1. 决策算法概述：定义、分类、应用场景与挑战

1.1 到底什么是决策算法？

先说说我的理解。决策算法，说白了就是一套让机器在多个选项中选出最优解的方法论。

你想想看，我们每天都在做决策。早上吃什么？走哪条路去上班？这些小事靠直觉就行。但换成自动驾驶汽车遇到行人突然横穿，或者股票交易系统在毫秒级判断买卖时机，那就必须靠算法了。

我个人习惯把决策算法拆成三个核心要素：

• 状态空间——当前你掌握了哪些信息
• 动作空间——你能做什么选择
• 目标函数——什么样的结果算「好」

我在项目中遇到过不少新手，上来就调模型，结果连状态空间都没定义清楚。嗯，这其实是大忌。

1.2 决策算法的分类

分类方式有很多种。我按最常见的维度来梳理，这样你理解起来更直观。

按决策环境分类

类型	特点	典型算法
确定性决策	所有信息已知，结果可预测	动态规划、线性规划
不确定性决策	部分信息未知，但概率已知	贝叶斯决策、马尔可夫决策过程
对抗性决策	存在对手，互相博弈	极小化极大算法、博弈树搜索

按决策方式分类

• 基于规则：if-else 硬编码，简单但死板。我早期做工业控制时常用。
• 基于优化：数学建模求最优解，比如线性规划、整数规划。
• 基于学习：从数据中学习策略，比如强化学习、模仿学习。

1.3 应用场景——我踩过的坑

决策算法不是纸上谈兵。我挑几个典型场景说说。

自动驾驶

路径规划、行为预测、轨迹优化，全是决策问题。我记得有一次做变道决策，算法在高速上死活不敢并线，因为对后车速度估计太保守。后来加了不确定性建模才解决。

推荐系统

你以为推荐只是排序？其实背后是「探索 vs 利用」的决策平衡。多臂老虎机算法就是干这个的。

金融交易

高频交易里，毫秒级的决策失误就是几百万的损失。我见过一个策略因为没考虑滑点，回测漂亮，实盘亏惨。

1.4 核心挑战——为什么决策算法难做？

说实话，决策算法是算法领域里最难啃的骨头之一。为什么？

1. 维度灾难——状态空间太大，穷举不可能。比如围棋的状态数比宇宙原子还多。
2. 实时性要求——很多场景必须在几十毫秒内出结果。你算得再准，慢了就是废的。
3. 不确定性——传感器噪声、对手行为、环境变化，你永远无法完美建模。
4. 多目标冲突——既要快又要准还要省资源，这本身就是个优化难题。

我个人的体会是：没有银弹。每个挑战都需要针对性地设计折中方案。

1.5 知识体系总览

下面这张图是我梳理的决策算法知识框架。你可以把它当成整个课程的地图。

1.6 学习路径建议

最后，说说怎么学这门课。

我建议你按这个顺序来：

• 先理解基础概念（就是本章内容）
• 然后掌握确定性决策方法（动态规划、线性规划）
• 再进入不确定性决策（马尔可夫决策过程、贝叶斯方法）
• 最后挑战对抗性和多智能体决策

好了，决策算法的全景图已经铺开。接下来每一章，我们都会深入一个具体方向。准备好了吗？