（管理科学与工程专业论文）基于优化型案例推理的智能决策技术研究.pdf

合肥工业大学博士学位论文 摘要 如何解决企业和社会组织管理过程的优化，如何提高其智能化水平，是管理理论和实践 中一个重要的课题。现代管理实践中系统规模越来越大，约束条件增多，非线性严重，环境 更加复杂，致使系统优化难度越来越大。为解决这些问题，本文提出了一种新型的基于优化 型案例推理的智能决策技术o c b r - - i d t 。其涉及管理科学、人工智能、运筹学和决策科学等 诸多领域，是优化理论和决策技术的结合。具体的研究内容和主要贡献包括： 1 在探讨案例推理技术起源，发展，基本思想和特点的基础上，研究了案例推理技术用 于决策过程的各个阶段，包括决策案例的表示，决策案例的组织和索引，决策案例的修正、 决策案例的学习及决策案例库的维护。探讨了案例推理中的核心技术k - n n 在案例推理中的应 用 提出了一种新型的基于优化型案例推理的智能决策技术0 c b r - - 1 1 ) t ，并将其应用于构建基 于o c b r 1 1 ) t 的智能决策支持系统，采用人机协调技术，集人的智能和机器的智能于一身， 并采用基于案例推理和规则推理相结合的推理方法，提高了对决策过程的智能辅助程度和系 统的灵活性、适应性。 2 在回顾属性选择的策略，包括搜索策略和评价策略，以及属性选择的方法的基础上， 对属性选择过程予以形式化。具体研究了基于熵的两种属性优化选择策略，即信息增益法和 增益比率法，用层次化k - - f o l d 交叉验证和k - - 近邻( k - - n n ) 相结合的技术考察其性能。结 果表明基于嫡的属性评价策略是一种有效的评价，蠹略。 利用遗传算法特有的遗传算子搜索机制，用基于相关性的启发式作为评价机制。提出一 种g a - - c f s 方法。用于从属性集中选择对给定案例最优的属性子集。对选择出来的属性子集 用c 4 5 算法和k - - f o l d 交叉验证相结合评价其分类性能。实验对比结果表明，g a - - c f s 方法 可以确定出与分类和预测最相关的属性子集，同时在几乎不降低分类准确性的情况下，极大 地减小属性的表示空间。 研究了基于主成分分析( p f i i n ec o m p o n a a t a n a l y s i s ，p c a ) 的属性选择，从总体主成分到 标准化变量主成分。最后给出样本主成分的计算方法。使用i r i s 数据作为测试，对选出的主成 分使用c 4 5 和k - - n n 方法考察其分类准确性。结果表明，使用这种方法可以降低数据维度， 同时可以达到一定的分类准确率。当然提取出的主成分的实际意义需要根据具体的问题结合 专业知识予以解释。 3 在综合分析案例检索的类型、任务、启发式方法、案倒相似链度量方法后，从不同维 度研究了案例相似性的度量，即案例间相似性的度量和案例属性间的相似性度量。对基于几 合肥工业大学博士学位论文 摘要 何模型的相似性度量方法和基于特征属性的相似性度量方法予以分析。 分析了管理决策中的委托求解法和综合加权法后，提出了种基于提升和投票的多策略 相似性检索技术。其具有融合多个模型、集中群体智慧的特点，可以克服现有检索方法依靠 单一模型进行决策所具有的不可靠性，以降低决策风险，增强决策的鲁棒性和智能性。 4 详细探讨了禁忌搜索技术在算法设计过程中的关键参数，包括邻域和邻域搜索，禁忌 表和禁忌表的大小短期记忆和长期记忆，停止准则和搜索的效率等。探讨了这些参数设置 的方法、实现的技术和不同设置对算法的影响。 研究了用禁忌搜索技术求解图结构案例中的t s p 问题。首先是对t s p 问题的描述，接着 研究了用朴素禁忌搜索算法求解随机生成的2 0 城市t s p 问题，并测试了算法的收敛速度和 案例解的优化过程。还研究了基于启发式案例解决方案，给出了基于“贪婪”搜索的初始解 启发式禁忌搜索对2 0 城市t s p 问题的求解结果。 研究了禁忌搜索算法对图结构案例的检索技术。首先给出了图结构案例的定义，圈结构 案例相似性的度量，包括图中顶点和弧之间的映射和对应。接着是禁忌搜索各个阶段在图结 构案例中的实现，最后给出了一个两阶段案例检索技术，同时使用了朴素禁忌搜索技术和高 级禁忌搜索技术，提高了对图一类复杂案例的检索效率。最后探讨了对禁忌搜索算法的多种 改进策略。 5 综述了智能诊疗系统在医学领域的应用、圈内外已开发的各类医学诊疗系统和中医专 家系统，分析了案例推理技术在中医领域应用的重大研究价值和前景。将本文提出的o c b r - - i d t 应用于我国三大显学之一徽学中新安医学的研究中。构建基于案例推理技术的优化型智能 新安医学防治中风病诊疗系统。 从概念设计到结构设计研究了其实现的技术方法和路线，最后开发了此系统。为从病名 诊断、辨证论治到处方用药提供智能化的决策支持，实现了新安医学防治中风病研究的现代 化、信息化和智能化。 关键词：智能决策优化案例推理属性优化选择相似性检索禁忌搜索算法 合肥工业大学博士学位论文 a b s t r a c t h o wt oo p t i m i z et h em a n a g e r i a lp r o c e s so f e n t e r p r i s e sa n ds o c i a lo r g a n i z a t i o n s 勰di m p r o v ei t s i n t e u i g e n o eh a sb e e nak e yi s s u ei nt e r m so fb o t ht h e o r ya n dp r a c t i c i nm o d e r nm a n a g e m e n t p t a c t i c e ，t h es y s t e mi sb e c o m i n gi n c r e a a l n g l yl a r g e r , w i t hm o r ec o n s t r a i n tc o n d i t i o n s ，l l l o r s c t o t b n o n - l i n e a rp r o b l e m s ，a n dc o m p l e x i t yo ft h es u r r o u n d i n g s ，w h i c ha d dt ot h ed i f f i c u l t yi nt h e o p 蚴o no f e n t e r p r i s es y s t e m s i no r d e rt od e a lw i t ht h e s ep r o b l e m s ，晒g i n a lo p t i m i z e dc a s e - b a s e dr e a s o n i n g - i n t e l l i g e n t d e c i s i o nt e c h n i q u e ( o c b r - i d l li sp r e s e n t e di nt h i sp a p e r , w h i c ht o u c h e su p o nm a n a g e m e n t s c i e n c e ，a r t i f i c i a li n t e l l i g e n c e ( a d ，o p e r a t i o nr e s e a r c ha n dd e c i s i o ns c i e n c e ，e ta la c a d e m i cf i e l d s ， a n di tc o m b i n e so p t i m i z a t i o nt h e o r y ( c l a s s i co p t i m i z a t i o na n dm o d e r nh e u r i s t i co p t i m i z a t i o n t e c h n i q u e ) w i t hd e c i s i o nt e c h n i q u e i nd e t a i l ，t h i sp a p e ri n c l u d e s ： 1 o nt h eb a s i so fap r o b ei n t ot h eo r i g i n , d e v e l o p m e n t , b a s i ct h o u g h t sa n dc h a r a c t e r i s t i c so f c a s e - b a s e dr e a s o n i n g ( c b r ) ，t h ed i s s e r t a t i o nd o e sr e s e a r c ho i lh o wt oa p p l yc b ri n t oe a c hs t a g e o ft h ed e c i s i o np r o c e s s i n c l u d i n gt h ep r e s e n t a t i o n , e s t a b l i s h m e n ta n di n d e 】a sw e l la st h er c v i a l o n a n dl e a r n i n g a n dm a i n t e n a n c eo ft h ed e c i s i o nc a s e - b a s e i ta l s od i s c i a $ e st h ea p p h c a t i e no fn 琳 t e c h n i q u ei nc b r t h ep a p e rp r e s e n t sa w0 p 曲1 i 蕊c a , w - b a s e dr e a s o n i n g - i n t e l l i g e n td e c i s i o nt e c h n i q u e ( o c b r - i d t ) ，a n da p p l i e si tt oc o n s t r u c ta l li n t e l l i g e n td e c i s i o ns u p p o r ts y s t e m i ta d a p t s t h e t t m n - m a c h i n ec o o r d i n a t et e c h n i q u e s ，i n t e g r a t e st h em a n sb r a i n p o w e ra n dm a c h i n ei n t e l l i g e n c e ， c o m b i n i n gt h ec a s e - b e s e dr e a s o n i n gw i t l lr u l e - b a s e dr e a s o n i n g t h i si m p r o v e st h ef l e x i b i l i t y 、 a d a p t a t i o no f t h es y s t e ma n di t sa s s i s t a n c ed e g r e et od e c i s i o np r o c e s s 2 o nr e v i e wo ft h es t r a t e g i e so ft h ea t t r i b u t e ss e l e c t i o n , i t sp r o c e s si sf o r m a l i z e d t h et h e s i s i n v e s t i g a t e st w os t r a t e g i e so fa t t r i b u t e ss e l e c t i o nb a s e d0 1 1e n u v p y , e g i n f o r m a t i o ng a i na n dg a i n r a t i o a n di t sp e r f o m m c eh a sb ee x a m i n e db yu s i n gt h es t r a t ak - - f o l dc l o & 9v a l i d a t i o na n dt h e k - n nt e c h n i q u e s e m p l o y i n gt h eg a n e r i co p e r a t o r , w h i c hc h a r a c t e l e i g e sg e n e t i ca l g o r i t h m , a st h es e a r c h i n g a p p r o a c ha n dc o r r e l a t i o n - b a s e dh e u r i s t i ca st h ee v a l u a t i n gm e c h a n i s m 。t h et h e s i sp r e s e n t sag a - c f $ m e t h o dt os e l e c tt h eo p t i m a ls u b s e to fa t t r i b u t e sf o rag i v e nc a s el i b r a r y t h e nt h ea u t h o rc o m b i n e s t h ec 4 5a l g o r i t h mw i t hk - f o l dc r o v a l i d a t i o nt oe v a l u a t ei t sc l a s s i f i c a t i o np e r f o r m a n c e t h e c o m p a r e de x p e r i m e n t a lr e s u l t si n d i c a mt h a tt h ep r o p o s e dm e t h o dc a ni d e n t i f yt h em o s t r e l a t e ds u b s e t 合肥工业大学博士学位论文absllra c t f o rd a s s i f i c a t i o na n dp r e d i c t i o n , w h i l em o s t l yr e d u c i n gt h er e p r e s e n t a t i o ns p a c eo ft h ea t t r i b u t e s w h e r e a sh a r d l yd e c r e a s i n gt h ec l a s s i f i c a t i o np r e c i s i o n a t t r i b u t e ss e l e c t i o nb a s e do i lt h ep r i m ec o m p o n e n ta n a l y s i s ( p c a ) i se o n s i d e r e d ，f r o mt o t a l p c at os t a n d a r dv a 加c ep c a , a n da l g o r i t l l l n so f s a m p l ep a ca r e 昏v e nu s i n gi r i sd a t aa st e s tc a b a s e t h es e l e c t e dp r i m ec o m p o n e n t s c l a s s i f i c a t i o n 脚o r m a u c ei sc h e c k e db yc 4 5a n dk n n m e t h o d 拍ee x p e r i m e n t a lr e s u l ts h o w st h a ti tc a nd e p r e s st h ed a t ad i m e n s i o n w e l l 鹬a c h i e v e c e r t a i nc l a s s i f i c a t i o np r e c i s i o n 3 o na n a l y s i so ft h et y p e s ，t a s k s ，h e u r i s t i c sa n ds i m i l a r i t ym e a s l r eo fc 瓣r e t r i e v a l ，t h e d i s s e r t a t i o nc o n s i d e r st h em e a s l l l _ eo ft h ec a s es i m i l a r i t yf r o mv a r i o u sd i m e n s i o n s n a m e l y , b e “m c a s 鹤a n d b e t w e e na t t r i b u t e s o f t w oc a s 龉t h c m e t h o d s o f s i m i l a r i 哆m e a s u r e b a s e d o r l t h e g e o m e t r y m o d e la n dt h ep r o p e r t i e sa t t r i b u t e sa r ca l s oa n a l y z e d a l t a ri n t r o d u c i n gt h em e t h o d so ft h ec o m m i s s i o np r o b l e m s o l v i n ga n ds y n t a c t i cw e i g h t $ e m ，a m u l t i s t r a t e g i e ss i m i l a rc a s er e t r i e v a lt e c h n i q u ei sp r e s e n t e d , w h i c hi 3b a s e d0 1 1t h eb o o s t i n ga n dv o t e i tc c o l l i g a t em u l t im o d e l ，c o l l e c tg r o u pi n t e l l i g e n c e ，o v e r c ：) n l et h el a c ko fc r e d i b i l i t yi ns i n g l e m o d e ld e c i s i o n ，a n dd e c r e a s et h ed e c i s i o nr i s k ，w h i l ei n c r e a s et h er o b u s ta n di n t e l l i g e n c eo f d e c i s i o n p r o c e s s 4 t h ec r i t i c a lp a r a m e t e r si nt a b us e a r c h 仃s ) a l g o r i t h md e s i g n sa d i s c u s s e di nd e t a i l ，i e n e i g h b o r sa n dn e i g h b o rs e a r c h , t a b ul i s ta n ds i z eo ft h et a b ul i s t , e x p l i c i tm e m o r ya n da t t r i b u t i v e m e m o r y , s t o pc r i t e r i o na n ds e a r c he f f i c i e n c y 1 1 ma u t h o ra l s oe x p l o r e st h es e t t i n gm e a n so ft h e s e p a r a m e t e r s ，i t sr e a l i z a t i o na n di n f l u e n c e0 1 1a l g o r i t h m t h et s pp r o b l e mb e l o n g i n gt om a ps t r u c t u r ec a s ei si n v e s t i g a t e d f i r s tt h ea u t h o rd e s c r i b e st h e t s pp r o b l e m t h e nt h ea u t h o rs o l v e st h e2 0c i t yt s pp r o b l e mr a n d o m l yg e n e r a t e du s i n gt h en a y v e t sa l g o r i t h ma n dt e s t st h ec o n v e r g e n c eo ft h ea l g o r i t h ma n do p t i m i z a t i o n1 3 t o c a s so ft h ec m s o l u t i o n f i n a l l y , t h ea u t h o ri n v e s t i g a t e st h ec a s es o l u t i o n ，w h i c hi sb a s e d0 1 1t h eh e u r i s t i c sa n d r e a c h e st ot h er e s u l to f2 0c i t yt s pp r o b l e m su s i n gi n i t i a lk e y , w h i c ha r eg e n e r a t e db y g r e e d y s e a r c hs t r a t e g yb a s e do rt h eh e u r i s t i c st sa l g o r i t h m t h ec a s er e t r i e v a lt e c h n i q u eo fm a ps t r u a t b r eu s i n gt h et sa l g o r i t h mi sp r e s e n t e d f i r s tt h e d e f i n i t i o no f m a ps t r u c t u r ec a s e a n d t h es i m i l a r i t y m e a s l l g eo f i ta r e p u t f o r w a r d t h e n i t sr e a l i z a t i o n u s i n gt sa l g o r i t h ma n dat w o - s t a g ec a s er e t r i e v a lm e t h o di sp r e s e n t e d i tu s e st h en a i v ea n da d v a n c e t sa l g o r i t h m 勰w e l l f i n a l l y , t h ea u t h o ri n v e s t i g a t e st h ei m p r o v i n gs t r a t e g i e so f t s 5 n l ea u t h o rp r e s e n t sa l lo v e r v i e wo fi n t e l l i g e n td i a g n o s i ss y s t e m s a p p l i c a t i o n si nm e d i c i n e i nd o m e s t i ca n da b r o a d ，e s p e c i a l l yi nt r a d i t i o n a lc h i n e s em e d i c i n e ( t c n d ，a n a l y s e si t si m p o r t a n t r e s e a r c hv a l u ea n ds i g n i f i c a n c eu s i n gc a s e - b a s e dr e a s o n i n gt e c h n i q u ei n t ot c m t b eo c b r - - i d t t e c h n i q u ei sa p p l i e di n t ot h ex i n a nm e d i c i n eb e l o n g i n gt oh u is c h o o lw h i c hi so n eo ft h et h r e e i v 合肥工业大学博士学位论文 a b s t r a c t p r o m i n e n ts c h o o l si nc h i n a ，a n dc o n s t r u c t sa l li n t e l l i g e n ts t r o k ep r e v e n t i o na n dt r e a u n e n ts y s t e m b a s e do nx i n 驵m e d i c i n e ，f r o mt h ec o n c e p td e s i g n , s t l t l c t t t r ed e s i g nt o i t sd e v e l o p m e n t i tc a l l p r o v i d et h ed i s e a s ed i a g n o s i s ，d i s t i n g u i s h i n ge v i d e n c ea n dd e t e r m i n i n gi r e a t m e n t , r e c i p e sa n dh e r b w i t hi n t e l l i g e n td e c i s i o n s u p p o r t i tc o n t r i b u t e sm u c ht ot h em o d e r n i z a t i o n , i n f o r m a t i o na n d i n t e l l i g e n c eo f x i n 缸t c m k e y w o r d s ：i n t e l l i g e n td e c i s i o n ；o p t i m i z a t i o n ；c a s e - b a s e d r e a s o n i n g ( c b r ) ；a t t r i b u t e s o p t i m i z a t i o na n ds e l e c t i o n ；s i m i l a r i t yr e t r i e v a l ；t a b us e a r c ha l g o r i t h m v 合肥工业大学博士学位论文插图清单 图2 1 图厶2 闺2 3 图2 4 图2 5 图2 6 图2 7 图2 8 图2 9 图2 1 0 图5 1 图5 - 2 图5 3 图5 _ 4 图5 5 图5 6 图5 - 7 图6 - i 图6 - 2 图6 - 3 图6 - 4 图6 - 5 图6 - 6 图6 - 7 图6 - 8 图6 - 9 插图清单 c b r 求解问题过程。“ 转换推理1 8 两库结构2 l 基于知识的d $ s 结构2 2 基于决策案例的推理和学习流程2 3 考虑了领域知识、适配知识和修正规则的案例推理系统基本流程2 4 基于c b r 的决策支持系统的体系结构2 5 0 c 职一i d s s 的系统结构。2 6 莲于案例推理的集成推理模型2 7 基于0 c b r - - i d t 的案例推理模型 禁忌搜索算法基本流程。 蔡忌搜索算法构成要素 2 0 城市t s p 初始解决方案 2 0 城市t s p 局部优化解决方案 2 0 城市t s p 迭代收敛性能。 使用启发式的2 0 城市t s p 优化解决方案 7 7 7 7 7 8 8 0 个两阶段图结构案例检索过程8 4 c b r 系统工作流程 系统功能模块图 系统结构原理图 初始界亟 病名诊断 证型诊断 证型综合诊断 相似性检索结果 案例适配界面 x 1 0 6 1 0 7 1 0 8 1 0 8 合肥工业大学博士学位论文 基于优化型案例推理的智能决策技术研究 表3 - 1 表3 - 2 表3 3 表3 4 表3 5 表3 - 6 表3 - 7 表3 8 表5 1 袭6 - i 表6 - 2 衰6 3 表 表6 - 5 表6 - 6 表6 1 7 表6 8 表格清单 属性的统计学概况 基于信息增益和增益比率的属性评价对比 基于层次化k - - f o l d 的k - - n n 方法的分类准确率 实验中使用的数据集 。3 5 。3 6 。3 6 ，4 1 。4 1 4 7 。4 7 4 8 7 8 。9 8 属性选择前后的分类准确率对比 相关矩阵属性 标准化样本主成分正交单位化特征向量 提取出主成分的实验结果。 禁忌搜索算法求解t s p 实验结果 新安医家证型诊断案例二值化编码。 诊断各证定量得分 诊断各证定性表 综合辨证和相似检索表 相似性检索诊断结果 案例适配诊断结果 案例适配处方结果 1 0 3 案例修正处方结果。 x i 1 0 4 1 0 5 1 0 5 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据 我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的 研究成果，也不包含为获得金胆王些太堂或其他教育机构的学位或证书而使用过的 材料与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢 意。 学位论文作者签名；李锋协签字日期：又呷年占月参f 日 学位论文版权使用授权书 本学位论文作者完全了解盒a b 王些太堂有关保留、使用学位论文的规定，有权保留并 向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权金a b 王 些去堂可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名李锋盼 签字日期：a t 可年占月2 ，f 日 学位论文作者毕业去向： 工作单位： 通讯地址： 导师签名；留乞邛 签字日期：0 7 年f 月；1 日 电话： 邮编： 合肥工业大学博士学位论文致谢 致谢 首先感谢我的导师倪志伟教授和杨善林教授l 几年来，两位导师的精心指导、悉心培养、 严格要求和谆谆教诲，使我不断进步；导师对管理科学和智能科学的深邃见解，开阔的科研 思路、敏锐深刻的科研思维，始终启迪着我；导师严谨求实的治学态度、敬业忘我的奉献精 神，始终鞭策着我；导师渊博的学识，高深的学术造诣、高超的领导艺术、宽厚谦和的处世 风格，始终感染着我。 我深知博士不是求知生涯的结束，而仅仅是一个开始。 感谢合肥工业大学管理学院及智能管理研究所为我研究工作提供的良好条件。学院倡导 的“我们拥有共同的事业”的学院文化和精神理念，研究所和课题组创造的宽松和谐、积极 向上、勤奋有为的研究氛围，使我受益匪浅。 感谢梁昌勇教授、朱卫东教授、刘心报教授，刘业政教授、周永务教授及马溪骏等老师 的关心和指导。感谢我的同学丁勇、杨昌辉、黄玲、陈增明、黄永青、凌海峰、胡笑璇、褚 伟，叶强等人。感谢管理学院智能管理研究所的倪丽萍、李建洋、刘慧婷、吴吴、叶红云、 刘晓等各位同学。与你们相互探讨、一起交流和学习，结下了深厚友谊。 衷心感谢合肥工业大学管理学院赵慧芳院长、陈国平书记等各位领导和段有志等老师， 对我生活和学业上的关心和帮助。 感谢对论文提出修改和评阅意见的论文评阅人和答辩委员会各位教授。 感谢父母和亲人的养育之思，感谢你们多年来默默的始终如一的支持，正是你们的期望 和教育使我不断进步。感谢我的岳父郜锦强教授对我悉心的指导和帮助，我的夫人郜峦对我的 理解、支持和奉献以及在学术上的探讨，还有我刚出生的儿子李开元带给我无限的欢乐。你 们的鼓励和支持，是我执着追求的力量源泉和动力，使我得以最终完成学业和论文。 最后，再一次感谢所有关心，支持和帮助过我的各位老师和诸位朋友。你们是我人生路 上的宝贵财富。 v l 作者：李锋刚 2 0 0 7 年2 月于斛兵塘畔 合肥工业大学博士学位论文基于优化型案例推理的智能决簧技术研究 第一章绪论 1 1 论文研究背景 1 1 1 决策与智能决策系统 l 决策 所谓决策，是指人们为了达到一定的目标，而决定行动方案并付诸实施的过程，在一定 的人力、设备、材料、技术、资金和时间等因素制约下。人们为了实现特定目标，而从多种 可供选择的策略中做出决断，并付诸实施以求得最优或较好结果的过程就是决策。 决策的基本要素是决簟者和决策对象，两者构成一个矛盾对立的统一体决策系统 ( d e c i s i o ns y s t e m ，d s ) 。决策者和决策对象相互作用最一般的抽象是信息，信息是决策的必 要条件，也是决策的基本要素。此外，决策活动还离不开决策者的决策技术与方法，以及最 后获得的决策结果，包括行动方针，行动原则和行动方案等。 一个决策问题，须具备以下五个条件： ( 1 ) 决策目标。有一个希望达到的明确目标，是决簧问题对决策者所希望实现的目标，可 以是单个目标，也可以是多个目标。用决策准则或最优值m 表示。 ( 2 ) 自然状态。采取某种决策方案时，决策环境客观存在的各种状态。自然状态可以是确 定的、不确定的或随机的，也可以是离散的或随机的。 一般，1 ) 能给出系统所处各种可能的状态。用状态集s = s ) 表示，它是所有状态构成的 集合，是随机变量。2 ) 能知道系统各种状态出现的可能性大小。用状态存在的概率p ( s ) 表示。 ( 3 ) 决策准则。实现决策目标而选择行动方案所依据的价值标准和行为标准。一般来说， 决策准则依赖于决策者的价值倾向和偏好态度。 ( 4 ) 行动方案。实现决镱目标所采取的具体措施和手段，要有多个备选方案。方案称为决 策变量，用a 表示，所有方案构成的集合称为方案集，用a = a 表示。 ( 5 ) 条件结果值。采取某种行动方案在不同自然状态下所出现的结果，能估算出系统在不 同状态下的结果或效益。用受益值、损失值或效用值v ( a s ) 表示，它是状态变量s 和决策变量 a 的函数。 决策问题通常比较复杂，须采用抽象办法，找出参与决策过程诸变量之间的约束关系， 建立数学模型。据此，一个决策问题的数学模型，可以表示为如下要素构成的五重数据结构： d = m 、s = i s 、p ( s ) ，a a 、v ( a ，3 ) 2 智能决策系统 传统决策支持系统( d e c i s i o ns u p p o r ts y s t e m ，d s s ) 有时不能有效地处理现实生活中大 量存在的半结构化或非结构化阗题，这是因为它们很难用数学模型进行定量分析；有时虽然 合肥工业大学博士学位论文第一章绪论 可以用模型来描述和求解，可很难取得基础数据；有些问题虽有多种模型可供选择，但对不 同模型的参数条件和使用范围难以了解，特别是当实际问题与模型条件不一致时，传统d s s 无力指导用户修改模型解决的办法是在传统决策支持系统中增加一个知识库，用来存放专 家的决策思维过程、成功经验和有关科学知识等，从而构成智能决策支持系统( 1 a t e l l i g e n t d e c i s i o as u p p o r ts y s t e m ，i d s s ) 。 1 1 2 优化技术与优化算法 智能优化技术通常都是基于智能优化算法的。2 0 世纪8 0 年代以来，一些新颖的优化算法， 如人工神经网络、遗传算法、进化规划、模拟退火，禁忌搜索、蚁群搜索、粒子群算法及其 混合优化策略等，通过模拟或揭示某些自然现象或过程而得到发展，其思想和内容涉及数学、 物理学、生物学、人工智能、神经科学和统计力学等方面，为解决复杂问题提供了新的思路 和手段。这些算法独特的优点和机制，引起了国内外学者的广泛重视并掀起了该领域的研究 热潮，且在诸多领域得到了成功应用。在优化领域，由于这些算法构造的直观性与自然机理， 因而通常被称作智能优化算法( i n t e l l i g e n to p t i m i z a t i o na l g o f i 缸n s ) ，或称元启发式算法 ( m c t a - h o m i s t i ca l g o r i t h m s ) 所谓优化算法，其实就是一种搜索过程或规则，它是基于某种思想或机制，通过一定的途 径或规则来得到满足用户要求问题的解决方案。 就优化机制与行为而分，目前工程中常用的优化算法主要可分为：经典算法、构造型算法、 邻域搜索算法、基于系统动态演化的算法和混合型算法等i l 】。 ( 1 ) 经典算法。包括线性规划、动态规划、整数规划和分技定界等运筹学中的传统算法， 其算法计算复杂性一般很大，只适于求解小规模问题，在工程中往往不实用。 ( 2 ) 构造型算法。用构造的方法快速建立问题的解通常算法的优化质量差，难以满足工 程需要。譬如，调度问题中的典型构造型方法有：j o h n s o n 法、p a l m e r 法、o u p t a 法、c d s 法、 d a u n e b r i n g 的快速接近法、n e h 法等。 ( 3 ) 邻域搜索算法。从任一解出发，通过对其邻域的不断搜索和对当前解的替换来实现优 化。根据搜索行为，它又可分为局部搜索法和指导性搜索法。 局部搜索法。以局部优化策略在当前解的邻域中贪婪搜索，如只接受优于当前解的状 态作为下一当前解的爬山法；接受当前解邻域中的最好解作为下一当前解的最陡下 降法等。 指导性搜索法。利用一些指导规则来指导整个解空间中优良解的探索，如模拟退火 ( s i m u l a t e da n n e a l i n g ，s a ) 、遗传算法( g e n e t i ca l g o r i t h m s ，g a ) 、进化规划 ( e v o l u t i o n a r yp r o g r a m m i n g ，e p ) 、演化策略( e v o l u t i o n a r ys 锄l e 舀韶，e s ) 和禁忌 搜索( t a b us e a r c h ，t s ) 、蚁群优化( a n tc o l o n yo p t i m i z a t i o n ，a c o ) 、粒子群优 化( p a r t i c l es w a r mo p t i m i z a t i o n ) 等。 2 合肥工业大学博士学位论文 基于优化型案例推理的智能决簧技术研究 ( 4 ) 基于系统动态演化的方法。将优化过程转化为系统动态的演化过程，基于系统动态的 演化来实现优化，如神经网络和混沌搜索等。 ( 5 ) 混合型算法指上述各算法从结构或操作上相混台而产生的各类算法这类算法的融 合通常在机制上有一定的要求，即具有互补性。 当然还可以从别的角度对优化算法进行分类，如组合优化和函数优化，确定性算法和不确 定性算法，局部优化算法和全局优化算法，离散型优化与连续型优化等。 在智能优化中有一大类具有拟物和仿生的特点，其思想大多来源于自然界，是对自然界 中自主优化现象的模拟卿。如将金属降温退火过程中的自然规律引入到优化求解中，产生了模 拟退火算法；将生物种群进化的自然规律引入优化求解中，产生了遗传算法；研究蚁群的个 体间信息传递方式与作用规律，产生了蚁群算法；对鱼群寻食和回游规律的研究，产生了鱼 群算法；对鸟群扑食过程的观察和研究。促成了粒子群算法的产生。将复杂大系统中混沌规 律引入到优化求解中，产生了混沌优化方法。另外。这类算法通常都还具有聚集性和弥散性 的特点。 1 1 3 智能优化算法与启发式方法 有一大类有趣的问题，对它们还没有快速合理的算法，其中许多问题都是在应用中经常碰 到的优化问题。对一个给定的比较困难的优化问题常能找到有效的算法得到近似最优解，那 么我们同样可以采用一些随机算法来处理它。这些算法虽然不能保证获得最优解，但随机地 选择充分多个“验证”后，错误概率可能会降低到我们满意的地步。 对许多实际的优化问题，已经有了一些高质量的算法。例如我们可以用模拟退火来解决 v l s i 设计中布线方案及组件放置问题，或者是货郎担问题。另外，许多大型的可