（计算机软件与理论专业论文）基于cbr的智能决策支持系统研究与应用.pdf

摘要 随着人工智能技术的不断发展，机器学习、数据挖掘、粗糙集、证据理论等 理论方法的不断深入和完善，使智能决策支持系统的体系结构和智能化程度得到 了较大的提高。然而随着i n t e r n e t 的普及应用，人们所掌握信息数据数量的剧增， 给决策支持提供了丰富的信息资源和方便的互动交流平台，也使得更多的专家可 以参与决策。基于智能技术的决策系统研究已经成为当前一个热点研究领域。 目前智能决策支持系统研究面临的主要问题之一为：越来越多半结构化、非 结构化的、不确定的和相关的信息影响决策，决策专家很难凭借大脑的知识和经 验准确、全面和快速地解决、分析信息，形成决策方案，而需要利用智能技术来 辅助决策问题求解。 本文在分析目前智能决策支持系统现状和存在问题基础上，将基于案例推理 的技术与智能决策支持系统相结合，提出了基于c b r 的智能决策支持系统，并 在法律咨询领域得到实际应用。采用基于事例推理( c b r ) 的方法，对事例表示、 检索推理及启发式学习进行了研究，建立了基于c b r 的法律咨询系统，并进行 了实例分析，证明了c b r 预测的正确性。 关键词：智能决策支持系统：人工智能；案例推理；检索 a b s t r a c t r e c e n t l y ，t h ea r c h i t e c t u r eo fi 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 mh a sb e e ng r e a t l y i m p r o v e dw h e na r t i f i c i a li n t e l l i g e n c e ，i n c l u d i n gm a c h i n el e a r n i n g ，d a t am i n i n g ，r o u g h s e tt h e o r y ，d u m p s t e r - s h a f e rt h e o r ya n ds oo n ，w a sd e v e l o p e dr a p i d l y a tt h ee n do f l a s tc e n t u r ya n dt h ev e r yb e g i n n i n go ft h i sc e n t u r y ，w ec a na c q u i r em o r ea n dm o r e i n f o r m a t i o nw i t ht h ep o p u l a r i z a t i o no fi n t e r n e t ，a n dp l e n t yo fi n f o r m a t i o na n d c o n v e n i e n tc o m m u n i c a t i o np l a t f o r ma r ep r o v i d e d ，a n dm o r ee x p e r t sc a np a r t i c i p a t ei n d e c i s i o na c t i v i t i e s r e s e a r c ho ni n t e l l i g e n td e c i s i o nt h e o r ya n dm e t h o d sn o w a d a y s b e c o m ea na c t i v er e s e a r c ha r e a c u r r e n t l y ，o n eo ft h ek e yp r o b l e m so fr e s e a r c ho ni n t e l l i g e n td e c i s i o nt h e o r ya n d m e t h o d sm a i n l yi n c l u d e ：am a s so fs e m i s t r u c t u r e d ，u n s t r u c t u r e d ，u n c e r t a i na n d c o r r e l a t i v ei n f o r m a t i o nw i l la f f e c td e c i s i o n e x p e r t sh a r d l ye x a c t l y ，r o u n d l ya n df a s t g r a s pa n da n a l y z ea l li n f o r m a t i o nb yt h ek n o w l e d g ea n de x p e r i e n c eb u r i e di nt h e i r m i n d ，a n dn e e di n t e l l i g e n tm e t h o d st oh e l pr e s o l v i n gd e c i s i o np r o b l e m ，a n dt h e nf o r m ad e c i s i o no p i n i o n t h i sp a p e ri n v e s t i g a t e sa n da n a l y z e st h er e s e a r c ha b o u ti n t e l l i g e n td e c i s i o n s u p p o r ts y s t e m ，t h e nd i s c u s s e st h ea p p l i c a t i o no fc b r i ni d s sa n di t sk e yt e c h n i q u e t h i sp a p e ra d o p t st h em e t h o dc a s e b a s e dr e a s o n i n g ( c b r ) ，s t u d i e so nt h ec a s e r e a s o n i n g 、r e t r i e v a lr e a s o n i n ga n dl e a r n i n g ，f o r w a r d st h el e g a la d v i s o r ys y s t e mb a s e d o nc b r ，d e m o n s t r a t eo ft h ec b rt e c h n o l o g yf o rs u c c e s s f u l l yu t i l i z i n ge x i s t i n g e x p e r t i s et os o l v et h ec o m p l e xp r o b l e m k e yw o r d s ：i 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 ；a i ；c a s e b a s e dr e a s o n i n g ； r e t r i e v a lr e a s o n i n g i i i 原创性声明 本人郑重声明：本人所呈交的学位论文，是在导师的指导下独 立进行研究所取得的成果。学位论文中凡引用它人已经发表或未发 表的成果、数据、观点等，均己明确注明出处。除文中已经注明引 用的内容外，不包含任何其他个人或集体己经发表或撰写过的科研 成果。对本文的研究成果做出重要贡献的个人和集体，均己在文中 以明确方式标明。 本声明的法律责任由本人承担。 论文作者签名：刿差日期：幽j 朋 论文作者签名：剑芨 一 日期：丝幽! 塑 关于学位论文使用授权的声明 本人在导师指导下所完成的论文及相关的职务作品，知识产权 归属兰州大学。本人完全了解兰州大学有关保存、使用学位论文的 规定，同意学校保存或向国家有关部门或机构送交论文的纸质版和 电子版，允许论文被查阅和借阅；本人授权兰州大学可以将本学位 论文的全部或部分内容编入有关数据库进行检索，可以采用任何复 制手段保存和汇编本学位论文。本人离校后发表、使用学位论文或 与该论文直接相关的学术论文或成果时，第一署名单位仍然为兰州 大学。 保密论文在解密后应遵守此规定。 汐 绪论 1 绪论 智能决策支持系统( i 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 s ，i d s s ) 是决策支 持系统和人工智能技术相结合的产物。作为决策支持系统发展中的重要分支， 从产生起便引起了广泛关注。由于其独特的研究方法和广阔的发展前景，近几 年来成为研究的热点。基于案例的推理( c a s e b a s e dr e a s o n i n g ，c b r ) 以完全 不同于基于规则的推理( r u l e b a s e dr e a s o n i n g ，r b r ) 方式在人工智能的众多 技术中独具特色。利用基于案例推理的方法解决系统决策问题是智能决策支持 系统领域重要的研究方向。 1 1 论文研究背景及意义 由于大部分决策问题都是非结构化的，而传统的e s 采用的结构化的推理方 式，无法按照描述性方式对决策过程提供智能支持。传统e s 对决策支持系统 各部件提供智能支持时，其学习行为大多是静态的、被动的，即按照预定的启 发式策略进行学习，而不是按照实际环境需求制定动态的学习策略，缺乏主动 学习机制。因此，限制了智能辅助的灵活性和适应性。此外，计算机不能正确 地、及时地理解用户的提问和需求，用户不能及时获得计算机的回答和解释； 用户难以对计算机进行动态干预，加入启发信息。用一般知识求解问题的方法 也显示出不足。首先是知识获取瓶颈问题，从专家那罩获取知识存在成本高和 不一定得到有效规则的问题。其次是脆弱性，一旦处理问题所需的知识超出知 识库的范围，系统就无能为力。由于演绎过程实际上只是显示知识库中隐含的 知识，而又很难保证知识库是完备的，所以脆弱性是当前基于演绎推理系统的 固有缺陷。 传统的智能决策支持系统存在的不足，需要新的技术方法来弥补。基于案 例的推理作为一种增量式的学习方法，避免了传统人工智能在知识获取上的瓶 颈问题，克服了基于规则系统的知识难于获取和推理的脆弱性等缺陷，已广泛 应用于各种问题求解的领域。因此，c b r 与智能决策系统的结合具有很大地意 义。 本文将基于w e b 的案例推理技术运用到智能决策支持系统中，来解决复杂 兰州大学硕士学位论文 领域特别是法律咨询领域的决策闯题，甓在对传统决策方法的补充和改进，在 一定程度上弥补基于模型求解和基于规则推理的不足，为解决复杂领域的决策 问题提供新的思路和方法。 1 2 国内外研究现状 进入2 0 世纪9 0 年代以来，随着分布计算和网络计算的迅速发展，i d s s 的 研究有了一些新的变化：( 1 ) 公析、决策用的数据不再集中于某一固定场所， 面是分散到网络上的不同地区、不同部门；( 2 ) 分析、决策模型和知识处理方 法也由一台机器上的集中式处理，变成在网络条件下的分布或分布加并行的处 理方式。i d s s 的研究主要也随之向三个方向发展演变：( 1 ) 分布式决策支持系 统( d i s t r i b u t i n gd e c i s i o ns u p p o r ts y s t e m ) ( 2 ) 群决策支持系统( g r o u pd e c i s i o n s u p p o r ts y s t e m ) ；( 3 ) 高层决筑的支持系统。从对i d s s 发展历史的研究分析可 以看出，i d s s 的发展趋势是向着综合化、集成化方向发展，综合利用多种技术 来实现i d s s 已是构建现代i d s s 的必然趋势。i d s s 的研究工作应突出在系统 的智能性和对决策支持两个方面。近几年来，人工智能、专家系统、数据库、 网络等领域都密现了新的技术，如何有效地将这些技术应用于i d s s 的构建中， 把数据仓库、联机分析、数据挖掘、模型库、专家系统、面向对象、a g e n t 、机 器学习等的优点结合起来，集成综合的决策支持系统，开发出实用丽有效的 i d s s 是当前i d s s 研究的主要方向瑟】。 近年来，c b r 的研究【2 】在国际上广泛开展，众多c b r 研究成果出现在人工 智能期刊和学术会议上。从1 9 9 5 年开始，每两年举行一届国际i c c b r 会议。 除了i c c b r 以外，其它涉及c b r 研究的各类图际性学术会议和专题讨论会还 有：u c a i 、a a a i 等。美国和欧洲已经研究出一定数量的c b r 系统，c b r 在 网络和电子商务方面的应用也在不断展开，例如网上商店智能向导，支持自由 文本描述的信息查询系统，网上c b r 开发工具等。也涌现7 很多种c b r 的开 发工具，如i n f e r e n c ec o r p o r a t i o n 公司的c b r - - e x p r e s s 工其，c a s e p o i n t 工具： h a l e ye n t e r p r i s e s 公司的e c l i p s e 工具；i s o f t 公司的r e c a l l 工具等。 目前，c b r 的研究和应用开发在亚洲地区也得到了重视，中国和同本的学 者们在c b r 方面也进行了卓有成效的研究工作3 , 4 , 5 , 6 , 7 , 8 】。相对于国外，国内对 2 绪论 c b r 的研究还比较少，只集中于少数大学和研究所，应用也处于初级阶段，只 能实现基本的c b r 架构，对于更加深入的c b r 理论的研究和应用开展的还不 够广泛。在知识难以表达或因果关系难以把握，但已积累了丰富经验的领域， c b r 技术得到了一定应用，如通用问题求解、故障诊断、计算机辅助设计、法 律咨询、医疗诊断、工程设计和规划等【9 , 1 0 , 1 1 】。 1 3 论文主要研究内容 本文主要由基于c b r 的智能决策支持系统研究和基于c b r 的决策支持系统 在法律咨询系统中的应用两个部分组成。 第一部分主要介绍了智能决策支持系统和c b r 一般性的研究成果，包括： 智能决策支持系统的发展、特征以及体系结构和存在的问题； c b r 的定义、c b r 实现原理、c b r 与r b r 的比较、以及c b r 发展方 向； 基于c b r 的智能决策支持系统的优劣势分析、系统结构和关键技术研 究。 第二部分介绍了基于c b r 的决策支持系统设计的总体思路和应用，包括： 基于c b r 的决策支持系统设计的关键点：c b r 系统的建立，案例检索， 匹配算法，以及c b r 决策支持引擎的设计； 基于c b r 的决策支持系统在法律咨询系统中的应用实现及结果分析。 1 4 论文研究总体思路 首先，通过调查研究了解智能决策支持系统的研究现状、分析目前智能决 策支持系统存在的问题和c b r 推理的原理与特点，提出基于c b r 的智能决策 支持系统框架； 其次，收集及整理法律领域典型案例，建立用于c b r 的案例库； 最后，设计和实现基于c b r 的决策支持引擎，并将该c b r 决策支持引擎 应用到基于w e b 的法律咨询系统，系统分析其设计、实现过程，并通过试验分 析系统性能，验证采用c b r 技术辅助决策的能力。 兰州大学硕t - ：学位论文 1 5 论文结构 本文第l 章介绍了论文研究背景及意义、国内外研究现状、论文主要研究 内容、论文研究总体思路、论文结构与创新点。 第2 章介绍了智能决策支持系统、基于案例的推理以及基于c b r 的智能决 策支持系统。 第3 章介绍了案例表示与案例库组织、案例相似性度量、案例检索以及c b r 决策支持引擎的设计实现。 第4 章介绍了基于w e b 的法律咨询系统整体设计与实现技术、系统预测能 力试验与分析，并得出结论。 第5 章对论文所做工作给文总结，并提出不足和未来工作展望。 1 6 论文创新点 本文将人工智能的c b r 方法与决策支持系统相结合，提出了基于c b r 的 智能化决策支持系统，并在基于w e b 的法律咨询系统中得以应用实现，在以下 两点做出创新： ( 1 ) 设计实现了一个基于w e b 的c b r 智能决策系统用予新的法律案例判决 预测，初步实现了网络环境下的法律领域智能化案例预测系统原型。 ( 2 ) 验证了采用c b r 技术可以成功的剽用已有专家知识解决复杂问题。 4 基于c b r 的智能决策支持系统研究 2 基于c b r 的智能决策支持系统研究 2 1 智能决策支持系统 2 1 1 决策支持系统的发展 决策支持系统最早形成于2 0 世纪7 0 年代。决策支持系统的概念是由学者 p e r t e rg k e e n 和m i c h a e ls s c o t tm o r o n 等人提出，并做了许多开创性工作b 2 , n 3 】。 决策支持系统的发展历程如图2 1 所示。 2 ( l l l 虻鲫牛代棚 了n ；l ；l ，翅韵 爰s 孵i 二代2 1 艇纪 图2 1 决策支持系统的发展历程 f i g u r e2 1e v o l u t i o no fd e c i s i o ns u p p o r ts y s t e m 决策支持系统一般由三库组成，包括数据库，模型库和方法库。数据是决 策支持的基础，模型是方法面向具体决策的一种组织，方法是指基于运筹学和 仿真技术等的算法，是构成模型的基础。最初d s s 主要是引入了数值计算为主 体的数学模型和仿真模型，但随着研究的深入，研究者发现决策中的大量因素 并不能用定量化的模型来刻画。几乎同时兴起的专家系统本身为决策支持提供 了一个新方式，同时为建立更为综合有效的决策支持系统开辟了新途径。8 0 年 代以后，人们丌始将专家系统( e x p e r ts y s t e m ) 引入到决策支持系统中，这样， 决策支持系统就逐步向具有处理不确定性和能够给出定性分析的智能决策支持 系统方向发展。 智能决策支持系统( i d s s ) 是人工智能与决策支持系统的结合。开始时， 人们设想将决策支持系统与人工智能中的专家系统技术相结合。决策支持系统 的传统方法属于定量分析，而专家系统属于定性分析，结合两者形成的系统解 释为i d s s 。由此可见，i d s s 是一种更为综合的软件系统。决策支持系统一般 兰州人学颐1 ：学位论文 是基于数据库的，在此基础上有一系列的模型和方法，丽专家系统一般是基于 知识库的，与此密切联系的有推理枧和动态数据库。i d s s 研究的重点就是将两 者有机结合起来，将知识推理加入模型运算中，最大化决策支持系统的非结构 化问题求解能力( 1 4 】。 2 1 2 智能决策支持系统基本概念 智能决策支持系统( i d s s ) 是以管理科学、运筹学、控制论和行为科学为 基础，以计算机技术、钫真技术和信息技术为手段，针对半结构化的决策问题， 支持决策活动的具有智能作用的人机系统。 该系统能够为决策者提供决策所需的数据、信息和背景材料，帮助明确决 策目标和进行问题的识别，建立或修改决策模型，提供各种备选方案，并且对 各种方案进行评价和优选，通过人机交互功能进行分析、比较和判断，为币确 决策提供必要的支持。 智能决策支持系统应具有以下特点和功能： 、 ( 1 ) i d s s 具有推理结构，能模拟决策者的思维过程，所以能根据决策者的需 求，通过会话、分析问题、应用有关知识引导决策者选择合适的决策模型。 ( 2 ) i d s s 的推理机构能跟踪问题的求解过程，从而可以证明模型的正确性， 增加了决策者对决策方案的可信度。 ( 3 ) 决策者使用d s s 解决半结构化或非结构化的问题时对问题的本身或问 题的边界条件不是很明确，i d s s 却可以通过询问决策者来辅助诊断问题的边界 条件和环境。 ( 4 ) i d s s 能跟踪和模拟决策者的思维方式和思路，使决策者不仅可以知道结 论，而且知道为什么会产生这样的结论。 ( 5 ) 运用入工智能中的各种技术，对整个i d s s 实行统一协调、管理和控制。 2 1 3 智能决策支持系统的结构 早期的i d s s 在d s s 三库结构基础上增加了知识处理部件，形成了数据库、 模型库、方法库和知识库的四库结构。在这种结构中，传统的决策支持部件提 6 基于c b r 的智能决策支持系统研究 供定量的数值计算，知识部件采用符合推理和模式识别等知识处理技术。随着 人工智能技术在知识部件中的不断应用，决策树、粗糙集、定性推理、证据理 论等方法和技术被广泛采用。因此，一个完整的智能决策支持系统的结构包括： 问题处理和人机会话管理系统；数据库及数据库管理系统；模型库及模型库管 理系统；方法库及专家系统：知识库及知识库管理系统和机器学习部件组成( 详 见图2 2 ) 其中的智能决策方法主要包括：机器学习( m a c h i n el e a r n i n g ) 、定性 推理技术( q u a l i t a t i v er e a s o n i n g ) 、证据推理( e v i d e n c er e a s o n i n g ) 、多a g e n t 系 统( m u l t ia g e n ts y s t e m ) 和数据挖据( d a t am i n i n g ) 等等。 图2 2 智能决策支持系统结构框图 f i g u r e2 2f r a m e w o r k so f id s s 2 1 4 智能决策支持系统中仍待解决的问题 近年来，i d s s 的应用研究取得了巨大的进步，并且在咨询、诊断、预测、 设计、管理等领域得到了广泛的应用，但对于多数的i d s s 应用系统来说，仍 存在以下几个方面需要解决的问题： ( 1 ) 系统脆弱性和知识获取困难。这是传统的i d s s 难以丌发应用的主要原 因。传统的基于规则的方法，一方面，从专家那旱获取知识的成本较高，有时 7 兰州人学烦 二学位论文 专家知道具体怎样做，但是难以有效地归纳出一般规则；另一方面，一旦处理 问题所需的知识超出了知识库的范围，系统就无能为力了。 ( 2 ) 对决策过程的智能辅助程度较低。传统的i d s s 是将e s 技术集成入d s s 的不同部件，或是将e s 作为d s s 的一个分离的部件无论采用哪一种方式，e s 都是对d s s 的部件实现技术提供功能辅助，如智能裁剪对话界面、智能数据管 理、智能模型选择等，而对决策过程的智能辅助程度较低，这主要是大部分决 策闻题都是非结构化的，传统的e s 采用的结构化的推理方式，无法按照描述 性方式对决策过程提供智能支持。 ( 3 ) 灵活性和适应性差。传统的i d s s 各部件提供智能支持时，其学习行为 大多是静态的、被动的，即按照预定的启发式策略进行学习，而不是按照实际 环境需求制定动态的学习策略，缺乏主动学习机制。因此，限制了智能辅助的 灵活性和适应性。 入机协调性差。主要表现在入视分工不合理和入机智能结合困难。此外， 计算机不能j 下确、及时地理解用户的提问和需求，用户不能及时获得计算机的 回答和解释；用户难以对计算机进行动态的干预，加入启发信息。 ( 5 ) 封闭性。即系统只能利用本地资源。另外，系统一旦设计完成，再向系 统内增加资源就比较困难，因为各个模块之间的联系比较紧，稍加变动就会影 响整个系统。 ( 6 ) 继承性差。表现在人机智能的集成、不同软件系统之间的集成性、不同 的智能技术的集成等方面。 ( 7 ) 通用性和高效性之间的矛盾。 2 2 基于案例的推理( c b r ) 2 2 1c b r 基本概念 基于案例的推理( c a s eb a s e dr e a s o n i n g ，即c b r ) 最早是由r s c h a n k 教授 提出【1 5 】，是根据冒标案例的提示丽得到历史记忆中的源案例，并由源案例来指 导目标案例求解的一种策略。c b r 具有信息的完全表达、增量式学习、形象思 8 基于c b r 的智能决策支持系统研究 维的准确模拟、知识获取较为容易、求教效率高等特点，能够有效地克服传统 知识处理系统对外界以外的知识处理十分低效、匹配冲突、组合爆炸、难以解 释、自学习困难等缺陷，非常适用于那些没有很强的理论模型和领域知识不完 全、难以定义、不良定义或定义不一致而经验丰富的决策环境中。 c b r 兴起的主要原因是传统的基于规则的推理( r u l eb a s e dr e a s o n i n g ) 系 统在知识的获取问题上存在困难，不能做到事例的例外处理，整体性能十分脆 弱。c b r 克服了r b r 的众多缺点： ( 1 ) c b r 降低了知识获取的难度，不需要得出像规则那样准确和抽象的知 识，而是直接使用隐含着难以提取规则的知识片段( 案例) ； ( 2 ) 在没有模型存在的情况下，c b r 系统也能建立，而r b r 系统必须建立 应用空间模型； ( 3 ) 系统维护将变得十分简单； ( 4 ) c b r 系统能以获取新的案例的方法实现自学习； ( 5 ) 不仅可以学习正面的经验还可以学习反面的经验。 基于案例推理来自认知科学中记忆在人们预期和决策时所扮演的角色，知 识源不是规则而是发生的事例。 r i e s b e c k 和s c h a n k 对c b r 的定义是通过访问案例库中的同类案例( 源案例) 的求解从而获得当前问题( 目标案例) 解决方法的一种推理技术【j 6 】。在c b r 中，知识单元是案例( c a s e ) 。按r o g e rs c h a n k 的定义，“案例就是指一次经历。 实质上，案例是一组带有相关值的特征，这些特征描述了一个问题及其结论 【1 7 】。可以看出，c b r 是基于以下两条原则：现实世界是有规律的相似的问 题有相似的解决方法；同类的问题会再发生。 尽管c b r 有认知科学为基础，以人工智能等技术予以实现，但c b r 仍然 在理论方面很缺乏。由于人们的实践经验，没有人会否定c b r 的确有用，但很 难在理论上有严格的证明。这也因此导致了c b r 中的一些难点的难以解决，如 事例的改写。 9 兰州人学硕： 学位论文 2 2 2c b r 实现原理 c b r 执行过程如图2 3 所示，具体包括：检索相似案例、重用相似案例并 推断新案例解决方案、修订解决方案、保存新案例以备后用【l8 】四大任务。本质 上c b r 是一种依据原有经验来模拟人脑推理的方法学，它先将大量的问题及其 解决方案以案例形式进行表达和存储，当新问题( 案例) 出现时，系统根据案 例描述用一定的相似性测度匹配案例库中的旧案例，检索最相似案例并据此重 用，修订其解决方案为新问题的解决方案。当新案例具有典型性时将其保留到 案例库，实现c b r 一次学习过程。 图2 3c b r 学习过程 f i g u r e2 3l e a r n i n gp r o c e s so fc b r 从图2 3 可以看到c b r 的原理和人们同常解决问题的方法基本相同，当人 们碰到一个不熟悉的新问题时，通常会回忆起以往的成功经验，并以之为参考 做出新的解决方案，如果方案成功，则这次经验被作为成功经验记下来，若失 败，则作为失败经验记下来，这就是我们不断学习的过程。 对c b r 的研究是从系统的设计者和使用者两方面来考虑，除了要保证实现 c b r 的工作原理外，还需对系统的构造、维护和使用等方面进行研究。 c b r 只有一个通用的求解步骤，少有具体的专用的技术，所以c b r 是一种 方法而非技术。一方面是c b r 的发展还不成熟的表现；另一方面使得c b r 目 前是一个开放的系统，这有利于c b r 本身的发展。当然，c b r 经过1 0 年左右 的发展也有一些较为通用的技术，如在检索事例的方法中的最近相邻策略和知 识引导策略等。由于c b r 是一种方法而非技术，所以在基于案例推理方面的研 1 0 基于c b r 的智能决策支持系统研究 究中应用研究较多。 2 2 3c b r & r b r 在智能决策领域的发展过程中，基于规则的推理( r b r ) 作为传统推理机 制起到了不可忽视的作用，主要有以下特剧1 9 】： ( 1 ) 能够以非常直接的方式使用从人类专家那罩获取的经验知识。这对于那 些高度依赖启发来管理复杂度或残缺信息的领域尤其重要。 ( 2 ) 可以把规则映射为状态空间搜索。解释功能支持调试。 ( 3 ) 知识和控制的分离简化了专家系统的丌发过程，可以循环地组织开发过 程，即不断重复获取，实现和检验规则这一过程。 ( 4 ) 在有限的领域内可以得到很好的性能。因为智能问题求解所需的知识数 最极其庞大，所以专家系统的应用仅限于很窄的一些领城。不过，己经证明在 很多领域中都取得了非常好的效果。 ( 5 ) 解释机制很好。尽管基本的基于规则框架支持灵活的针对问题的解释， 但是必须注意到这些解释的最终质最依赖于规则的结构和内容。数据驱动系统 和目标驱动系统中的解释机制差异很大。 c b r 兴起的主要是基于r b r 的系统在知识的获取问题上存在困难，不能做 到事例的例外处理，整体性十分脆弱。c b r 克服了r b r 的众多缺点【2 0 】： ( 1 ) c b r 降低了知识获取的难度。不需要得出像规则那样准确、抽象的知识， 而是直接使用隐含着难以提取规则的知识片段( 案例) ；问题的唯一精确表示是 其本身。案例能比一组规则提供更多的信息，这是因为人的主观性和有限理性， 从大量实例归纳出来的规则只取出了实例的共同本质。 ( 2 ) 避免了知识增加时知识库的完整性和一致性问题，系统维护将变得十分 简单。 ( 3 ) c b r 系统能以获取新的案例方法实现自学习。案例推理是一种增量式学 习方法。随着案例的增多，案例库的覆盖度( 求解问题的范围) 逐渐提高；同 时由于案例比规则获取容易，不需要完整的领域模型，使案例推理逐步实用化。 兰州犬学矮? ：学能论u 义 ( 4 ) 不仅可以学习爰两的经验还可以学习反西熬经验。直接耋复过去的求解 经验( 成功的和失败的) ，不需要完整的领域模型，也不必像产生式推理那样从 头开始，避免了匹配冲突和组合爆炸问题，求解效率离。 ( 5 ) 案例推理是类毖推理的予类，具有类别推理的基本特点。它能充分发挥 入的创造思维，对难以充分理解的领域做出假设和预测，并指导人们避免重犯 过去的错误。 ( 6 ) 从实现危度讲，案例推理能兼顾专家的偏好，两克服产生式系统的柔性 不足。 但是与规则推理( r b r ) 楣比，案例推理( c b r ) 也有莫不足之处f 2 1 1 ： ( 1 ) 它的洌断过程在整体上依赖于经验和案例。经验案例的质量对系统的影 响极大，不像基予规则的推理系统，规则一旦提取出来，具有概括性，其正确 性是有保证的。 ( 2 ) 对结论的指导性不强。因为对漆在枧理把握不强，所以给用户提供的只 是初缴感受下静方案，蔼且结论往往是不严格的。 ( 3 ) 一般来说，匹配案例的结论需要修正蜃才可适用于当前的溺题，这需要 有关阏题领域的知识。酹前的c b r 系统在案例修j 下方面还缺少有效的方法。 2 2 4c b r 的发展方向 2 2 , 2 3 , 2 4 , 2 5 , 2 6 ( 1 ) c b r 在电子商务、虚拟现实和计算机安全等领域中的应用。在电子商 务中，当顾客在复杂的商品鼷录或庞大的数据麾中漫游时，会感到难以搜索或 选择；在普通的电子商务系统中，一般不具备有关商晶的知识以及购买行为的 知识。用案例推理( 或和a g e n t 技术结合) 形成智能销售支持系统，可以解决这一 闽遂。在虚拟现实领域，可以闵案铡推理处理出现过的历史情景，以此提供一 个训练和学习的环境。在计算机安全中，c b r 技术可以很好地得到使用，将过 去所出现的所有模式作为案例保存起来，在新的闯题蕊现后，如是已有模式， 则按其解决办法予以解决，如今未礁现过的模式，烫| j 可以根据与已有模式部分 匹配来修诈，同时利用入机交互来辅助，这是c b r 非常有价值且困难的应用领 域。 1 2 基于c b r 的智能决策支持系统研究 ( 2 ) 对话式c b r ( c o n v e r s a t i o n a lc a s e b a s e dr e a s o n i n g ，c c b r ) 技术。整个 c c b r 过程是一个交互的、动态的、渐增的问题求解过程，在此过程中用户只 需回答系统所提出的问题，而不必事先具备详尽的与问题求解有关的领域知识。 其中，c c b r 案例库的建造是一项需要专门知识的知识工程任务，有必要研究 能为c c b r 中高性能复杂案例库的设计提供自动支持的软件工具，以及c c b r 系统在寻求问题解决方案的过程中，能有效地和非结构化或半结构化的文本交 互也是个重要难题。 ( 3 ) 基于w e b 的分布式c b r 系统。c b r 技术在i n t e m e t 中的应用越来越多， 建立在互联网上的分布式c b r 系统使得系统更加实用，可以使智能系统的维护 与更新更加方便。x m l 是一个实用的通讯协议，使用x m l 作为c b r 中的案 例描述语言有许多优点，如可以减轻网络上的负担，为网络上的分布式计算提 供了一种新的途径与表达方式，研究基于x m l 的c b r 系统无疑是一个具有挑 战性的课题。 ( 4 ) c b r 中修正方法的深入研究。在真正的c b r 系统中，修f 阶段是非常 重要的。目前的大多c b r 系统在这方面较为缺乏，它是c b r 系统中的瓶颈问 题其中值得研究的课题有：c b r 其它阶段对修正阶段的借鉴作用，如检索阶段 与修正阶段的结合；利用状态自动机来建立统一的修正理论；建立知识层次的 任务模型，以满足修正阶段的统一性，利用遗传进化方法来进行修正操作等。 ( 5 ) 数据挖掘与案例推理的集成。数据挖掘与案例推理的关系可以是多方 面的。数据挖掘可以用在c b r 中，也可以作为数据挖掘的一种方法，来挖掘知 识和储存知识。二者还可以同时用在很多其它的集成系统之中。 ( 6 ) c b r 系统工程。如何科学合理地建立c b r 系统是c b r 研究人员的研 究难题。包括：使用c b r 生命周期概念，使用描述逻辑为c b r 周期建立模型， c b r 过程的形式化表达等。 ( 7 ) 文本c b r 及其检索技术。可以将案例推理技术用于自然语言的文本检 索，通过大量的词法来生成文本集合案例库的索引，以此索引来寻找文本。 ( 8 ) 可视化的c b r 。利用可视化的技术可以全面地监控c b r 的能力，比如 案例库的增长速度，c b r 系统的性能检查等。 兰州大学硕士学位论文 ( 9 ) 案例库中特征项的自动提取，相似性计算过程中如何与修j 下阶段联系， 解释过程中的赋权技术，基于c b r 的猜想发现也是一个极具挑战性的课题，有 待深入研究。 ( 1 0 ) 案例库维护的定量化分析与证明，动态地组织与更新案例库，案例库 索引机制的维护技术，研究与设计一个案例库组织智能体模型，遗传算法在案 例的选择与案例库的压缩上的应用等。 ( 1 1 ) 在c b r 技术的发展过程中，其它技术与c b r 技术相结合。这其中有 许多值得深入研究的课题，如c b r 与决策支持系统，c b r 与基于模型的方法 的结合，基于多a g e n t 协调的c b r 系统，c b r 与约束满足推理的结合，基于 b a y e s 技术的c b r 系统，c b r 与r b r 的相结合新型专家系统体系结构等。 2 3 基于c b r 的智能决策支持系统的研究 2 3 1 基于c b r 的i d s s 系统的优劣势分析 对于多数的i d s s 系统来说，仍存在：( 1 ) 知识获取困难和脆弱性；( 2 ) 灵 活性和适应性差；( 3 ) 人机协调性差；( 4 ) 智能辅助程度较低等不足。这些缺陷 限制了i d s s 的广泛应用。而近年来兴起的基于案例推理是基于人的认知心理 过程，用先前求解问题的经验和方法，通过类别和联想来解决当前相似问题的 推理方法，它克服了传统的基于规则系统的知识难于获取和推理的脆弱性等缺 陷，已广泛应用于各种问题求解的领域。与规则推理相比，案例推理有许多优 点： ( 1 ) 问题的唯一精确表示是其本身。案例能比一组规则提供更多的信息，这 是因为人的主观性和有限理性，从大量实例归纳的规则只取出实例的共同本质； ( 2 ) 避免了知识增加时知识库的完整性和一致性问题； ( 3 ) 案例推理是一种增量式学习方法。随着案例的增多，案例库的覆盖度( 求 解问题的范围) 逐渐提高；同时由于案例比规则获取容易，不需要完整的领域 模型，使案例推理逐步实用化： ( 4 ) 直接重复过去的求解经验( 成功的和失败的) ，不需完整的领域模型， 1 4 旗十c b r 的智能决策支持系统研究 也不必像产生式推理那样从头开始，避免匹配冲突和组合爆炸问题，求解效率 高： ( 5 ) 案例推理是类比推理的子类，具有类别推理的基本特点。它能充分发挥 人的创造思维，对难以充分理解的领域做出假设和预测，并指导人们避免重犯 过去的错误； ( 6 ) 从实现角度讲，案例推理能兼顾专家的偏好，而产生式系统的柔性不足。 但是与规则推理相比，案例推理也有其不足之处： ( 1 ) 它的判断过程在整体上依赖于经验和案例。经验案例的质量对系统的影 响极大，不像基于规则的推理系统，规则一旦提取出来，具有概括性，其正确 性是有保证的； ( 2 ) 对结论的指导性不强。因为对内在机理把握不强，所以给用户提供的只 是初级感受下的方案，而且结论往往是不严格的； ( 3 ) 一般来说，匹配案例的结论需要修正后才可适用于当前的问题，这需要 有关问题领域的知识。目前的c b r 系统在案例修币方面还缺少有效的方法。对 于复杂问题的决策，由于因果关系复杂，而信息具有随机性、模糊性等不确定 性，其知识难以表达、因果关系难以把握，仅用规则推理是不够的。另一方面， 专家在实践中已积累了丰富的经验，存在着大量的实际案例。 兰州人学硕士学位论文 2 3 2 基于c b r 的i d s s 体系结构 图2 4 基_ 丁c b r 的智能决策支持系统结构图1 2 7 】 f i g u r e2 4a r c h i t e c t u r eo f c a s e b a s e dr e a s o n i n gi n t e l l i g e n td e c i s i o ns u p p o as y s t e m s l 2 7 1 基于c b r 的智能决策支持系统结构如图2 4 所示，由以下几部分组成： 人机智能系统：完成人机交互、问题描述、结果显示和系统总体控制。 典型案例库系统：由案例库及案例库管理系统组成，含有案例检索算法和 案例匹配算法，指导案例调整，其案例在系统运行中不断扩充。 知识库系统：由产生式规则组成，包括专家经验和以规则形式表示的有关 知识。支持案例检索、案例分析、案例调整。 模型库系统：由模型库和模型库管理系统组成。完成模型的调用，并把结 果综合，送入智能人机系统显示，作为补充信息供案例检索、调整使用。 方法库系统：由算法库和各类智能决策方法组成。 数据库系统：存放待决策支持的所有问题，并完成其维护与查询等功能。 多库协调器：根据问题求解的需要，按照一定的数据抽取策略，完成问题 求解过程中对模型库系统、方法库系统、知识库系统和数据库系统等资源的调 度与协调。 1 6 基十c b r 的智能决策支持系统研究 2 3 3 基于c b r 的i d s s 系统的关键技术 对于基于c b r 的i d s s ，其功能取决于系统的应用领域和所存储的历史案 例，有效性则取决于案例的抽取、表示和检索方式，以及案例学习和维护等方 面的性能，关键部分主要有： 2 3 3 1 案例的表示和案例库的组织 基于案例推理的智能决策支持系统是基于知识的系统【2 8 , 2 9 , 3 0 , 3 i 】。案例是c b r 系统中的知识“容器”，是系统的赖于推理的知识源泉。c b r 系统所依赖的最 重要的知识存储在案例( c a s e ) 中，决策案例的集合组成了决策案例库( c a s e b a s e ) 。 以一种适当的形式来描述决策案例是实现基于案例决策支持的前提，现在 有许多种表示决策案例的方法，如记忆网络、谓词逻辑表示、因果关系图、面 向对象的表示、框架表示、关系数据库表示和全文本表示等，对于基于案例的 决策支持来讲，案例表示的不仅仅是案例的描述方法，而重要的是案例描述中 所包含的内容。基于案例的决策推理系统利用案例记录以前的问题求解的情况， 应该包括与问题的解答有关的一切重要信息。 针对决策支持，对案例的描述与表示一般有如下要求： ( 1 ) 有用性所选取的案例应该是典型的，对有类似结构的决策问题具有一 定的指导意义，对新问题的解决具有启发性。 ( 2 ) 抽象性一个决策案例是在特殊决策环境下、针对一定的决策问题而产 生的决策，以及执行这个决策的全过程的描述。但在基于案例的决策支持时， 它是作为问题求解类比知识源而用于具有类似结构的决策问题，因而索引时应 尽可能地发现和利用其共同特性，以便更有效地指导对新问题的求解。 ( 3 ) 具体性案例的抽象性有可能影响基于案例的决策支持的有效性，使系 统不能发现新的决策环境下出现的新的决策问题与相似决策案例之间的本质差 别，因而索引时抽象性与具体性要相互协调。 1 7 兰州人学坝。i ：学位论文 2 3 3 2 推理机设计 这部分主要指检索机制和相似性算法的设计。c b r 技术的强大功能就是源 于从案例库中快速、准确地检索出相关历史案例的性能，因此它们是设计推理 机的基础。 复杂问题的决策，一般是在信息不完全的情况下进行的。根据h s i m o n 的 有限性理论，由于人类的主观认识的局限性和环境的复杂性，开始很难得到决 策所需要的全部信息，这就需要不断地收集证据。用以前的案例作指导，通过 向环境学习，逐渐消除信息的不完整和不确定，并不断地反馈到决策中，最终 得到问题的满意解。 基于此论点，