基于案例推理的水资源调配案决策研究.docVIP

基于案例推理的水资源调配方案决策研究( 彭少明 【摘要】利用水文要素的周期性、相似重现等特征，将案例推理方法运用到水资源调配方案决策研究，把模糊推理技术嵌套入案例推理中，引入水文要素相似度设计了一个CBR决策系统案例库构造案例推理基于案例推理（Case-Based Reasoning ，简称CBR）的方法是人工智能领域一项重要的推理方法通过接受以往案例的知识或信息用于新案例问题求解过程。由目标案例的提示获取记忆中的源案例来指导目标案例求解的一种策略。CBR无需显式的领域知识模型，避免了知识获取瓶颈，而且系统开放，易于维护，推理速度较快，同时增量式的学习使案例库的覆盖度随系统的使用逐渐增大，判断效果愈来愈好,可以有效解决传统推理方法的许多固有问题。在复杂水资源环境中，一些水文现象是相似的或者表现出相似关系，相似性技术恰恰是用于分析存在自然和社会科学中隐含信息的一种技术，用来进行探求和解决真实世界的复杂模式，并且它能够以整体的观点来分析环境问题，而不同于以往用数理模型的抽象模拟可以不用经过抽象而依靠自身的相似性来建模，而CBR技术则提供了实现这种相似性建模的可能性。采用基于案例推理方法进行水资源调配决策问题求解，案例推理的如图1所示。 图1 案例推理不同于传统的知识系统，CBR系统所依赖的知识主要是系统所存储的相关领域中以前解决问题的具体记录。CBR将过去处理过的问题，描述成由问题特征集和解决方案组成的案例， 存储在案例库中。当新的问题出现时，系统从案例库中检索出与新问题最相近的旧案例。如果旧案例和新案例完全一致，则可以把旧案例的解决方案作为新案例的答案；否则需要对新案例进行修改，从而得到新问题的解决方案。对于一个有效的CBR系统，选择合适的检索方法很重要，可以提高检索速度并提高检索精度，常用的案例检索方法是归纳和最近相邻法。归纳法提取案例间特征上的差异，并根据这些特征将案例组成一个类似判别网络的层次结构，检索时采用决策树搜索策略。最近相邻法适合于案例特征属性为数值型的情况，相似度最大的案例为匹配案例。 推理机首先对新问题进行特征描述，根据这些特征，从案例库中检索相似案例，比较旧案例与新问题的，对旧案例进行调整，从而获得新问题的解。案例推理主要存在以下关键技术： 1) 案例的表示与组织 抽取水资源管理案例的特征变量（水文变量、土壤墒情、气候、经济社会需水情况），并以一定的结构在计算机中组织、存储。 案例的索引与检索 确定最佳相似案例。采用计算机技术进行索引与检索；定义流域水资源管理新、旧问题的相似度。 案例的推理规则 设计案例推理规则，根据推理规则检索出相似度最近的案例。 案例的调整 根据旧案例得出新解，并做以调整。 案例的学习 将新的管理调度方案增添到案例库中扩充案例库的案例种类与数量；进一步地，从案例知识中提取浅层规则知识或修改深层模型知识贴近度是描述两个模糊集合相似或者贴近程度的一个重要数量指标，它最早由我国教授汪培庄教授提出，并且给出了格贴近度的定义。案例和问题的模糊化描述。设案例库中有个案例，其特征属性集为，用表示案例的个特征因素对应的隶属度，则案例库中案例，对应的特征向量集为： （1） 待求决策问题T的特征向量集为： 　　（2） 由于采用相似度来衡量问题与案例的相似程度，因此，模式的选择和计算至关重要。 定义设，若映射N: ，满足条件：(a)：；(b) ；(c) ；(d)若，则。其中，为模糊集的相似度，N被定义为协上的相似度函数。 测度相似度的一般形式为勒贝格积分形式，即 （3） 集合的相似度可以用下式表示： （4） 可以证明式（7-4）满足定义1中(a)－(d)条件，可作为判断相似程度的公式。 由于在案例推理决策中，各属性要素对案例匹配中影响各不相同，因此在相似程度判断中考虑其贡献权重。设特征属性的影响权重为，满足： （5） 可将式修改，构造含有权重的相似度计算如下式： （6） 同样可以证明上式满足相似度的定义条件。特征因素的影响权重的计算。影响权重用来衡量各特征因素的相对重要性，通常在不同的决策环境下，同一特征因素对决策输出会有不同的影响。采用 K-D 树的检索机制每一层通过检测不同的属性值以决定选择分枝的方向，整合以上两种案例的检索方法，在同一时间提高了搜索速度和精度。当一个新的案例出现后，首先应用多维K-D决策树获取若干相似于问题案例的旧案例，然后应用最近相邻法在这些获取的旧案例中找到最匹配的案例。使用K-D树的主要优势是能够将两个不同类型的知识域整合在一起，形成一个新的问题解决方案。由于水文特征的区域分异和综合规律导致水资源调配案例具有显性或隐性呈现出一定的时间和空间分