📚 课程目录第3章谈判策略建模

3. 谈判策略建模：博弈论基础、谈判空间定义、策略树与决策节点设计

谈判策略建模是智能寻源算法的“大脑”。本章将系统讲解如何将人类谈判专家的经验转化为可计算、可优化的数学模型。核心包括：博弈论基础（理解对手行为）、谈判空间定义（划定可行域）、策略树与决策节点设计（构建搜索路径）。

  核心观点： 谈判不是零和游戏。在智能寻源中，博弈论帮助我们预测供应商的底线与让步模式；谈判空间定义了“双赢”的几何边界；策略树则是在该空间内寻找最优路径的导航系统。

3.1 博弈论基础：从“囚徒困境”到“寻源谈判”

寻源谈判本质上是不完全信息动态博弈。买方不知道供应商的真实成本，供应商也不知道买方的预算上限。双方通过报价、还价、威胁、承诺等行动传递信号，逐步揭示信息。

博弈类型	特征	寻源场景映射
完全信息静态	双方同时行动，知晓所有收益	公开招标（密封报价）
完全信息动态	轮流行动，知晓所有收益	标准议价（你报我回）
不完全信息动态	轮流行动，不知对方类型	智能寻源谈判（核心）

在智能寻源中，我们使用贝叶斯博弈框架建模：

类型（Type）：供应商的“成本结构”与“合作意愿”。这是私有信息。
信念（Belief）：买方对供应商类型的概率分布估计。初始信念来自历史数据与市场调研。
策略（Strategy）：买方根据当前信念，选择报价或让步幅度的函数。
均衡（Equilibrium）：完美贝叶斯均衡（PBE），即双方策略在给定信念下互为最优反应。

算法启示： 在代码实现中，我们使用 BeliefUpdate(state, action, observation) 函数来模拟贝叶斯更新。每次供应商的回应（接受、拒绝、还价）都会修正我们对供应商类型的后验概率。

3.2 谈判空间定义：多维度的可行域

谈判空间是双方所有可能达成协议的方案集合。在寻源场景中，它通常是一个高维超立方体，维度包括：价格、付款周期、交货期、质量等级、质保年限、最小起订量等。

定义谈判空间需要明确三个边界：

保留点（Reservation Point）：双方各自能接受的最差条件。买方保留价是预算上限，供应商保留价是成本底线。
目标点（Aspiration Point）：双方各自最理想的条件。买方目标价是市场最低价，供应商目标价是最高利润价。
帕累托前沿（Pareto Frontier）：无法在不损害一方利益的前提下改善另一方利益的方案集合。这是谈判的“甜区”。

在代码中，谈判空间通常表示为：

// 谈判空间定义（伪代码）
struct NegotiationSpace {
    dimensions: Vec<Dimension>,  // 价格、交期、付款等
    buyer_reservation: Vec<f64>,  // 买方各维度底线
    buyer_aspiration: Vec<f64>,   // 买方各维度目标
    supplier_reservation: Vec<f64>, // 供应商各维度底线（估计）
    pareto_frontier: Vec<Vec<f64>>, // 帕累托最优解集
}

// 检查方案是否在可行域内
fn is_feasible(proposal: &Proposal, space: &NegotiationSpace) -> bool {
    for i in 0..proposal.dimensions.len() {
        if proposal.values[i] < space.buyer_reservation[i] ||
           proposal.values[i] > space.supplier_reservation[i] {
            return false;
        }
    }
    true
}

3.3 策略树与决策节点设计

策略树是谈判过程的状态空间搜索图。每个节点代表一个谈判状态（当前报价、历史交互、信念状态），每条边代表一个谈判动作（提价、降价、让步、威胁、终止）。

决策节点分为三类：

节点类型	角色	输出	算法示例
机会节点	供应商行动（不确定性）	概率分布	蒙特卡洛采样
决策节点	买方行动（可控）	具体动作	策略网络 / 规则引擎
终局节点	谈判结束	收益值	效用函数计算

策略树的搜索深度通常为3~5层（对应3~5轮谈判），每层分支数取决于动作空间大小。为了控制计算复杂度，我们采用剪枝策略：

α-β剪枝：在极小化极大搜索中，剪掉不可能影响最终决策的分支。
信念剪枝：当供应商类型的后验概率低于阈值（如0.05）时，剪掉该类型对应的分支。
效用剪枝：当某分支的期望效用低于当前最优解一定比例（如10%）时，直接剪枝。

性能陷阱： 策略树的分支因子（Branching Factor）是性能瓶颈。如果每轮有10种可能的报价，深度为5，则节点数可达10^5。必须结合蒙特卡洛树搜索（MCTS）或深度强化学习进行近似求解，而非穷举。

3.4 策略树搜索算法：期望效用最大化

在策略树上，我们使用期望效用最大化（Expected Utility Maximization）来选择最优动作。对于决策节点，算法选择使期望效用最大的动作；对于机会节点，算法计算所有可能结果的加权平均效用。

核心伪代码实现：

// 策略树搜索：期望效用最大化
fn expectimax(node: &Node, depth: u32) -> f64 {
    if depth == 0 || node.is_terminal() {
        return node.utility();  // 终局节点直接返回效用
    }

    match node.node_type {
        NodeType::Decision => {
            // 买方决策节点：选择最大效用动作
            let mut best_value = f64::NEG_INFINITY;
            for action in node.actions() {
                let child = node.transition(action);
                let value = expectimax(&child, depth - 1);
                best_value = best_value.max(value);
            }
            best_value
        }
        NodeType::Chance => {
            // 供应商机会节点：计算期望效用
            let mut expected_value = 0.0;
            for (prob, child) in node.children() {
                expected_value += prob * expectimax(child, depth - 1);
            }
            expected_value
        }
        NodeType::Terminal => node.utility(),
    }
}

  工程实践： 在智能寻源系统中，策略树并非每次谈判都从头构建。我们使用缓存树（Cached Tree）技术：将历史谈判中高频出现的子树结构缓存起来，新谈判时直接复用，减少重复计算。缓存命中率通常可达40%~60%，显著降低延迟。

3.5 本章小结

谈判策略建模的三个核心支柱：

博弈论提供了预测对手行为的数学框架，特别是贝叶斯更新机制。
谈判空间定义了问题的可行域与优化目标，帕累托前沿是算法搜索的“靶心”。
策略树将动态谈判过程转化为可计算的状态空间，决策节点与机会节点的交替构成了搜索的主体。

下一阶段，我们将基于这些模型，进入策略优化与性能调优环节，重点解决搜索效率与实时性之间的矛盾。