CN111768003A - 基于量子博弈和pi演算的心智行为预测方法 - Google Patents

基于量子博弈和pi演算的心智行为预测方法 Download PDF

Info

Publication number
CN111768003A
CN111768003A CN202010628591.2A CN202010628591A CN111768003A CN 111768003 A CN111768003 A CN 111768003A CN 202010628591 A CN202010628591 A CN 202010628591A CN 111768003 A CN111768003 A CN 111768003A
Authority
CN
China
Prior art keywords
quantum
calculation
prediction
state
game
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010628591.2A
Other languages
English (en)
Inventor
曹发生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Minzu University
Original Assignee
Guizhou Minzu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guizhou Minzu University filed Critical Guizhou Minzu University
Priority to CN202010628591.2A priority Critical patent/CN111768003A/zh
Publication of CN111768003A publication Critical patent/CN111768003A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于量子博弈和PI演算的心智行为预测方法，涉及心智计算技术领域，利用具有心灵感应的人之间可以先将输入状态转换为纠缠态，然后各自利用测量后触发并行进程的下一步操作，心灵交互后各自的选择策略相同，从而可以得到收益高于经典博弈的最优纳什均衡解。而不用预先知道概率参数，就可以得到收益值高于经典博弈和贝叶斯博弈的最优解的决策方案。

Description

基于量子博弈和PI演算的心智行为预测方法
技术领域
本发明涉及心智计算技术领域，特别是涉及基于量子博弈和PI演算的心智行为预测方法。
背景技术
心智和脑神经在大脑机器的地位就如同计算机中软件和硬件一样。随着Moore定理的发现量子计算机是必然的产物，自从Kak于1995年将神经网络和量子计算的概念相结合，并首次提出量子神经网络计算后，量子神经网络就受到了广泛的关注，产生了许多新颖的实现模型：量子神经线路模型、量子感知器模型、量子联想记忆模型、量子比特神经网络模型以及一些其他模型。
为了计算心智行为，目前衍生出了很多方法，例如贝叶斯博弈方法，使用该方法进行心智计算时需要提前了解每个预测对象选择某种行为的概率，然后根据概率综合计算每个预测对象的期望收益，按照期望收益确定每个预测对象的心智行为。
然而，并不是任何时候预测对象行为选择的概率都是能被清楚确定的，因此采用贝叶斯博弈方法进行心智行为的预测存在很大的局限性。
发明内容
本发明实施例提供了基于量子博弈和PI演算的心智行为预测方法，可以解决现有技术中存在的问题。
本发明提供了基于量子博弈和PI演算的心智行为预测方法，该方法包括以下步骤：
步骤1，对于多个预测对象，每个预测对象的行为选择都会对其他预测对象的收益产生影响，采用两态系统的Hilbert空间的基矢分别表示每个预测对象的可能行为选择，即采用一个量子比特表示一个预测对象的可能行为选择，则任何时刻的博弈状态都可以用多个量子比特的直积空间中的状态表示；
步骤2，将初始的量子博弈状态转换为量子纠缠态；
步骤3，分别对每个预测对象的量子状态进行测量，此时处于纠缠态的量子比特坍塌；
步骤4，根据测量结果，采用PI演算的并行计算确定每个预测对象的行为选择。
本发明中的基于量子博弈和PI演算的心智行为预测方法，利用具有心灵感应的人之间可以先将输入状态转换为纠缠态，然后各自利用测量后触发并行进程的下一步操作，心灵交互后各自的选择策略相同，从而可以得到收益高于经典博弈的最优纳什均衡解。而不用预先知道概率参数，就可以得到收益值高于经典博弈和贝叶斯博弈的最优解的决策方案。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了基于量子博弈和PI演算的心智行为预测方法，该方法包括以下步骤：
步骤1，对于多个预测对象，每个预测对象的行为选择都会对其他预测对象的收益产生影响，采用两态系统的Hilbert空间的基矢分别表示每个预测对象的可能行为选择，即采用一个量子比特表示一个预测对象的可能行为选择，则任何时刻的博弈状态都可以用多个量子比特的直积空间中的状态表示；
步骤2，将初始的量子博弈状态转换为量子纠缠态；
步骤3，分别对每个预测对象的量子状态进行测量，此时处于纠缠态的量子比特坍塌；
步骤4，根据测量结果，采用PI演算的并行计算确定每个预测对象的行为选择。
下面结合具体实例对本发明的各个步骤进行详细说明。
Tucker教授于1950年在斯坦福大学给心理学家做学术报告时引进经典囚徒困境博弈。囚徒困境讲的是两个嫌疑犯(Alice和Bob)作案后被警察抓住，被分别关在不同的屋子里审讯。他们每个人都有两种选择(策略)：坦白(策略D)和抵赖(策略C)。警察告诉他们：如果两人都坦白，各判刑4年(收益均为p＝1)；如果两个都抵赖，因证据不足，各判刑2年(收益均为1＝3)；如果其中一人坦白，另一人抵赖，坦白的人会被释放(收益为t＝5)，抵赖的人判刑5年(收益为s＝0)。表1给出囚徒困境的策略式表述。表中每一个策略式的两个数字代表对应策略组合下两个囚徒的收益。
表1囚徒困境的策略式表述
Bob的策略抵赖C Bob的策略坦白D
Alice的策略C (3，3) (0，5)
Alice的策略D (5，0) (1，1)
括号中的第一个数是Alice的收益值，第二个数是Bob的收益值。
这是一个完全信息静态博弈。容易看出，由于对于每个囚徒而言，无论对方选择什么策略，坦白都是自己的最优策略，所以(坦白，坦白)是博弈的均衡。
确定性经典博弈的纳什均衡解都选择坦白。但是如果双方彼此非常了解，或是通过样本学习得出结构和互相知道对方会以多大的概率选择操作，那么他们就会在合作的情况下都选择抵赖。
下面借助量子博弈可以不用预先知道概率参数，就可以得到最优的决策方案。
Eisert J等人将经典策略D和C的可能结果对应为一个两态系统(即一个量子比特)的Hilbert空间的基矢分别用|D>和|C>表示。在任何时刻博弈的状态可以用这两个量子比特(分别属于两个参与人)的直积空间中的态表示。
在以上案例介绍的基础上，本发明的方法在解决囚徒困境的心智行为预测采用的方法为：
第一步，两囚徒通过心灵交互将他们的状态变成量子纠缠态
Figure BDA0002567564320000041
第二步，两囚徒通过各自的量子测量触发PI演算并行操作。
第三步，当量子测量结果为|C>|C>时，则交互后选择的策略由并行进程
Figure BDA0002567564320000042
得到各自都选择策略C。当测量结果为|D>|D>时，则交互后选择的策略由并行进程
Figure BDA0002567564320000043
得到各自都选择策略D。
第四步，囚徒Alice，Bob双方的收益值为1或者3。
按经典博弈计算方式得到囚徒Alice，Bob双方的收益值为1。对于每个囚徒而言，无论对方选择什么策略，坦白都是自己的最优策略，所以(坦白，坦白)是博弈的均衡。但是利用本发明的方法计算得到囚徒Alice，Bob双方的收益值为1或者3，提高了各自的收益是囚徒通过心灵交互计算“囚徒困境博弈”的优势之一。
本发明的方法利用具有心灵感应的人之间可以先将输入状态转换为纠缠态，然后各自利用测量后触发并行进程的下一步操作，心灵交互后各自的选择策略相同，从而可以得到收益高于经典博弈的最优纳什均衡解。而不用预先知道概率参数，就可以得到高于经典博弈和贝叶斯博弈的最优解的决策方案。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (1)

1.基于量子博弈和PI演算的心智行为预测方法，其特征在于，包括以下步骤：
步骤1，对于多个预测对象，每个预测对象的行为选择都会对其他预测对象的收益产生影响，采用一个量子比特表示一个预测对象的可能行为选择，则任何时刻的博弈状态都可以用多个量子比特的直积空间中的状态表示；
步骤2，将初始的量子博弈状态转换为量子纠缠态；
步骤3，分别对每个预测对象的量子状态进行测量，此时处于纠缠态的量子比特坍塌；
步骤4，根据测量结果，采用PI演算的并行计算确定每个预测对象的行为选择。
CN202010628591.2A 2020-07-02 2020-07-02 基于量子博弈和pi演算的心智行为预测方法 Pending CN111768003A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010628591.2A CN111768003A (zh) 2020-07-02 2020-07-02 基于量子博弈和pi演算的心智行为预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010628591.2A CN111768003A (zh) 2020-07-02 2020-07-02 基于量子博弈和pi演算的心智行为预测方法

Publications (1)

Publication Number Publication Date
CN111768003A true CN111768003A (zh) 2020-10-13

Family

ID=72723440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010628591.2A Pending CN111768003A (zh) 2020-07-02 2020-07-02 基于量子博弈和pi演算的心智行为预测方法

Country Status (1)

Country Link
CN (1) CN111768003A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236371A (zh) * 2023-11-16 2023-12-15 国开启科量子技术(安徽)有限公司 基于博弈悖论的量子人工智能体优化方法、装置、设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102724283A (zh) * 2012-05-20 2012-10-10 李宗诚 基于os / iic 网络及其对接均衡表列的价值度量衡
CN103838972A (zh) * 2014-03-13 2014-06-04 南通大学 一种用于mri病历属性约简的量子协同博弈实现方法
CN106997552A (zh) * 2017-04-07 2017-08-01 东南大学 一种基于智能手机的弹性停车激励系统及方法
CN110490332A (zh) * 2019-08-23 2019-11-22 浙江工商大学 一种量子囚徒博弈方法
US20200162735A1 (en) * 2017-07-28 2020-05-21 Sony Semiconductor Solutions Corporation Image processing apparatus and method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102724283A (zh) * 2012-05-20 2012-10-10 李宗诚 基于os / iic 网络及其对接均衡表列的价值度量衡
CN103838972A (zh) * 2014-03-13 2014-06-04 南通大学 一种用于mri病历属性约简的量子协同博弈实现方法
CN106997552A (zh) * 2017-04-07 2017-08-01 东南大学 一种基于智能手机的弹性停车激励系统及方法
US20200162735A1 (en) * 2017-07-28 2020-05-21 Sony Semiconductor Solutions Corporation Image processing apparatus and method
CN110490332A (zh) * 2019-08-23 2019-11-22 浙江工商大学 一种量子囚徒博弈方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JENS EISERT等: "Quantum Games and Quantum Strategies", 《ARXIV》 *
张永晖: "基于用户行为的下一代移动互联网络若干关键问题的研究", 《中国博士学位论文全文数据库 信息科技辑》 *
邓鑫洋: "不确定环境下的博弈模型与群体行为动态演化", 《中国博士学位论文全文数据库 经济与管理科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236371A (zh) * 2023-11-16 2023-12-15 国开启科量子技术(安徽)有限公司 基于博弈悖论的量子人工智能体优化方法、装置、设备
CN117236371B (zh) * 2023-11-16 2024-03-26 国开启科量子技术(安徽)有限公司 基于博弈悖论的量子人工智能体优化方法、装置、设备

Similar Documents

Publication Publication Date Title
CN107851462B (zh) 使用循环神经网络分析健康事件
US9646244B2 (en) Predicting likelihoods of conditions being satisfied using recurrent neural networks
Xiao et al. Joint modeling of event sequence and time series with attentional twin recurrent neural networks
CN107615306A (zh) 推论装置和推论方法
Cho et al. Using social network analysis and gradient boosting to develop a soccer win–lose prediction model
CN113379042B (zh) 保护数据隐私的业务预测模型训练方法及装置
Tomani et al. Towards trustworthy predictions from deep neural networks with fast adversarial calibration
CN110490274B (zh) 评估交互事件的方法及装置
Hossain et al. A differentiate analysis for credit card fraud detection
He et al. Measuring diffusion over a large network
CN111768003A (zh) 基于量子博弈和pi演算的心智行为预测方法
Stevens et al. Assessing the robustness in predictive process monitoring through adversarial attacks
CN117540336A (zh) 时间序列预测方法、装置及电子设备
Qiu et al. IFGAN: missing value imputation using feature-specific generative adversarial networks
Mtiraoui et al. A hybrid approach for forecasting bitcoin series
Kontarinis et al. Identifying malicious behavior in multi-party bipolar argumentation debates
CN112633607B (zh) 一种动态时空事件预测方法及系统
Katris et al. Prediction of Internet traffic using time series and neural networks
CN112200234B (zh) 模型分类的过程中防止模型窃取的方法及装置
Sun Algorithmic Fairness in Sequential Decision Making
CN111563767A (zh) 股票价格预测方法及装置
Liu et al. A hierarchical futures data analysis framework for multiple accounts detection
Sliva et al. Cape: Automatically predicting changes in group behavior
Ma et al. An improved approach for adversarial decision making under uncertainty based on simultaneous game
Zhang et al. Decision from models: Generalizing probability information to novel tasks.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination