一种基于意识与潜意识的并行决策系统及方法与流程

本发明属于一种并行决策算法，更具体的涉及一种基于意识与潜意识的并行决策系统及方法。

背景技术：

在互联网发展过程中，面向主体的人工智能系统研究也越来越广泛，在理性主体研究过程中，我们把主体分为两个部分，主体的观点集合和决策集合。观点集合是把信息进行加工催化产生的分析事物利弊和适用性的有效信息。决策集合则是对观念做筛选后产生的对决策有用的观点产生决策的集合。决策集合有意愿集合和目标集合组成。这个模型我们定义为l-y模型。如人思考一样从感知到做出决策这是一个非常复杂的过程，这个过程是动态的过程，受到各种因素的影响。但是从时间维度上看我们可以把这个过程定义为有生命的周期性循环的过程。现实中我们生活的环境中受到时间这一参数的影响，引入时间这个概念参数是从时间维度上更好的完善这个模型。

总所周知影响我们生命和天性的因素不仅仅是我们意识层面的内容，更大程度上是我们的潜意识。在意识和潜意识之间有一个“过滤器”，这个过滤器上面一层是意识，留下来的是粗糙的物质；我们生命中充当粘合剂的物质则在意识的深远处；这上面一层中留下来的仅仅是一些比较表面和肤浅的东西，而我们生命中更重要的东西则潜藏在潜意识中。所以我们在建立决策模型的过程中我们增加了对潜意识的思考，此次我们建立决策模型时建立了与之对应的潜意识决策模型。意识与潜意识并行处理观点集合的内容，当潜在的观点命中率到达一定阈值时，潜在观点则产生影响，升级潜在的观点的优先级，逐步计算升级，从而最终影响到决策结果。

面向主体的系统在人工智能领域越来越热门。此次定义的l-y并行决策模型从意识与潜意识层面来阐述决策机制，同时引入时间参数做参照，更精确的阐述决策的过程，其定义如下：

1.观点(viewpoint)

观点是处于一定立场，分析事物利弊和适用性的表达。代表了主体的信息状态，观点是主体对信息加工和催化后的有效信息，含描述环境特性的数据和描述自身功能的数据，是主体进行思维活动的基础。观点也可以包括推理规则，允许向前链接以产生新的观点。观点可以认识到主体所相信的未必是真实的(事实上，未来可能会发生变化)。观点是有可能真，也有可能为伪，随着信息不断跟新而能不断更新。主体有维护自身观点集合平衡的意愿。

2.意愿(willing)

意愿是主体的最初动机，最初的意愿是想要达到某个特定的目标和方向，然后尽自己的能力去达成那个目标和方向。是其希望达到的状态或希望保持的状态的集合。主体希望达到的状态，由此可以激发系统的规划和行动。主体可以拥有互不相容的意愿，而且也不需要相信它的意愿是绝对可以实现的。

3.目标(target)

目标是对活动预期结果的主观设想，也是活动的预期目的，为活动指明方向。具有维系组织各个方面关系构成系统组织方向核心的作用。最明显的性质是它将导致行为。主要作用：(1)目标驱动手段目的推理(2)目标约束未来的思考过程(或目标的选择)(3)目标持续地控制着主体的行为(4)目标影响未来实际推理所基于的观点。

目标是承诺实现的意愿中选取的当前最需要完成或者最适合完成的一个，是当前主体将要正在实现的目的，它是属于思维状态的意向方向。当前意愿对主体的当前动作具有指导性的作用。在已实现的系统中，这意味着主体已开始执行计划。

4、潜在观点(potentialview)

潜在观点：在观点和潜在观点之间是共存的，观点集合是现在状态下数据筛选后产生的有效的适用的数据，他的有效性和适用性对比其他数据命中率较高的数据集合，而潜在的观点集合则是数据筛选后有效的适用性对比其他数据较低的数据集合。观点集合和潜在观点集合都是对应某时间点的一个状态数据集合。他们随着信息和时间不断变化而变化是动态的集合。

潜在意愿和潜在目标与潜在观点类似，他们在同一时刻都保持自身状态。

约束集：约束集是参照潜意识与意识而产生的行为约束的集合，目标的实现受约束集制约，制约的条件可以参照资源、检验教训、社会规则体系、人为定义的规则体系等来制定。不经过约束集产生的行为下意识行为，所以模型中不做输出选择。约束集的增加是对目标产生输出的制约，不符合规则的输出在约束集后过滤掉。

技术实现要素：

1、发明目的。

为了解决精准决策的问题，本发明提出了一种基于意识与潜意识的并行决策系统及方法。

2、本发明所采用的技术方案。

本发明提出了一种基于意识与潜意识的并行决策系统，l-y并行决策模型纵向分为代表意识和潜意识的2并行决策部分；

代表意识包括观点集合、意愿集合和目标集合组成，输入的信息产生观点，不同的信息经过催化后产生观点集；潜意识包括潜在观点集合、潜在意愿集合和潜在目标集合组成；观点集合中对于事件影响比重较大的为观点集合，比重较低的为潜在观点集合；意愿集合、目标集合同理；l-y并行决策模型横向包括观点集合和决策集合，决策集合由意愿集合和目标集合组成，通过动态平衡经由约束集输出；

所述的动态理性平衡是指在经过一个周期的计算，观点集合、意愿集合和目标集合的数据都符合计算阈值的条件，并无新的信息输入或输入的信息对各个集合不产生变化，在动态环境下此时间点的代表意识的观点集合、意愿集合和目标集合达到理性平衡

一种基于意识与潜意识的并行决策方法，保持观点集合和决策集合的动态理性平衡即催化具体步骤如下：

s1、当信息输入后对事件相关联的认知催化成了观点集合中的观点，在观点集合筛选后的观点组成了潜在观点集合；

s2、观点集合中的观点经过多轮催化的命中率达到定义的阈值命中的观点催化成为意愿，而并行的潜在观点经过多轮催化的命中率达到定义的阈值命中形成潜在意愿集合；

s3、意愿集合通过多轮催化的命中率达到的意愿转化成目标集合，而并行的潜在意愿多轮催化的命中率达到的潜在意愿形成潜在目标集合；

s4、最后经过计算命中的目标计算输出后结果进入约束集，然后输出。

更进一步，所述的催化包括横向升级/降级过程，观点集合、潜在观点集合、意愿集合、潜在意愿集合、目标集合、潜在目标集合中的信息其权重在命中过程数值超过/低于另一信息，下一轮命中计算会升级/降级，升级/降级即在原有集合中权重调整。

更进一步，所述的催化包括纵向转化、横向转化过程；

纵向转化观点或潜在观点经过多轮命中计算后达到阈值，权重最高的观点或潜在观点被命中，经过催化转化为意愿或潜在意愿；意愿或潜在意愿权重最高的意愿被命中，经过催化转化为目标或潜在目标；

横向转化即潜在观点权重高于观点即向观点转化、潜在意愿权重高于意愿即向意愿升级、潜在目标权重高于目标即向目标升级。

更进一步，如果经过多轮催化观点、意愿或目标达不到命中率阈值，视为时间截止，未产生有效目标，不能产生有效输出

更进一步，动态理性平衡指标包括生命周期tc，从信息输入到输出，整个过程所消耗的时间为主体一次运行的生命周期；实际时间量tj设为起始时间t0，相对时间有序集合ti(i＝0，1,2……，n)；

一个事件从信息输入开始我们时间点为tin＝0，到输出时间点为tout＝tc，过程中间时间点成为一个状态点tx(v，w，t)；ttar为当目标集合中目标经过计算后得出到达规定的阈值的时间点；当到达目标选择的时刻ttar，主体的状态为ttar(v，w，t)，目标确定到行为输出还需经历约束集约束，此时没有新的输入或其他影响状态量的输入，才产生最终输出。

更进一步，所述的信息输入包含2类：受时间制约的事件或不受时间制约的事件；

受时间约束，ti为时间完成的时间约束条件即时间间隔，把tin＝0与实际时间tj做投影，tin＝tj；当ti<tc时主体的约束时间内完不成这个处理，直接输出时间太短，无法完成目标，请求延长处理时间；当ti>＝tc时，在tj＝ttar暂时不做选择，继续等待或持续状态平衡，等到时间tj＝tout-tc开始状态平衡让后进行选择输出；

不受时间约束，时间是动态的在现实世界中的时间是不断前行的，在某个时间点上主体的状态用tx(v，w，t)来表示，假设vie为所有可能观点集合，wil为所有可能意愿的集合，ter为所有可能的目标集合；在任意时刻，一个主体的状态表示为tx(v，w，t)其中前面我们把主体从感知输入到输出，整个过程所消耗的时间定以为主体一次运行的生命周期tc，直到达到平衡状态ttar1(v，w，t)，当循环超过特定时间做处理请求超时。

更进一步，还包括第二次状态量的平衡，当有产生影响状态量的数据输入时，则进行第二次状态量的平衡，重新计算各个集合状态。

更进一步，数据采样分为观点集合、意愿集合和目标集合以及潜在观点集合、意愿集合和目标集合的状态数据，各个状态中数据命中率符合以下公式：

f(x+1)＝r[min,max]*w+f(x)

f(x)和f(x+1)用来表示概率递增迭代的过程x＝0表示起始轮，x>＝0且x为整数，w为影响权重，r[min,max]为各观点集合影响权重区间范围，通过递增迭代调整权重。

3、本发明所产生的技术效果。

(1)本发明的模型不但考虑了意识层次的决策过程，还加入了潜意识的层次的考虑，使决策过程更全面更精确。

(2)本发明还加入了时间参数做参考，使得决策更具有时效性。

(3)本发明的动态平衡过程，可以将潜意识和代表意识精确地反映在目标结果中输出，形成有效的决策。

附图说明

图1为l-y并行决策模型基础构架图。

图2为决策模型一个实现样例流程图。

图3为无时间约束的一次处理过程。

图4为无时间约束的处理过程。

图5为有时间约束的处理过程。

具体实施方式

实施例

l-y决策模型包括观点集合和决策集合，决策集合由意愿集合和目标集合组成。潜意识部分参照l-y决策模型，二组决策模型组成l-y并行决策模型参照附图1。

l-y并行决策模型分为代表意识和潜意识的2部分，代表意识的有观点集合(viewpoint)、意愿集合(willing)和目标集合(target)组成。潜意识由潜在观点集合、潜在意愿集合和潜在目标集合组成。信息处理过程为，当信息输入后对事件相关联的认知催化成了观点集合中的观点，在观点集合筛选后的观点组成了潜在观点集合。观点集合中的观点经过计算被命中的观点经过转化形成意愿集合，而并行的潜在观点也同时可以形成潜在意愿集合。同时意愿集合通过计算被命中的意愿通过转化成目标集合，而并行的潜在意愿也同时可以形成潜在目标集合。最后经过计算命中的目标计算输出后结果进入约束集。

在此模型中只有保持观点集合和决策集合的动态理性平衡才能有效的解决问题。所谓的理性平衡是指在经过一个周期的计算，观点集合、意愿集合和目标集合的数据都符合计算阈值的条件，并无新的信息输入或输入的信息对各个集合不产生变化，在动态环境下此时间点的各个集合(观点集合、意愿集合和目标集合)达到理性平衡。

基于生命周期的l-y决策模型定义：

现实生活中，时间是思考过程或事件中是一个重要的因素。比如一个人喜欢看足球比赛，今天他早上得到消息晚上有一部新的电影上映，他决定晚上去看电影。不过他下午得到消息今天晚上有一场他喜欢球队的实况转播比赛，比赛的时间和电影的时间正好冲突。相对比较后他最后做了决定去看实况足球比赛，电影明天去看。以l-y决策模型为例不考虑时间的影响此次结果可能就是去看电影了，而现实中随着时间影响在产生结果也是有变化的。

如果不考虑时间因素，l-y决策模型中没有时间做参照，就不能产生更加合理的结果。所以为了更好的考虑时间对主体的决策，我们引入时间参数作为模型的补充，建立更加合理的l-y决策模型。

基于生命周期的l-y决策模型

定义：对于l-y决策模型我们可以整个过程中从感知输入到输出，整个过程所消耗的时间定以为主体一次运行(思考)的生命周期(tc)。

相对于整个过程，在l-y决策模型中我们引入时间点有序集合参数ti(i＝0，1,2……，n)，ti对应某个时间点。相对时间参数ti，现实世界中的时间量我们设为tj。比如开始时间i＝0，t0＝0，现实世界中与之对应的时间为tj＝14:00，那么t0开始时间为14:00。

在理论状态，一个事件从数据输入开始我们时间点为tin＝0，到输出时间点为tout＝tc，过程中间特定时间点成为一个状态点tx(v，w，t)。

ttar：当目标集合中目标经过计算后得出到达规定的阈值的时间点。

目标确定到行为输出还需经历约束集约束，才产生最终输出。

从数据输入到决策输出我们可以认为是一个动态的过程，这个动态的过程我们可以认为是保持观点、意愿和目标的理性平衡过程，当到达目标选择的时刻ttar，主体的状态为ttar(v，w，t)当此时没有新的输入或其他影响状态量的输入，就直接进行抉择和行为输出。当有产生影响状态量的数据输入时，则进行第二次状态量的平衡(重新计算各个集合状态)。

现实中我们可以简单把的事件(或思考)分为2类：受时间制约的事件或不受时间制约的事件，具体如早上7点我要去上班，今天晚上6点的火车去某地或今天电影19:00开始20:30结束。此类为受时间制约的活动。其他如我要去买个手机(现在买或一周后买没有时间约束)，我要思考某个问题。此类为不受时间制约的活动。相对于这2类情况我们分别做出不同的考虑。

时间约束量：te时间完成的时间约束条件，比如事件开始时间为13:00，结束时间为13:30，te＝30分。

如图3所示，对于不受时间约束的活动(或思考)，在l-y决策模型来说，时间是动态的在现实世界中的时间是不断前行的，在某个时间点上主体的状态我们用tx{v，w，t}来表示。假设(vie)为所有可能观点集合，(wil)为所有可能意愿的集合，(ter)为所有可能的目标集合。在任意时刻，一个主体的状态表示为tx(v，w，t)，其中前面我们把主体从感知输入到输出，整个过程所消耗的时间定以为主体一次运行(思考)的生命周期(tc)。

从数据输入到决策输出我们可以认为是一个动态的过程，这个动态的过程我们可以认为是保持观点、意愿和目标的理性平衡过程，当到达目标选择的时刻ttar，主体的状态量为ttar(v，w，t)当此时没有新的输入或其他影响状态量的输入，就直接进行抉择和行为输出。当有产生影响状态量的数据输入时，则进行二次状态量的平衡。直到达到平衡状态ttar1(v，w，t)，如图4所示。当循环超过特定时间我们也可以做处理请求超时。

如图5所示，对于有时间约束的活动(或思考)，这个时间约束我们可以计算出时间约束量假设为te。我们可以把tin＝0与现实世界中的时间tj做投影，tin＝tj(如开始时间tin＝0，tj＝14:00，tin＝14:00)。当te<tc我们可以当成主体的约束时间内完不成这个处理，直接输出时间太短，无法完成目标，请求延长处理时间。当te>＝tc时，我们可以在tj＝ttar暂时不做选择，继续等待或持续状态平衡，等到时间tj＝tout-tc开始状态平衡让后进行选择输出。

l-y并行决策模型一个实现样例的过程描述如下：

数据采样分为观点集合、意愿集合和目标集合以及潜在观点集合、意愿集合和目标集合的状态数据；我们假定以计算公f(x+1)＝r[min,max]*w+f(x)为例模拟各个状态中数据命中率,f(x)和f(x+1)用来表示概率递增迭代的过程x＝0表示起始轮，x>＝0且x为整数，图2中为一个状态点的各个集合的数据状态，以及决策过程中潜在集合对决策过程的影响。如图2在观点集合中命中过程1中观点2数据命中率超过观点1，观点2的等级提升升级为观点1，数据经过递增迭代进入下一轮数据命中率计算。图中潜在意愿5信息催化过程1中数据命中率超过意愿4，潜在意愿5转化为意愿4，数据重新加权重进入下一轮数据命中率计算。当观点集合中的数据命中率达到阈值，观点升命中转化成意愿，同理当意愿命中率达到阈值，目标转化为目标。

附图1是本发明设计的模型结构图，其中包括：包含意识与潜意识的观点集合、意愿集合、目标集合和潜在观点集合、潜在意愿集合、潜在目标集合，以及在决策输出前的约束集。以及各个集合之间的逻辑关系。图3、图4、图5是对应在时间维度来解决有时间约束和无时间约束的情况模型如何做决策。附图2是通过算法来模拟决策过程以及决策过程中代表潜意识对意识的影响的过程。分别从有时间约束和无时间约束的情况和模型的处理机制。

主体接受外界信息输入，输入的数据经过催化产生主体本身的观点，不同的信息经过催化后产生观点集合。观点是处于一定立场，分析事物利弊和适用性的表达。代表了主体的信息状态，观点是主体对信息加工和催化后的有效信息，含描述环境特性的数据和描述自身功能的数据，是主体进行思维活动的基础。

整个观点集合中对于事件影响比重较大的为观点集合，比重较低的为潜在观点集合，如附图2。

观点集合中的观点经过计算命中率后达到定义的阈值命中的观点催化成为意愿。附图2.通过算法经过模拟后实现过程。

附图2中观点2在命中过程1数值超过观点1，那么观点2下一轮命中计算升级为观点1(升级过程)。

附图2当经过22轮命中计算后达到阈值，观点1被命中，经过催化观点1转化为意愿(转化过程)。

观点和潜在的观点经过催化后同样可以转化为潜在的观点。

附图2潜在的意愿(观点或目标)同样可以升级为意愿。潜在意愿5在信息催化1的数值超过意愿4，下一轮中升级为意愿4.

附图2意愿通过催化15轮后，命中率达到阈值，意愿1转化为目标。

附图2同理意愿通过15轮催化后，命中率达到阈值，目标1命中。命中的目标经过约束集选择后产生输出结果。

如果经过一定循环观点(意愿或目标)达不到命中率阈值，我们则可视为时间截止，未产生有效目标，不能产生有效输出

加入时间参数的模型则根据图3、图4、图5是对应在时间维度来解决有时间约束和无时间约束的情况。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定的编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明内容。