第 IV 部分 · 不确定知识与推理
第 16 章 简单决策
Chapter 16 · Making Simple Decisions
本章导读
概率告诉你世界什么样，效用理论告诉你该怎么选：不确定性下最大化期望效用（MEU）是理性决策的规范原则，信息价值理论回答「值不值得再查一下」。
学习要点
- 效用理论公理化：从偏好关系公理推出效用函数的存在性（von Neumann–Morgenstern）。
- 期望效用最大化 MEU 原则；彩票表示与确定性等价。
- 货币效用非线性：风险厌恶、保险与彩票并存的解释；效用不等于金钱。
- 多属性效用 MAUT：属性间偏好独立时的加性 / 乘性分解。
- 信息价值 VPI：非负性、可加性；决策网络（影响图）把决策、概率与效用装进一张图。
核心概念
| 术语 | English | 一句话解释 |
|---|---|---|
| 效用理论 | Utility Theory | 把偏好数值化的公理化框架 |
| 期望效用最大化 | MEU | 选择期望效用最大的行动的规范原则 |
| 彩票 | Lottery | 以概率组合多种结果的抽象 |
| 风险厌恶 | Risk Aversion | 效用函数呈凹形，偏好确定收益 |
| 确定性等价 | Certainty Equivalent | 与某彩票无差异的确定金额 |
| 保险溢价 | Insurance Premium | 转移风险所支付的超出期望损失的部分 |
| 多属性效用 | MAUT | 多目标下的效用分解与聚合 |
| 信息价值 | VPI | 获取一条观测的期望效用提升 |
| 决策网络 | Decision Network | 机会节点 + 决策节点 + 效用节点的图 |
配套代码（aima-python）
aima-python 是官方维护的开源算法库（MIT 协议），建议每学完一章就跑一遍对应模块的示例。