[0001] 本发明涉及一种决策网络系统，特别是一种高效能且可应用于人工智能的决策网络系统。本发明还涉及此决策网络系统的决策方法。

[0002] 由于科技的进步，人工智能进展快速；目前，人工智能已经成为了未来发展的趋势；因此，目前世界上许多大型的科技公司也已经投入大量资源来研发人工智能的相关技术。

[0003] 而规划(Planning)为人工智能中的一项重要领域；然而，由于决策网络中的因果关系为非线性的，且需处理复杂的事件及情境，而传统的决策方法，如判定树(Decision tree)、垃圾筒模型(Garbage can model)及策略性选择方法(Strategic choice approach)并无法有效地处理非线性的因果关系及复杂的事件及情境，故传统的决策方法应用于决策网络中无法达到较佳的效果。

[0004] 另外，传统的决策方法通常只考虑单一个面向，如前因后果、关系及顺序来进行分析，并无法针对所有的面向来进行分析，因此也通常无法帮助使用者做出最佳的决策计划。

[0005] 此外，传统的决策方法通常只能针对单一决策状况做出单一的决策，因此无法处理较为复杂的状况。

[0006] 因此，如何提出一种可应用于决策网络的决策技术，能够有效改善现有的决策方法的各种问题，已成为了一个刻不容缓的议题。

[0037] 以下将参照相关图式，说明依本发明的决策网络系统及决策网络的决策方法的实施例，为了清楚与方便图式说明之故，图式中的各部件在尺寸与比例上可能会被夸大或缩小地呈现。在以下描述及/或权利要求中，当提及组件「连接」或「耦合」至另一组件时，其可直接连接或耦合至该另一组件或可存在介入组件；而当提及组件「直接连接」或「直接耦合」至另一组件时，不存在介入组件，用于描述组件或层之间的关系的其他字词应以相同方式解释。为使便于理解，下述实施例中的相同组件以相同的符号标示来说明。

[0038] 请参阅图1、图2及图3，其分别为本发明的一实施例的决策网络系统的方块图、示意图及流程图。如图1所示，决策网络系统1可应用于人工智能，并可改善人工智能的效能，此决策网络系统1可包含储存电路12、处理电路13及输入界面11；在一实施例中，决策网络系统1可通过一个计算机装置实现，储存电路12可为此计算机装置的数据库(Database)；处理电路13可为此计算机装置的信息处理器(Information processor)；输入界面11可为此计算机装置的键盘等。

[0039] 输入界面11可供用户输入数据I；数据I可包含多个决策状况(Decision situation)、多个决策者(Decision maker)、多个问题(Problem)及多个解决方案(Solution)；此外，数据I可进一步包含各个决策状况的发生率、各个决策者对于各个决策状况的关连性与效益(Utility)、各个问题对于各个决策状况的关连性与效益以及各个解决方案对于各个决策状况的关连性与效益。在本实施例中，该多个决策状况可包含必然状况或非必然状况；必然状况的发生率为100％，而非必然状况的发生率小于100％；各个决策者对于各个决策状况的关连性与效益可分别表示此决策者是否与此决策状况相关，以及在此决策状况中对于利害关系人的满意度等级所造成的影响；各个问题对于各个决策状况的关连性与效益可分别表示此问题是否与此决策状况相关，以及在此决策状况中对于利害关系人的满意度等级所造成的影响；各个解决方案对于各个决策状况的关连性与效益可分别表示此解决方案是否与此决策状况相关，以及在此决策状况中对于利害关系人的满意度等级所造成的影响。

[0040] 储存电路12可与输入界面11连接，并可储存储存数据I。

[0041] 处理电路13可与储存电路12连接，并可根据储存电路12储存的数据计算该多个决策者、该多个问题及该多个解决方案的所有组合中的每一个组合对该多个决策状况的总预期效益；最后，处理电路13可挑选具有最高的总预期效益的组合作为决策计划PL。

[0042] 请参阅图2，其中PL表示决策计划；ST1～ST3表示决策状况；D1～D3表示决策；DM1～DM3表示决策者；P1～P3表示问题；S1～S3表示解决方案。

[0043] 如图2所示，决策网络系统1可快速地做出包含多个决策D1～D3的决策计划PL，且决策D2可在考虑决策D1的前提下做出；同样的，决策D3可在考虑决策D2的前提下做出；因此，决策网络系统1产生的决策计划PL中的各个决策D1～D3彼此间可具有联系，且可将多个具有不同偏好的利害关系人纳入考虑，因此可有效地帮助使用者做出最佳的决策计划PL，且可更有效率地处理大规模的决策状况。

[0044] 由上述可知，决策网络系统1可挑选具有最高的总预期效益的组合作为决策计划PL以达到最高的总预期效益，因此可有效地帮助使用者做出最有利的决策计划PL。

[0045] 此外，决策网络系统1可将各个决策状况ST1～ST3的发生率及各个决策者DM1～DM3、各个问题P1～P3及各个解决方案S1～S3对于各个决策状况ST1～ST3的相关信息均纳入考虑，故可有效地处理决策网络中非线性的因果关系及复杂的事件及情境，且可以针对前因后果、关系及顺序等多个面向来进行分析，因此可有效地帮助使用者做出最佳的决策计划PL。

[0046] 另外，决策网络系统1产生的决策计划PL中的各个决策D1～D3彼此间可具有联系，且可将多个具有不同偏好的利害关系人纳入考虑，因此可有效地帮助使用者做出最佳的决策计划PL，且可更有效率地处理大规模的决策状况。

[0047] 如图3所示，本实施例的决策网络系统1的决策方法可包含下列步骤：

[0048] 步骤S31：提供多个决策状况、多个决策者、多个问题及多个解决方案。

[0049] 步骤S32：决定各个决策状况的发生率、各个决策者对于各个决策状况的关连性与效益、各个问题对于各个决策状况的关连性与效益以及各个解决方案对于各个决策状况的关连性与效益。

[0050] 步骤S33：计算该多个决策者、该多个问题及该多个解决方案的所有组合中的每一个组合对该多个决策状况的总预期效益。

[0051] 当然，上述仅为举例，决策网络系统1的各组件及其功能均可依实际需求变化，本发明并不以此为限。

[0052] 值得一提的是，传统的决策方法，如判定树、垃圾筒模型及策略性选择方法并无法有效地处理非线性的因果关系及复杂的事件及情境，故传统的决策方法应用于决策网络中无法达到较佳的效果。相反的，根据本发明的实施例，决策网络的决策方法可将各个决策状况的发生率、各个决策者对于各个决策状况的关连性与效益、各个问题对于各个决策状况的关连性与效益以及各个解决方案对于各个决策状况的关连性与效益均纳入考虑，因此可有效地处理决策网络中非线性的因果关系及复杂的事件及情境，故可达到极佳的效果。

[0053] 又，传统的决策方法通常只考虑单一个面向，如前因后果、关系及顺序来进行分析，并无法针对所有的面向来进行分析，因此也通常无法帮助使用者做出最佳的决策计划。相反的，根据本发明的实施例，决策网络的决策方法可将各个决策状况的发生率及各个决策者、各个问题及各个解决方案对于各个决策状况的相关信息均纳入考虑，故可以针对前因后果、关系及顺序等多个面向来进行分析，因此可有效地帮助使用者做出最佳的决策计划。

[0054] 此外，传统的决策方法通常只能针对单一决策状况做出单一的决策，因此无法处理较为复杂的状况。相反的，根据本发明的实施例，决策网络的决策方法可快速地做出包含多个决策的决策计划，这些决策彼此间具有连系，且将多个具有不同偏好的利害关系人纳入考虑，因此可有效地帮助使用者做出最佳的决策计划，且可更有效率地处理大规模的决策状况。

[0055] 由上述可知，本实施例的决策网络的决策方法可达到上述的功效，因此很适合应用于人工智能的相关技术，使人工智能的规划效能大幅提升，确实解决了现有技术中存在的问题，可达到无法预期的功效。

[0056] 请参阅图4A及图4B，其为本发明的一实施例的决策网络的决策方法的流程图。本实施例详细说明了决策网络的决策方法的详细技术内容。

[0057] 本实施例中，考虑有m个有资格参与n个决策状况的决策者；其中该多个决策者可为有权力及能力对该多个决策状况做决策的个人或团体，而该多个决策状况可为该多个决策者可讨论或评估问题及解决方案的选择机会；同时，有p个问题及q个解决方案可供考虑。

[0058] 该多个决策状况可由下表1表示：

[0059] 表1

[0060]

[0061]

[0062] 其中，决策节点表示必然状况，其发生率为100％，以1来表示；机会节点表示非必然状况，其发生率小于100％，以大于等于0并小于1的数字来表示。

[0063] 该多个决策者可由下表2表示：

[0064] 表2

[0065]

[0066] 其中，各个决策者的效益可分别表示此决策者对于利害关系人的满意度等级所造成的影响；此效益可为正面效益(Utility)或负面效益(Disutility)；正面效益为正值，而负面效益则为负值，即各个决策者可能造成正面的影响或负面的影响。

[0067] 该多个问题可由下表3表示：

[0068] 表3

[0069]

[0070] 其中，各个问题的效益可分别表示此问题对于利害关系人的满意度等级所造成的影响；同样的，此效益可为正面效益(Utility)或负面效益(Disutility)，即各个问题可能造成正面的影响或负面的影响。

[0071] 该多个问题可由下表4表示：

[0072] 表4

[0073]

[0074] 其中，各个解决方案的效益可分别表示此解决方案对于利害关系人的满意度等级所造成的影响；同样的，此效益可为正面效益(Utility)或负面效益(Disutility)，即各个解决方案可能造成正面的影响或负面的影响。

[0075] 接着，可根据各个决策者对于各个决策状况的关连性产生由0及1组成的决策矩阵，如下表5所示：

[0076] 表5

[0077]

[0078] 其中，0表示此决策者与此决策状况不相关，而1表示此决策者与此决策状况相关。

[0079] 可根据各个问题对于各个决策状况的关连性产生由0及1组成的问题矩阵，如下表6所示：

[0080] 表6

[0081]

[0082] 其中，0表示此问题与此决策状况不相关，而1表示此问题与此决策状况相关。

[0083] 可根据各个解决方案对于各个决策状况的关连性产生由0及1组成的解决方案矩阵，如下表7所示：

[0084] 表7

[0085]

[0086] 其中，0表示此解决方案与此决策状况不相关，而1表示此解决方案与此决策状况相关。

[0087] 另外，在表5～表7中，aij∈{0,1}，i＝1,2,3…,m而j＝1,2,3…,n；bij∈{0,1}，i＝1,2,3…,p而j＝1,2,3…,n；cij∈{0,1}，i＝1,2,3…,q而j＝1,2,3…,n。

[0088] 本实施例的决策网络的决策方法可分配上述给定的m个决策者、p个问题及及q个解决方案至n个决策状况，以产生最高的总预期效益，其可由下式(1)～(4)表示：

[0089]

[0090] 其中，j＝1,2,3,...,n；若aij＝0，其中i＝1,2,3,...,m，则Xij＝0；若bkj＝0，其中k＝1,2,3,...,p，则ykj＝0；若clj＝0，其中l＝1,2,3,...,q，则zlj＝0。

[0091]

[0092] 其中，Xij表示决策者的决策变量；i＝1,2,3,...,m。

[0093]

[0094] 其中，ykj表示问题的决策变量；k＝1,2,3,...,p。

[0095]

[0096] 其中，Zlj表示解决方案的决策变量；l＝1,2,3,...,q。

[0097] 在上式(1)～(4)中，0

[0098] 若将表(5)～(7)分别以决策矩阵D(decision structure)、问题矩阵A(access structure)及解决方案矩阵S(solution structure)表示，如下式(5)～(7)所示[0099]

[0100]

[0101]

[0102] 本实施例的决策矩阵D、问题矩阵A与解决方案矩阵S中，仅有决策矩阵D不受限于每一列向量为一对一的要求(本实施例中，个决策者可对应多个决策状况)。相反的，当问题矩阵和解决方案矩阵中的任一列向量存在一对多的情况时，就必须预先解构为多个子问题矩阵。

[0103] 接下来，为预先解构问题矩阵和解决方案矩阵，以符合矩阵中的每一列向量为一对一的要求，可定义e及ek分别为单位矩阵及第k个单位矩阵。其中，ek的第k个元素为1而其余元素则为0，而e的所有元素皆为1；另外，再令e’及e’k分别为e及ek的转置矩阵。前述定义的单位矩阵以及第k个单位矩阵便如下式(8)～(9)所示：

[0104]

[0105]

[0106] 可利用前述定义的单位矩阵以及第k个单位矩阵，将问题矩阵A的列向量个别取出，如下式(10)所示：

[0107] pi＝e’i·A...............................................(10)[0108] 其中，pi表示第i列的向量，i＝1，2，3，...m。

[0109] 接着，再判断每一个列向量中为1的元素的数量，并根据判断结果分解问题矩阵A，以取得多个子问题矩阵，如下式(11)及(12)所示：

[0110] ui＝{pij＝1}..............................(11)

[0111] 其中j＝1，2，3，...n，而i＝1，2，3，...p；ui表示元素pij等于1的第i列的行向量集合。

[0112] Ωa＝×××...×.........................(12)

[0113] 其中，＜ui>表示集合ui中对所有i而言大于或等于1的元素的数量，而Ωa则表示在问题矩阵A中在每一列都只有唯一一个非零元素的所有组合的数量。

[0114] 因此，Ωa则可表示由问题矩阵A分解的子问题矩阵的数量。

[0115] 同样的，解决方案矩阵S可利用相同的方式分解为Ωs个子解决方案矩阵。

[0116] 由上述可知，总共可以有Ωa×Ωs个不同的组合，再配合给定的发生率以及正面或负面效用值，便可分别求得Ωa×Ωs个不同的组合中每一个组合的总预期效益，进而筛选出具有最高总预期效益的组合做为决策计划。对于每一个决策节点或机会节点而言，总预期效益可由下式(13)表示：

[0117] pl＝(∑iuil+∑jvjl+∑kwkl).......................(13)

[0118] 其中，uil、vjl及wwl分别表示该多个决策者、该多个问题及该多个解决方案对于决策节点(或机会节点)l产生的正面效益或负面效益，而pl则表示决策节点(或机会节点)l的发生率。

[0119] 本实施例所提出的决策方法的功能，除了可便捷地获取最佳结果之外，亦可将算法转换为计算器程序代码后，自动化处理更加庞杂的大数据(bigdata)或大型矩阵。

[0120] 如图4A及图4B所示，本实施例应包含下列步骤：

[0121] 步骤S41：提供多个决策状况、多个决策者、多个问题及多个解决方案。

[0122] 步骤S42：决定各个决策状况的发生率、各个决策者对于各个决策状况的关连性与效益、各个问题对于各个决策状况的关连性与效益以及各个解决方案对于各个决策状况的关连性与效益。

[0123] 步骤S43：根据各个决策者对于各个决策状况的关连性产生由0及1组成的决策矩阵。

[0124] 步骤S44：根据各个问题对于各个决策状况的关连性产生由0及1组成的问题矩阵。

[0125] 步骤S45：当问题矩阵的任一列向量存在一对多的情况时，根据问题矩阵中各个列向量将问题矩阵分解为多个子问题矩阵。

[0126] 步骤S46：根据各个解决方案对于各个决策状况的关连性产生由0及1组成的解决方案矩阵。

[0127] 步骤S47：当解决方案矩阵的任一列向量存在一对多的情况时，根据解决方案矩阵中各个列向量将解决方案矩阵分解为多个子解决方案矩阵。

[0128] 步骤S48：根据各个该决策状况的发生率、该决策矩阵、该多个子问题矩阵及该多个子解决方案矩阵产生该多个决策者、该多个问题及该多个解决方案的该多个组合，以计算每一个组合对该多个决策状况的总预期效益。

[0129] 步骤S49：挑选具有最高的总预期效益的组合作为决策计划。

[0130] 综上所述，根据本发明的实施例，决策网络的决策方法可将各个决策状况的发生率、各个决策者对于各个决策状况的关连性与效益、各个问题对于各个决策状况的关连性与效益以及各个解决方案对于各个决策状况的关连性与效益均纳入考虑，因此可有效地处理决策网络中非线性的因果关系及复杂的事件及情境，故可达到极佳的效果。

[0131] 又，根据本发明的实施例，决策网络的决策方法可将各个决策状况的发生率及各个决策者、各个问题及各个解决方案对于各个决策状况的相关信息均纳入考虑，故可以针对前因后果、关系及顺序等多个面向来进行分析，因此可有效地帮助使用者做出最佳的决策计划。

[0132] 此外，根据本发明的实施例，决策网络的决策方法可做出包含多个决策的决策计划，这些决策彼此间具有连系，且将多个具有不同偏好的利害关系人纳入考虑，因此可有效地帮助使用者做出最佳的决策计划。

[0133] 另外，根据本发明的实施例，决策网络的决策方法可快速做出包含多个决策的决策计划，故可以更有效率地处理大规模的决策状况。

[0134] 另外，根据本发明的实施例，决策网络的决策方法可有效地处理具有非线性的因果关系及复杂的事件及情境，可针对前因后果、关系及顺序等多个面向来进行分析，且可将多个具有不同偏好的利害关系人同时纳入考虑，更可以有效率地处理大规模的决策状况，因此很适合应用于人工智能的相关技术，以大幅改善人工智能在规划上的效能。

[0135] 以上所述仅为举例性，而非为限制性。其它任何未脱离本发明的精神与范畴，而对其进行的等效修改或变更，均应该包含于本案的保护范围内。