通过必要检查的方案，可以建立综合评价：

$Score(Pi)=f(GoalMatch,Condition,Capability,Risk,Resource,Cost,Time,Result)Score(P_i)= f( GoalMatch, Condition, Capability, Risk, Resource, Cost, Time, Result )$

在需要数值化的工程实现中，可以定义：

$Scorei=wgGi+wcCi+wcapCapi+wrRi+wresResi+wtTi−wriskRiski−wcostCostiScore_i= w_gG_i+ w_cC_i+ w_{cap}Cap_i+ w_rR_i+ w_{res}Res_i+ w_tT_i- w_{risk}Risk_i- w_{cost}Cost_i$

其中：

$GiG_i$ ：目标匹配值；
$CiC_i$ ：条件满足值；
$CapiCap_i$ ：能力满足值；
$RiR_i$ ：结果符合值；
$ResiRes_i$ ：资源适合值；
$TiT_i$ ：时间适合值；
$RiskiRisk_i$ ：风险值；
$CostiCost_i$ ：成本值；
$ww$ ：由工程规则预先设定的权重。

这里的权重是明确的规则参数，不是神经网络中的训练权重。

更重要的是：

$SafetyConstraint=False⇒Pi=BlockedSafetyConstraint=False \Rightarrow P_i=Blocked$

因此普通评分不能覆盖强制约束。

102.20 方案排序

有效方案完成评价后，可以进行排序：

$P(1)≻P(2)≻P(3)P_{(1)} \succ P_{(2)} \succ P_{(3)}$

其中：

$P(1)P_{(1)}$

表示当前规则下优先级最高的有效方案。

如果存在：

$Score(P1)=Score(P2)Score(P_1)=Score(P_2)$

则需要继续使用次级比较条件：

$Risk→Cost→Time→Resource→HistoryRisk \rightarrow Cost \rightarrow Time \rightarrow Resource \rightarrow History$

例如：

$Risk(P1)<Risk(P2)Risk(P_1)<Risk(P_2)$

则：

$P1≻P2P_1\succ P_2$

这样可以避免仅依赖单一数值。

102.21 决策计算的完整过程

综合本章内容，ICAI决策计算可以建立如下完整运行过程：

目标
↓
读取方法集合
↓
形成候选方案
↓
候选方案过滤
↓
条件计算
↓
能力计算
↓
约束计算
↓
风险计算
↓
冲突计算
↓
形成有效方案集合
↓
方案比较
↓
方案评价
↓
方案排序
↓
形成最优候选方案
↓
进入决策形成

形式化表示为：

$Goal→CandidatePlan→Condition→Capability→Constraint→Risk→Conflict→Comparison→Evaluation\boxed{ Goal \rightarrow CandidatePlan \rightarrow Condition \rightarrow Capability \rightarrow Constraint \rightarrow Risk \rightarrow Conflict \rightarrow Comparison \rightarrow Evaluation }$

最终：

$Evaluation→DecisionCandidate\boxed{ Evaluation \rightarrow DecisionCandidate }$

本章只负责形成决策候选结果，并不直接等同于最终决策。

因此：

$DecisionComputation≠DecisionDecisionComputation\neq Decision$

两者关系为：

$DecisionComputation→DecisionCandidate→DecisionFormation→DecisionDecisionComputation \rightarrow DecisionCandidate \rightarrow DecisionFormation \rightarrow Decision$

102.22 决策计算中的无方案状态

决策计算必须允许出现：

$CandidateSet=∅CandidateSet=\varnothing$

即没有任何有效候选方案。

产生这种情况的原因可能包括：

目标
↓
没有适用方法
↓
无候选方案

或者：

候选方案
↓
条件全部不满足
↓
无有效方案

或者：

候选方案
↓
能力不足
↓
全部被排除

或者：

候选方案
↓
关键风险过高
↓
全部阻止

或者：

候选方案
↓
关键冲突无法解决
↓
全部无效

此时系统不能强制产生一个方案。

$CandidateSet=∅⇒NoDecisionCandidateCandidateSet=\varnothing \Rightarrow NoDecisionCandidate$

后续可以进入：

$NoDecisionCandidate→MethodFormationNoDecisionCandidate \rightarrow MethodFormation$

或者：

$NoDecisionCandidate→CapabilityFormationNoDecisionCandidate \rightarrow CapabilityFormation$

或者：

$NoDecisionCandidate→GoalAdjustmentNoDecisionCandidate \rightarrow GoalAdjustment$

从而形成反馈机制。

102.23 决策计算工程模型

决策计算在工程上可以对应：

DecisionComputation
↓
DecisionCandidateBuilder
↓
ConditionCalculator
↓
CapabilityCalculator
↓
ConstraintChecker
↓
RiskCalculator
↓
ConflictCalculator
↓
PlanComparator
↓
DecisionEvaluation

核心PHP对象可以定义为：

class DecisionComputation
{
    protected $goal;
    protected $candidates;
    protected $conditions;
    protected $capabilities;
    protected $constraints;
    protected $risks;
    protected $conflicts;
    protected $comparison;
    protected $result;
}

候选方案：

class DecisionPlan
{
    protected $id;
    protected $goalId;
    protected $objectId;
    protected $methodId;
    protected $capabilities;
    protected $conditions;
    protected $constraints;
    protected $resources;
    protected $risks;
    protected $expectedResult;
    protected $status;
}

条件计算：

class DecisionConditionCalculator
{
    public function calculate($plan, $context)
    {
        return null;
    }
}

能力计算：

class DecisionCapabilityCalculator
{
    public function calculate($plan, $capabilities, $context)
    {
        return null;
    }
}

风险计算：

class DecisionRiskCalculator
{
    public function calculate($plan, $context)
    {
        return null;
    }
}

冲突计算：

class DecisionConflictCalculator
{
    public function calculate($plans, $context)
    {
        return null;
    }
}

方案比较：

class DecisionPlanComparator
{
    public function compare($planA, $planB)
    {
        return null;
    }

    public function rank($plans)
    {
        return array();
    }
}

总决策计算引擎：

class DecisionComputationEngine
{
    public function buildCandidates($goal, $methods)
    {
        return array();
    }

    public function calculateConditions($plans, $context)
    {
        return array();
    }

    public function calculateCapabilities($plans, $context)
    {
        return array();
    }

    public function calculateRisks($plans, $context)
    {
        return array();
    }

    public function calculateConflicts($plans, $context)
    {
        return array();
    }

    public function comparePlans($plans, $context)
    {
        return array();
    }

    public function compute($goal, $methods, $context)
    {
        return null;
    }
}

102.24 数据库工程映射

决策计算可以建立以下数据结构：

cognitive_decision_plans
cognitive_decision_plan_conditions
cognitive_decision_plan_capabilities
cognitive_decision_plan_constraints
cognitive_decision_plan_risks
cognitive_decision_plan_conflicts
cognitive_decision_plan_comparisons
cognitive_decision_computations
cognitive_decision_computation_history

其中：

cognitive_decision_plans保存候选方案；

cognitive_decision_plan_conditions保存条件计算；

cognitive_decision_plan_capabilities保存能力计算；

cognitive_decision_plan_constraints保存约束检查；

cognitive_decision_plan_risks保存风险计算；

cognitive_decision_plan_conflicts保存冲突计算；

cognitive_decision_plan_comparisons保存方案比较；

cognitive_decision_computations保存一次完整决策计算；

cognitive_decision_computation_history保存历史计算过程。

因此：

$DecisionComputation→DomainObject→PHPClass→Engine→Repository→MySQLDecisionComputation \rightarrow DomainObject \rightarrow PHPClass \rightarrow Engine \rightarrow Repository \rightarrow MySQL$

形成完整工程闭环。

102.25 决策计算与前后理论的关系

第91—96章建立的是匹配理论：

$Matching→MatchResultMatching \rightarrow MatchResult$

第97—100章建立的是方法理论：

$Method→MethodFormation→MethodMatching→MethodSelectionMethod \rightarrow MethodFormation \rightarrow MethodMatching \rightarrow MethodSelection$

第101章建立决策理论：

$DecisionDecision$

第102章建立决策计算：

$DecisionComputationDecisionComputation$

因此形成完整理论链：

$Goal→CapabilityMatching→MethodMatching→MethodSelection→DecisionComputation→Decision\boxed{ Goal \rightarrow CapabilityMatching \rightarrow MethodMatching \rightarrow MethodSelection \rightarrow DecisionComputation \rightarrow Decision }$

进一步进入行为：

$Decision→Behavior→Action→Result\boxed{ Decision \rightarrow Behavior \rightarrow Action \rightarrow Result }$

再通过反馈进入学习：

$Result→Feedback→Memory→Experience→Learning→Capability/Method/DecisionUpdate\boxed{ Result \rightarrow Feedback \rightarrow Memory \rightarrow Experience \rightarrow Learning \rightarrow Capability/Method/DecisionUpdate }$

102.26 决策计算统一模型

综合本章六个核心内容，可以建立ICAI决策计算统一模型：

$DC=f(P,C,Cap,Risk,Conflict,Comparison)\boxed{ DC= f( P, C, Cap, Risk, Conflict, Comparison ) }$

其中：

$DCDC$ ：决策计算结果；
$PP$ ：候选方案；
$CC$ ：条件计算；
$CapCap$ ：能力计算；
$RiskRisk$ ：风险计算；
$ConflictConflict$ ：冲突计算；
$ComparisonComparison$ ：方案比较。

完整计算过程：

$CandidatePlan→ConditionCalculation→CapabilityCalculation→RiskCalculation→ConflictCalculation→PlanComparison\boxed{ CandidatePlan \rightarrow ConditionCalculation \rightarrow CapabilityCalculation \rightarrow RiskCalculation \rightarrow ConflictCalculation \rightarrow PlanComparison }$

其核心工程原则为：

$先可行性，后优先级；先约束，后比较；先安全，后执行；先计算，后决策。\boxed{ 先可行性，后优先级；先约束，后比较；先安全，后执行；先计算，后决策。 }$

因此，ICAI的决策不是预先规定一个固定答案，而是根据机器个体当前的实际认知结构和运行条件，通过明确的结构化计算形成。

102.27 本章总结

第102章建立了决策计算理论（Decision Computation Theory）。

本章的核心不是讨论“决定是什么”，而是讨论：

机器个体怎样计算一个决策。

完整过程为：

$候选方案→条件计算→能力计算→风险计算→冲突计算→方案比较\boxed{ 候选方案 \rightarrow 条件计算 \rightarrow 能力计算 \rightarrow 风险计算 \rightarrow 冲突计算 \rightarrow 方案比较 }$

其中：

候选方案解决“有哪些可行方案”；
条件计算解决“当前条件是否允许”；
能力计算解决“机器个体能否执行”；
风险计算解决“执行可能产生什么风险”；
冲突计算解决“方案之间是否存在矛盾”；
方案比较解决“在有效方案中哪个更加适合”。

最终形成：

$DecisionCandidateDecisionCandidate$

再进入：

$DecisionCandidate→DecisionDecisionCandidate \rightarrow Decision$

因此，第101章与第102章形成：

$决策理论→决策计算\boxed{ 决策理论 \rightarrow 决策计算 }$

而与前面的理论连接为：

$目标→能力→匹配→方法→方法选择→决策计算→决策→行为→动作→结果\boxed{ 目标 \rightarrow 能力 \rightarrow 匹配 \rightarrow 方法 \rightarrow 方法选择 \rightarrow 决策计算 \rightarrow 决策 \rightarrow 行为 \rightarrow 动作 \rightarrow 结果 }$

至此，ICAI已经建立了从目标形成、能力匹配、方法选择，到决策计算的完整机器认知计算链，为后续进一步研究决策形成、决策评价、决策风险、决策冲突和决策执行奠定了理论基础。

第102章 决策计算

第102章 决策计算

102.1 决策计算概述

102.2 候选方案

102.3 候选方案形成

102.3.1 方法直接形成方案

102.3.2 方法组合形成方案

102.3.3 方法变体形成方案

102.3.4 历史经验形成方案

102.3.5 新方法形成方案

102.4 候选方案过滤

102.5 条件计算

102.6 条件计算类型

对象条件

状态条件

时间条件

空间条件

环境条件

资源条件

关系条件

规则条件

102.7 能力计算

102.8 能力状态计算

102.9 能力范围计算

102.10 风险计算

102.11 风险等级

102.12 冲突计算

102.13 目标冲突

102.14 方法冲突

102.15 资源冲突

102.16 冲突计算结果

102.17 方案比较

102.18 方案比较顺序

102.19 方案综合评价

102.20 方案排序

102.21 决策计算的完整过程

102.22 决策计算中的无方案状态

102.23 决策计算工程模型

102.24 数据库工程映射

102.25 决策计算与前后理论的关系

102.26 决策计算统一模型

102.27 本章总结