智能决策支持系统的发展现状及应用展望.doc

智能决策支持系统的发展现状及应用展望 智能决策支持系统起源于20世纪80年代初期，由Bonczek等率先提出，是管理决策科学、运筹学、计算机科学与人工智能相结合的产物。它利用专家系统（expertsystem，ES）技术，预先把专家（决策者）的建模经验整理成计算机表示的知识，组织在知识库中，并用称为推理机的一组程序来模拟决策专家的思维推理，形成一个智能的部件。IDSS是决策支持系统与人工智能相结合的产物。它将以定量分析辅助决策的决策支持系统与以定性分析辅助决策的专家系统结合起来，进一步提高了辅助决策能力。现代人类正处在一个变化复杂、不断发展的社会环境，大多数决策都需要采集、处理大量的信息，超出一般决策人员的自身大脑的信息处理能力。因此，随着基于计算机的信息技术的发展，决策支持系统已经逐步为政府、企业管理人员和各类专业人员所熟知。但是，由于决策人员是一个工作在多种领域的动态群体，使用操作专业化的决策支持系统是一个并非人人都必须具有的技能，所以，智能化的决策支持系统正是决策人员希望所求的新型支持工具。 一、　智能决策支持系统的研究现状 1、　智能决策支持系统分类 进入20世纪90年代以来，Internet技术的发展给决策支持系统提出了极富挑战的问题。随着分布计算和网络计算的迅速发展，IDSS也开始由集中式演化产生一系列新的概念、观点和结构。按照智能决策方法，大致可以把IDSS分为3类： （1）基于人工智能（AI，artificialintelligence）的IDSS，主要有如下几种式：①基于专家系统的IDSS。ES是目前IDSS中应用较成熟的一个领域，一般由知识库、推理机及数据库组成。它使用非数量化的逻辑语句来表达知识，用自动推理的方式进行问题求解，而IDSS主要使用数量化方法将问题模型化后，利用对数值模型的计算结果来进行决策支持。②基于机器学习的IDSS。机器学习是通过计算机模拟人类的学习来获得人类解决问题的知识。机器学习由于能自动获取知识，在一定程度上能解决专家系统中知识获取“瓶颈”问题。③基于Agent的IDSS。Agent是目前AI领域的研究热点，主要有智能型Agent研究、Mufti2Agent系统研究和Agent2oriented的程序设计研究3个方面。 （2）基于数据仓库的IDSS。数据仓库通过多数据源信息的概括、聚集和集成，建立面向主题、集成、时变、持久的数据集合，从而为决策提供可用信息。与数据仓库同时发展起来的联机分析处理（OLAP，on2lineanalyticalprocessing）技术通过对数据仓库的即时、多维、复杂查询和综合分析，得出隐藏在数据中的总体特征和发展趋势。OLAP进行的多维数据分析有切片和切块、旋转、钻取等方式。 （3）基于范例推理的IDSS。基于范例推理是从过去的经验中发现解决当前问题线索的方法。过去事件的集合构成一个范例库（casebase），即问题处理的模型。当前处理的问题成为目标范例，记忆的问题或情境成为源范例。CBR处理问题时，先在范例库中搜索与目标范例具有相同属性的源范例，再通过范例的匹配情况进行调整。基于范例推理简化了知识获取的过程，对过去的求解过程的复用，提高了问题求解的效率，对有些难以通过计算推导来求解的问题，可以发挥很好的作用。 2、　智能决策支持系统相关技术 智能决策支持系统是由模型库、数据仓库、OLAP技术、数据挖掘及交互接口集成在一起的。其中数据仓库能够实现对决策主题的存储和综合：OLAP实现多维数据分析：数据挖掘用以挖掘数据库和数据仓库中的知识：模型库实现多个广义模型的组合辅助决策：专家系统利用知识推理实现定性分析。它们相互补充、相互依赖、发挥各自的辅助决策优势，实现更有效的辅助决策。集成系统结构如图1所示 图1　智能决策支持系统结构 由图1可以看出，基于数据仓库的决策支持系统的体系结构包括3个主体：第1个主体是模型库系统和数据库系统的结合，它是决策支持的基础，为决策问题提供定量分析（模型计算）的辅助决策信息：第2个主体是数据仓库和OLAP的结合，OLAP从数据仓库中提取综合数据和信息，这些数据和信息反映了大量数据的内在本质：第3个主体是专家系统和数据挖掘的结合，数据挖掘从数据库和数据仓库中挖掘知识，并将其放入专家系统的知识库中，由进行知识推理的专家系统达到定性辅助决策。这3个主体既相互补充，又相互结合，集成在一起形成更高一级的决策支持系统。集成后的系统对决策问题既可以进行定量分析，又可以进行定性分析。既可以处理来自不同系统、不同数据格式的大量数据，又可以进行复杂的数值计算，能够更好地完成辅助决策任务。它的出现将会使决策支持系统达到一个新的阶段。 自DSS演变为IDSS以来，人工智能技术、专家系统技术、数据库技术和Internet/Intranet技术的发展为智