人工智能的决策支持和智能决策支持系统课件

第4章人工智能的决策支持和

智能决策支持系统第4章目录4.1

人工智能基本原理

4.2

专家系统与智能决策支持系统4.3

神经网络的决策支持

4.4遗传算法的决策支持4.5机器学习的决策支持4.1人工智能基本原理1、人工智能的决策支持技术从智能决策支持系统的概念可知智能决策支持系统中包含了人工智能技术，与决策支持有关的人工智能技术主要有：专家系统、神经网络、遗传算法、机器学习、自然语言理解等。

专家系统是利用大量的专门知识解决特定领域中的实际问题的计算机程序系统；神经网络是利用神经元的信息传播模型（MP模型）进行学习和应用；遗传算法是模拟生物遗传过程的群体优化搜索方法；

机器学习是让计算机模拟和实现人类的学习，获取解决问题的知识；自然语言理解是让计算机理解和处理人类进行交流的自然语言。4.1人工智能基本原理2．智能决策支持系统结构形式

1）基本结构智能决策支持系统（IDSS）＝决策支持系统（DSS）＋人工智能（AI）技术4.1人工智能基本原理

问题综合与交互系统数据库管理系统模型库管理系统模型库数据库

人工智能技术专家系统神经网络遗传算法机器学习自然语言理解图4.1智能决策支持系统的基本结构

图4.2智能决策支持系统结构问题综合与交互系统模型库管理系统数据库管理系统知识库管理系统推理机用户模型库

知识库数据库人工智能技术可以概括为：推理机＋知识库智能决策支持系统的结构可以简化为图4.24.2人工智能基本原理4.2.1逻辑推理4.2.2知识表示与知识推理4.2.3搜索技术4.2.1逻辑推理1.形式逻辑(人的思维形式、规律)（1）概念：反映事物的特有属性和属性的取值。（2）判断：对概念的肯定或否定；判断本身有对有错；判断有全称的肯定（或否定）判断和存在的肯定（或否定）判断。（3）推理：从一个或多个判断推出一个新判断的过程。逻逻辑推推理2.推推理的的种类类演绎推推理归纳推推理类比推推理假言推推理三段论论推理理数学归归纳法法假言易易位推推理枚举归归纳推推理1）演绎推推理：从一一般现现象到到个别别（特特殊））现象象的推推理。。2）归纳推推理：从个个别（（特殊殊）现现象到到一般般现象象的推推理。。3）类比推推理：从个个别（（特殊殊）现现象到到个别别（特特殊））现象象的推推理。。1）演绎推推理专家系系统的的研究究基本本上属属于演演绎推推理范范畴。。演绎绎推理理的核核心是是假言言推理理。假言推推理：以假假言判判断为为前提提，对对该假假言判判断的的前件件或后后件的的推理理。1）假假言推推理：：pq，p┝q2）三三段论论推理理：：pq，qr┝pr3）假假言易易位推推理（（拒取取式））：pq，q┝p符号““┝”表示示推出出逻逻辑推推理2）归归纳推推理(个别别→一一般)（1））数学学归纳纳法这种推推导是是严格格的，，结论论是确确实可可靠的的。（2））枚举举归纳纳推理理S1是P，，S2是P，，…………Sn是PS1……Sn是S类类事物物中的的部分分分子子，没没有相相反事事例。。所以，，S类类事物物都是是P。。枚举归归纳推推理的的结论论是或或然的的(并非非必然然地)，它的可可靠性性和事事例数数量相相关。逻逻辑推推理枚举归归纳推推理实实例如观察察到铁受热热膨胀胀、铜受热热膨胀胀等事实实而不知其其所以以然，，由此此推出出“所有金金属受受热膨膨胀”的结论论就是是简单单枚举举归纳纳推理理。3）类类比推推理它是由两两个（或或两类））事物在在某些属性性上相同，进而推推断它们们在另一个属属性上也可能能相同的推理。。A事物有有abcd属性性,B事事物有abc属属性（或或a,b,c相相似属性性）所以，，B事物也可可能有d属性（或或d相似似属性））类比推理理的结论论带有或或然性，，它的可可靠性和和相类比比事物属属性之间间的联系系程度有有关。逻逻辑推理理类比推理理实例一一1816年的一一天，法法国医生生雷奈克克出诊为为一位年年轻的女女性看病病，一见见病人，，雷奈克克犯起愁愁来：她她身体非非常肥胖胖，要诊诊断她的的心脏和和肺部是是否正常常，按当时医医生惯用用的方法法，把耳耳朵贴近近病人的的胸部来来听，肯肯定听不不清楚，，更何况况她是一一位年轻轻的女性性。雷奈克抬抬头看了了看院子子里正在在玩耍的的小孩，，脑子里里突然浮浮现出几几年前看看到一个个孩子们们玩的游游戏：一一个孩子子用钉子敲敲打木板板的一头头，另外外的孩子子争先恐恐后地抱抱着把耳耳朵贴近近木板的的另一头头，兴致勃勃勃地倾倾听着。。为什么木木头能够够把声音音清晰地地传过来来呢？雷奈克稍稍微想了了想，只只见他很很很地拍拍了一下下手说：：“就是是这样！！就是这这样！””雷奈克克要来一一叠纸，，紧紧地地卷成一一个卷，，然后把把纸卷的的一端放放在姑娘娘的胸部部，另一一端放在在自己的的耳朵上上，侧着着脸听了了起来。。“真是是一个妙妙法！””雷奈克克高兴地地喊了一一句。回回到家里里，雷奈克找找到一根根木棒，，造成了了历史上上第一个个“听诊诊器”。。类比推理理实例一一类比推理理实例二二19世纪纪30年年代，英英国商人人威尔斯斯以与冯冯灿的茂茂隆皮箱箱商行订订购的皮箱中有有不是皮皮的木料料为由，向向香港法法院起诉诉，蓄意意敲诈冯冯灿。针针对这种种情况，，冯灿的的律师罗罗文锦取取出口袋袋的金怀怀表，高高声问法法官：““请问这这是什么么表？””法官答答道：““这是金金表，可可是这与与本案有有什么关关系？””罗文锦锦高举金金表，面面对法庭庭上所有有的人说说：“有有关系。。这是金金表，没没有人怀怀疑是吧？但是是，请问问，这块块金表除表表面镀金金之外，，内部的的机制都都是金制制吗？”旁听听者同声声议论：：“当然然不是。。”罗文文锦继续续说：““那么人人们为什什么又叫叫它金表表呢？””稍作停停顿又高高声说：：“由此此可见，，茂隆行行的皮箱箱案不过过是原告告无理取取闹、存存心敲诈诈而已””原告理理屈词穷穷，法庭庭最后以以威尔斯斯诬告，，罚款5000元结案案皮箱诉讼讼案的法法庭辩论论中，卖卖方律师师在反驳驳中所使使用的就就是类比比推理：：表的外表表有金，，内部含含有不是是金的材材料，但但却是金金表；箱的外表表有皮，，但也含含有不是是皮的材材料；所以，箱箱仍是皮皮箱。类比推理理实例二二3.总总结1）演绎推理理的结论论没有超出出已知的知知识范围围。而归归纳推理理和类比比推理的的结论超出已知的知知识范围围。演绎推理理只能解解释一般般规律中中的个别别现象而归纳推推理和类类比推理理创造了了新的知识，，使科学学得到新新发展，，是一种种创造思思维方式式。2）演绎推理理中由于于前提和和结论有有必然联联系，只只要前提提为真，，结论一一定为真真。归纳推理理和类比比推理中中前提和和结论，，不能保保证有必必然联系系，具有有或然性性。这样样推理的的结论未未必是可可靠的。。需要经经过严格格的验证证和证明明，使之之形成新新的理论论。逻逻辑推理理知知识表示示与知识识推理4.2.2.1数理理逻辑表表示法(自学)4.2.2.1产生生式规则则4.2.2.3语义义网络4.2.2.4框架架4.2.2.5剧本本(自学学)产生式规规则（ifAthenB）1.正正向推理理逐条搜索索规则库库，对每每一条规规则的前前提条件件，检查查事实库中是否存存在。前提条件件中各子子项，若若在事实实库中不是全部部存在，放弃该该条规则则。若在在事实库库中全部存在在，则执行行该条规规则，把把结论放入事实库中。反复循环环执行上上面过程程，直至至推出目目标，并并存入事实库中为止。。1.A∧B→→G2.C∧D→→A3.E→DB,C,E产产生式规规则事实库的的最后状状态为：：B，C，，E，D，A，，G产生式规规则库事实库产生式规规则库和和事实库库的初始始状态为为：产生式规规则逆(反)向推理逆向推理理是从目目标开始始，寻找找以此目标为为结论的规则对该规则则的前提提进行判判断，若该规规则的前前提中某某个子项项是另一一规则的的结论时时，再找找以此结结论的规规则。重复以上上过程，，直到对对某个规规则的前前提能够够进行判判断。按按此规则则前提判判断（““是”或或“否””）得出出结论的的判断，，由此回回溯到上上一个规规则的的推理，，一直回回溯到目目标的判判断。GADEBC产产生式规规则逆向推理中中，目标改改变过程：：1.A∧B→G2.C∧∧D→A3.E→DB,C,E产生式规则则库事实库4.2.3搜索技技术搜索技术是是人工智能能的一个重重要研究内内容。智能能技术体现在减少搜索树树中的盲目目搜索。1.执行时间与与ｎ，ｎ２，ｎ３等成正比的的算法，称称为按多项式时时间执行。2.执行时间与与２ｎ，ｎ！和ｎｎｎ等成正比的的算法，称称为按指数时间间执行。按多项式时时间执行的的算法，计计算机是可可以实现的的。按指数数时间执行行的算法，，计算机是是不可能实实现的。4.2.3搜索技技术人工智能中中发展了一一种称为启启发式搜索索方法，基基本思想可可用一个实实例来说明明：一个外地人人到某城市市出差，他他想到书店店看看，又又不知书店店在何处，，如果采取取盲目搜索索，从住地地出发沿任任一方向走走，在分叉叉路口又任任选一分支支走，他可可能走几天天几夜也找找不到如果采用启启发式方法法，他会问问路上的人人，到书店店怎样走。。城市中的的大部分人人对书店不不知道，问问不出来。。4.2.3搜索技技术改一种问法法：问该城市最最热闹的地地方在哪儿儿？按照这个个启发式信信息沿着指指路人的路路线，乘车车到达最热热闹的地方方但书店在哪哪儿，仍然然不知道。。如果盲目目搜索，可可能仍然找找不到。如如果采用启启发式方法法，他会问问路上的人人，卖画的的地方在哪哪儿，他可可以通过画画店再问书书店在哪儿儿？启发式方法法能减少大大量盲目无无效的搜索索，能有效效克服按指指数时间执执行的组合合爆炸现象象4.2.3搜索技技术搜索方法分分类：1、基本搜索索法（1）广度优先先搜索法。。（2）深度优先先搜索法。。2、生成测试试法。3、爬山法。。4、启发式搜搜索。5、博弈算法法。（1）极小极大大搜索法。。（2）剪枝算法。。4.2.3.1广度优先搜搜索（宽度度优先搜索索）1、广度优优先搜索思思想从初始状态态S开始，，利用规则，生成所有可可能的状态态。构成树的的下一层节节点，检查查是否出现现目标状态态G，若未未出现，就就对该层所所有状态节节点，分别别顺序利用用规则。生成再下一一层的所有有状态节点点，对这一一层的所有有状态节点点检查是否否出现G，，若未出现现，继续按按上面思想想生成再下下一层的所所有状态节节点.这样一层一一层往下展展开。直到到出现目标状状态G为止。图4.7广度优先搜搜索示意图图（2）算法法1)把初初始节点S0故入OPEN表。2)如果果OPEN表为空，，则问题无无解，退出出。3)把OPEN表表的第一个个节点(记记为节点n)取出放放入CLOSED表表。4)考察节节点n是否否为目标节节点。若是是，则求得得了问题的的解，退出出。5)若节点点n不可扩扩展，则转转第2)步步。6)扩展展节点n，，将其子节节点放入OPEN表表的尾部，，并为每一一个子节点点都配置指指向父节点点的指针，，然后转第第2)步。。广度优先搜索过程开始把n的后继节点放入OPEN表的末端，提供返回节点n的指针把S放入OPEN表OPEN表为空表？是失败否把第一个节点（n）从OPEN移至CLOSED表n为目标节点？是成功否n能否扩展是否有任何后继节点为目标节点否是是否例子1(八数码难题题)重排九宫问问题，在3x3的方方格棋盘上上放置分别别标有数字字1、2、、3、4、、5、6、、7、8共共8个棋子子，初始状状态为S0，目标状态态为Sg，如图1所所示。可使用的算算符有：空格左移，，空格上移移，空格右右移，空格格下移。即即只允许把把位于空格格左、上、、右、下的的邻近棋子子移入空格格。要求寻寻找从初始始状态到目目标状态的的路径。?该路径使用用的算符序序列：空格格上移，空空格左移，，空格下移移，空格右右移。广度优先搜搜索的盲目目性较大，，当目标节节点距离初初始节点较较远时将会会产生许多多无用节点点，因此搜搜索效率低低，但是，，只要问题题有解，用用广度优先先搜索总可可以得到解解，而且得得到的是路路径最短的的路径。由图2可以以看出，解解的路径是是：S0——3——8———16———26广度优先法法适合于搜搜索树的宽宽度较小的的问题。1、深度优优先搜索法法思想从初始状态态S开始，，利用规则则生成搜索索树下一层层任一个结点点，检查是否否出现目标标状态G，，若未出现现，以此状状态利用规规则生成再再下一层任一个结点，再检检查是否为为目标节点点G。若未未出现，继继续以上操操作过程，，一直进行行到叶节点点（即不能能再生成新新状态节点点）。当它仍不是是目标状态态G时，回回溯到上一一层结果，，取另一可可能扩展搜搜索的分支支。生成新新状态节点点。一直进行下下去，直到到找到目标标状态G为为止。深深度优先搜搜索法图4.8深度优先搜搜索示意图图（2）算法法1)把初初始节点S0故入OPEN表。2)如果OPEN表表为空，则则问题无解解，退出。3)把OPEN表的的第一个节节点(记为为节点n)取出放入入CLOSED表。4)考察节节点n是否否为目标节节点。若是是，则求得得了问题的的解，退出出。5)若节点点n不可扩扩展，则转转第2)步步。6)扩展节节点n，将将其全部子子节点放入入到OPEN表的首首部，并为为其配置指指向父节点点的指针，，然后转第第2)步。。开始把S放入OPEN表OPEN表为空表？是失败否把第一个节点（n）从OPEN移至CLOSED表是否有任何后继节点为目标节点是成功否扩展n,把n的后继节点放入OPEN表的前头，提供返回节点n的指针s为目标节点？否是深度优先搜索例子2：对图1所示示的重排九九宫问题进进行深度优优先搜索，，可得到图图3所示的的搜索树这这只是搜索索树的一部部分，尚未未到达目标标节点，仍仍需继续往往下搜索。。?在深度优先先搜索中，，搜索一旦旦进入某个个分支，就就将沿着该该分支一直直向下搜索索。如果目目标节点恰恰好在此分分支上，则则可较快地地得到解。。但是，如果目标节点点不在此分支支上，而该分分支又是一个个无穷分支，，则就不能得得到解。所以深度优先先搜索是不完完备的，即使使问题有解，，它也不一定定能求得解。。显然，用深度优先求求得的解，也也不一定是路路径最短的解解。深度优先法适适合于搜索树树的深度较小小的问题4.2.3.3生成测试法生成测试法算算法是：1、生成一个可可能状态节点点。2、测试该状态态是否为目标标状态。3、若是目标状状态则结束。。否则回到第第1步其中：生成可可能的状态，，可以是有规规律的，也可可以是无规律的4.2.3.3生成测试法（1）如果搜索过过程中，总是利用刚生生成出的状态态来生成新状状态，这种生成测测试法就是深度优先搜索法。（2）如果搜索过过程中，总是利用旧状状态生成所有有可能出新状状态，而且状态节节点以从旧到到新的顺序逐逐个生成的原原则。这种生生成测试法就就是广度优先搜索法。（3）如果搜索过过程中，有时利用旧状状态生成新状状态，有时利利用新状态生生成新状态，，这就是无规律的生成测试法法。4.2.3.4爬山法(生成成测试法的变变种)爬山算法：(测试函数)1.开始状态态作为一个可可能状态。2.从一个可可能状态，应应用规则生成所有新的的可能状态集集。3.对该状态态集中每一状状态，进行如如下操作：⑴对该状态态测试，检查查是否为目标标，是则停止止。⑵计算该状状态的好坏，，或者比较各各状态的好坏坏。4.取状态集集中最好状态态，作为下一一个可能状态态。5.循环到第第2步。在爬山法中可可能出现以下下几种情况：：⑴局部极大大点：它比周围邻居状态都好，但但不是目标。。图4.9局部部极大点示意意图在爬山法中可可能出现以下下几种情况：：⑵平顶：它它与全部邻居状态都有同一个值，构成成一个平平面。图4.10平平顶示意图图在爬山法中可可能出现以下下几种情况：：⑶山脊：它它与线状邻居状态有相同值值，比其它邻邻居状态要好好。图4.11山山脊示意图4.2.3.4爬山法为了解决以上上问题，需要要采用如下策策略：（1）退回到某一更早状态结点，沿沿着另一方向（对该该结点就不一一定是当时最最好值的方向向）进行爬山山。（2）朝一个方向向前进一大步（按某方向深深度优先搜索索多次），走走出平顶区，，按别方向进进行爬山。（3）同时朝两个或多个方方向前进，即按两两个或多个方方向爬山。4.2.3.5启发式搜索启发式搜索是是对每个在搜搜索过程中遇遇到的新状态，用一个估计函数（启发式函数数）并计算其其值的大小，，确定下一步步将从哪一个个状态开始继继续前进。一般以估计值小者为为较优的状态，以此此实行最优搜搜索。估计函数值的的大小与从初始状态到达达目标状态的路径有关。。4.2.3.5启发式搜索具体需要考虑虑以下问题：（1）下一步步选择哪个状状态结点？（2）是部分分展开几个状状态结点还是是全部展开所所有可能产生生的状态结点点？（3）使用哪哪个规则（或或算子）来展展开新状态结结点？（4）怎样决决定舍弃还是是保留新生成成的状态结点点？（5）如何定定义启发式函函数（估计值值函数）？（6）如何决决定搜索方向向？（7）怎样决决定停止或继继续搜索？一般启发式函函数法用如下下公式表示：：f（x）=g（x）+h（x）f（x）表示由开始状状态到目标状状态的总耗费费g（x）表示开始状态态到当前状态态的耗费。h（x）表示当前状态态到目标状态态的耗费。4.2.3.5启发式式搜索启发式函数分分析：1.当h（x）=0，即f（x）=g（x）取f（x）为最小，即即取g（x）为最小。这这要求在已扩展的结点中取最最佳路径。g（x）能保证找到到最好解。但对搜索速速度没有太多多的帮助。2.当g（x）=0，即f（x）=h（x）h（x）是从当前状状态到目标状状态的耗费。。取它最小，，将会加快搜索速度，但但它并不保证得到最优优解。4.2.3.5启发式式搜索g（x）选取的几种种特例：⑴g（x）为搜索树的的深度，h（x）=0，则启发式方方法为广度优优先搜索法。。⑵g（x）为搜搜索树树的深深度的的负数数，h（x）=0，则启启发式式方法法为深深度优优先搜搜索法法。因因为深深度愈愈深，，负数数愈大大，搜搜索法法总向向深度度发展展。(3)g（x）为初初始状状态到到该结结点的的代价价,则则启发发式方方法为为代价价优选选搜索索法。。f(x)一般表表示估估计值值，愈愈接近近精确确值，，启发发式效效果愈愈好。。如果果是精精确值值,就就不是是启发发式函函数。。启启发式式搜索索图-4启启发发式搜搜索28316475283147651382476528314765231847652831476583214765283714652318476523184765832147651382476512384765813264758132476512378465832147658132476581324765123847651382476512384765*81372465*4455453542305455453204h（x）可可以定义为为节点点x中数数码位位置与目标标节点点相比不不同的的个数4.3专专家系系统与与智能能决策策支持持系统统专专家系系统原原理产产生式式规则则专家家系统统专专家系系统与与DSS的的集成成建建模专专家系系统智智能决决策支支持系系统4.3.1专家家系统统原理理1.专专家家系统统概念念1）专专家系系统定定义专家系系统是是具有有大量专专门知知识，并能能运用用这些些知识识解决决特定定领域域中实实际问问题的的计算算机专家系统是利用大量的专家知识，运用知识推理的方法来解决各特定领域中的实际问题。计算机专家系统这样的软件能够达到人类专家解决问题的水平。4.3.1专家家系统统原理理2）专家系系统的的特点点专家系系统需需要大大量的的知识识，这这些知知识是是属于于规律性性知识识，它可可以用用来解解决千千变万万化的的实际际问题题。4.3.1专家家系统统原理理例如：：求解微微积分分问题题，是利利用30～～40条微微分、、积分分公式式来求求解千千变万万化的的微分分、积积分问问题，，得出出各自自的结结果。。其中微微积分分公式式就是是规律律性知知识，，求解解微积积分问问题就就是对对某函函数反反复利利用微微积分分公式式进行行推导导，最最后得得出该该问题题的结结果。。这个推推理过过程是是一个个不固固定形形式的的推理理，即即前后后用哪哪个公公式，，调用用多少少次这这些公公式都都随问问题变变化而而变化化。1）专专家家系统统对比比数据据库检检索数据库库中存存放的的记录录可以以看成成是事实性性知识识。如果果把检检索数数据库库记录录看成成是推推理的的话，，它也也是一一种知知识推推理。。它与与专家家系统统的不不同在在于：：（A））知识识只含含事实实性知知识，，不包包含规规律性性知识识。（B））推理理是对对已有有记录录的检检索，，记录录不存存在，，则检检索不不到。。不能能适应应变化化的事事实，，推理理不出出新事事实。。4.3.1专家家系统统原理理4.3.1专家家系统统原理理2）专专家系系统对对比数数值计计算数值计计算是是用算算法解解决实实际问问题，，对不不同的的数据据可以以算出出不同同的结结果。。如果把把数据据看成成是知知识，，算法法看成成推理理的话话，它它也是是一种种知识识推理理。它它与专专家系系统的的不同同在于于：（A））算法法（推推理过过程））是固固定形形式的的。算算法一一经确确定，，推理理过程程就固固定了了。而而专家家系统统的推推理是是不固固定形形式的的，随随着问问题不不同，，推理理过程程也不不一样样。（B））数值值计算算只能能处理理数值值，不不能处处理符符号。。知识处处理的的特点点从上面面分析析可见见，数数值计计算、、数据据处理理是知知识处处理的的特定定情况况，知知识处处理则则是它它们的的发展展!（A）知知识包包括事事实和和规则则（状状态转转变过过程））。（B））适合合于符符号处处理（（如微微积分分求解解）。。（C））推理理过程程是不不固定定形式式的（（推导导过程程中每每次选选用的的规则则知识识是变变化的的）。。（D））能得得出未知的事实实（如如推导导出新新的微微分公公式））。2.专专家系系统结结构专家系系统的的核心心是知知识库库和推推理机机。专家系统可可以概括为为：专家系统＝＝知识库+推理机4.3.1专家系统统原理知识获取人机接口知识库推理机专家用户咨询建建议专家系统核核心专家系统结结构3.产生式式规则知识识的推理机机产生式规则则的推理机机＝搜索+匹配（假假言推理））在推理过程程中，是一边搜索一一边匹配。匹配需要要找事实,这个事实实一是来自自于规则库库中别的规规则，一是是来自向用用户提问。。在匹配时会会出现成功功或不成功功，对于不不成功的将将引起搜索索中的回溯溯和由一个个分枝向另另一个分枝枝的转移，，可见在搜搜索过程中中包含了回回溯。4.3.1专家系系统原理4.3.1专家系系统原理4.产生生式规则推推理的解释释推理中的搜搜索和匹配配过程，如如果进行跟踪和显示就形成了向向用户说明明的解释机机制。好的解释机机制不显示那些对于失败路径的跟踪。4.3.2产生式式规则专家家系统产产生式规则则推推理树(知知识树)逆逆向推理过过程事事实数据和和解释机制制4.3.2产生式式规则专家家系统产生式规则则的优点产生式规则则知识表示示形式容易易被人理解解它是基于演演绎推理的的,保证了了推理结果果的正确性性大量产生式式规则所连连成的推理理树(知识识树),可可以是多棵棵树.树的宽度——反映问题题的范围树的深度——反映问题题的难度产产生式规则则ES产生式规则则知识一般般表示为:ifAthenB，或：如果A成立则B成立，或：A→B产产生式规则则产生式规则则知识表示示允许有如如下的特点点：⒈相同的的条件可以以得出不同同的结论。。如：A─→→BA─→C⒉相同的的结论可以以有不同的的条件来得得到。如A─→→GB─→G⒊条件之之间可以是是“与”（（AND））连接和““或”（OR）连接接如A∧B─→GA∨B→G（相当于于A→G，，B→G））⒋一条规规则中的结结论，可以以是另一条条规则中的的条件。如F∧B→Ｚ，C∧ＤＤ→F其中F在前前一条规则则中是条件件，在后一一条规则中中是结论。。产产生式规则则ES由于以上特特点，规则则知识集能能做到：能描述和解解决各种不同的灵活的实实际问题。。（由前三三点特点形形成）能把规则知知识集中的的所有规则则连成一棵棵“与、或””推理树（知识树））。即这些些规则知识识集之间是是有关联的的（由后二二个特点形形成）。4.3.2.2推理理树（知识识树）规则库中的的各条规则则之间一般般来说都是是有联系的某条规则中中的前提是另外一条条规则中的的结论。按逆向推理思想把知识识库所含的的总目标（它是某些些规则的结结论）作为为根结点，，按规则的的前提和结结论展开成成一棵树的的形式。这这棵树一般般称为推理理树或知识识树，它把把知识库中中的所有规规则都连结结起来由于连结时时有“与””关系和““或”关系系，从而构构成了“与或”推推理树。XFGLMEC4.3.2.2推理理树（知识识树）（注：两斜斜线中间的的弧线表示“与”关系，无无弧线表示示“或”关关系）规则知识库库的逆向推推理树例：若有知知识库为：：A∨（B∧∧C）→G（I∧J））∨K→AX∧F→JL→BM∨E→CW∧Z→MP∧Q→E画出“与或或”推理树树ABIJKWZPQ用规则的前前提和结论论形式画出出逆向推理理树形式为为：4.3.2.2推理理树（知识识树）前提I前提J前提L前提M前提E(结论)(结论)(结论)

前提A前提B前提C（结论)（结论）(结论)总目标G（结论)前提X前提F前提W前提Z前提P前提Q???

?????该“与或””推理树的的特点是：：⒈每条规规则对应的的节点分枝枝有与（AND）关关系，或（（OR）关关系⒉树的根结点是推理树的的总目标⒊相邻两两层之间是是一条或多条规则连接⒋每个结结点可以是是单值，也也可以是多多值。若结结点是多值值时，各值值对应的规规则将不同同。⒌所有的的叶结点，，都安排向向用户提问问，或者把把它的值直直接放在事实数据库库中。4.3.2.2推理理树（知识识树）逆逆向推理过过程⒈推理树的深深度优先搜搜索N17982GABCJIKLME45YXFZPQ1011123YWYYYN6逆向推理过过程在推理理树中的反反映为推理理树的深度度优先搜索索过程。逆逆向推理过过程在计算机中中实现时，，并不把规规则连成推推理树，而而是利用规规则栈来完完成。当调调用此规则则时，把它它压入栈内内（相当于于对树的搜搜索），当当此规则的的结论已求求出（yes或no）时，需需要将此规规则退栈（（相当于对对树的回溯溯）。利用规则栈的的压入和退出出的过程，相相当于完成了了推理树的深深度优先搜索索和回溯过程程。4.3.2.3逆向推推理过程⒉结点的否定每个结点有两两种可能，即即YES和NO。叶结点为NO是由用户回答答形成的。中间结点为NO是由叶结点为为NO，回溯时引起起该结点为NO。若当该结点还还有其它“或或条件”分枝枝时，不能立立即确定该结结点为NO，必须再搜索索另一分枝，，当另一分枝枝回溯为YES时，该结点仍仍为YES。中间结点只有有所有“或””分枝的回溯溯值均为NO时，才能最后后确定该中间间结点为NO。4.3.2.4事实数数据库和解释释机制1.事实数数据库(动态态数据库)事实Y,N值规则号可信度A11N0(提问)0A12Y00.9

A1Y40.8事实栏放入命命题规则号：事实实取Y或N的的理由可信度：事实实的可信度2.解释机机制解释机制是专专家系统中重重要内容。它它把推理过程程显示给用户户，让用户知知道目标是如如何推导出来来的。消除用用户对目标结结论的疑虑。。两种实现方法法一种是推理过过程的全部解解释；一种是推理过过程中正确路路径的解释。。4.3.2.4事实数数据库和解释释机制专专家系统与与决策支持系系统集成IDSS充分分发挥了专家家系统以知识推理形式解决定性分析问题的特特点.发挥了决策支支持系统以模型计算为核心的解决决定量分析问题的特特点.充分做到定性分析和定量分析的有机结合.数据库DBDSS控制系统模型库MB问题综合与交互系统动态DB推理机和解释器知识库KB集成系统DSSES图4.16智智能决策支持持系统集成结结构图综合系统DSS和ES的总体结合合。由集成系统把把DSS和ES有机结合合起来2.KB和和MB的结合合。模型库中的数数学模型和数数据处理模型型作为知识的的一种形式，，即过程性知识，加入到知识识推理过程中中去。3.DB和和动态DB的的结合。DSS中的DB可以看成成是相对静态态的数据库，，它为ES中中的动态数据据库提供初始始数据，ES推理结束后后，动态DB中的结果再再送回到DSS中的DB中去。DSS与ES集成形式一一：DSS和和ES并重的的IDSS结结构集成系统DSSES专专家系统与与决策支持系系统集成集成特点1.具有综合合系统，具有有调用和集成成DSS和ES的能力。。2.扩充DSS的问题与与人机交互系系统功能，增增加对ES的的调用组合能能力DSS与ES的关系：DSS中DB与ES中的的动态DB进进行数据交换换解决问题的特特点体现定性分析析和定量分析析并重解决问问题的特点。。DSS控制系统MBDBESDSS与ES集成形式二二：DSS为主体的IDSS结构构专专家系统与与决策支持系系统集成集成特点集成系统和DSS控制系系统合为一体体DSS与ES的关系：ES被被DSS控控制系系统调调用解决问问题的的特点点体现以以定量量分析析为主主，结结果定定性分分析解解决问问题的的特点点。推理机（广义）

DSS动态DBKB推理机MB动态DBKB图4.19DSS作为为推理理形式式的IDSS图4.20模型作作为知知识的的IDSSDSS与ES集集成形形式三三：ES为主体体的IDSS结构专专家系系统与与决策策支持持系统统集成成集成特特点人机交交互系系统和和ES合为为一体体DSS与ES的的关系系：图4.19DSS作为为推理理机，，受ES的的推理理机控控制；；图4.20数据据模型型作为为知识识出现现解决问问题的的特点点体现以以定量量分析析为主主，结结果定定性分分析解解决问问题的的特点点。建建模专专家系系统专家系系统实实现模型选选择的实例例进行行说明明。例如，，弹簧簧振动动建模模专家家系统统。该专家家系统统是解解决弹弹簧在在不同同受力力情况况下（（包括括冲力力、摩摩擦力力等））应该该满足足那种种类型型的微微分方方程模模型。。弹簧振振动建建模专专家系系统进进行简简化说说明如如下：：1、规规则20条条：R1：A∧∧B∧∧C∧∧Ｄ→→M1R2：A1→AR3：A11→→A1R4：A12→→A1R5：A∧∧B∧∧E∧∧F∧∧Ｄ→→M2R6：C1→CR7：E1→ER8：A∧∧B∧∧E∧∧F∧∧G→→M3R9：A∧∧B∧∧C∧∧G→→M4R10：B1→BR11：H1→HR12：A2→AR13：H∧∧B∧∧C∧∧Ｄ→→M5R14：H∧∧B∧∧C∧∧G→→M6R15：H∧∧B∧∧E∧∧F∧∧Ｄ→→M7R16：H∧∧B∧∧E∧∧F∧∧G→→M8R17：A∧∧B∧∧E∧∧I∧∧Ｄ→→M9R18：A∧∧B∧∧I∧∧G→→M10R19：H∧∧B∧∧E∧∧I∧∧Ｄ→→M11R20：H∧∧B∧∧E∧∧I∧∧G→→M12建建模专专家系系统A：弹簧满足足胡克定律律B：弹簧质量量可以忽略略C：可以忽略略摩擦力D：没有冲力力A1：弹簧有线线性恢复力力A11：弹力与位位移成正比比A12：位移量很很小E：要考虑摩摩擦力F：摩擦力与与速度之间间为线性关关系C1：若振动为为自发时振振幅为常数数E1：若振动为为自发时振振幅是递减减的G：有冲力F（T）B1：弹簧具有有质量N并并且N/M远远小于于1H1：弹簧势能能不是关于于平衡位置置对称H：弹簧不潢潢足胡克定定律A2：弹簧势能能与函数X（T）成成正比I：摩擦力与与速度之间间为非线性性关系各项英文字字母含义为为：M1： X″+（C2/M）X＝＝0M2： X″+（C1/M）X′′+（C2/M）X＝0M3： X″+（C1/M）X′′+（C2/M）X＝F（T）/MM4： X″+（C2/M）X＝＝F（T））/MM5： X″+F（X）/M＝＝0M6： X″+F（X）/M＝＝F（T））/MM7： X″+（C1/M）X′′+F（（X）/M＝0M8： X″″+（C1/M）X′′+F（X））/M＝＝F（T）/MM9： X″″+（G/M））X′+（C2/M））X＝0M10： X″″+（G/M））X′+（C2/M））X＝F（T））/MM11： X″″+（G/M））X′+F（（X）/M＝0M12： X″″+（G/M））X′+F（（X）/M＝F（T））/M其中X″表示X对ｔ的二阶导导数，X′表示一阶阶导数。。各模型微微分方程程为：3.规规则库的的推理树树将20条条规则连连成的推推理树见见下图所所示。每个叶节节点提问问的回答答为：Y－yes，，N－no专家系统统将解释释为证实实某条规规则而安安排的提提问。用用户不明明白专家家系统为为什么要要提该问问题，可可以回答答Ｗ－why建建模专家家系统A2A1B1C1？E1？？B1？A11A12？？？？DEFGHIABC？？M（M1，M2，···，M12）图4.21弹簧振振动推理理树的标标准形式式专家系统统应用现有一个个弹簧，，满足如如下特性性：H1（弹簧势势能不是是关于平平衡位置置对称））B1（弹簧具具有质量量N并且N/M远远小于于1）C1（若振动动为自发发时振幅幅为常数数）G（有冲力力F（T））通过专家家系统推推理将得得出：该弹簧满满足模型型6（M6）的微分分方程。。4.5遗遗传算算法的决决策支持持遗遗传算法法原理优优化模型型的遗传传算法求求解获获取知识识的遗传传算法遗遗传规划划建立模模型遗遗传算法法原理遗传算法法(GeneticAlgorithm，GA)是模拟生物进化化的自然选选择和遗遗传机制制的一种种寻优算法。适用于复杂的非非线性问题,主主要应用用在组合合优化和和机器学学习两个个方面。。应用领域域：图像识别别、图像像恢复、、自适应应控制、、优化调调度等领领域。遗传算法法的发展展过程大大体上可可分为以以下三个个阶段：：（1）70年代代的兴起起阶段。。1975年美国国Michigan大大学J.Holland首首次系统统地阐述述了遗传传算法的的基本理理论和方方法。在这一时时期的大大部分研研究都处处于理论论研究和和建立实实验模型型阶段（2）80年代代的发展展阶段。。1980年Smith教授将将遗传算算法应用用于机器器学习领领域，研研制出了了一个著著名的分分类器(Classifier)系系统。这期间许许多学者者对遗传传算法进进行了大大量的改改进和发发展，提提出了许许多成功功的遗传传算法模模型，使使遗传算算法应用用于更广广泛的领领域。（3）90年代代的高潮潮阶段。。进入90年代后后，遗传传算法作作为一种种实用、、高效的的优化技技术，得得到了极极为迅速速的发展展。遗遗传算法法原理遗遗传算法法原理4.5.1.1遗传传算法工工作过程程4.5.1.2遗传传算法的的理论基基础遗遗传算法法的基本本特征4.5.1.1遗传传算法的的工作过过程遗传算法法是一种种群体型型操作，，该操作作以群体体中的所所有个体体为对象象。个体就是是模拟生生物个体体而对问问题中的的对象（（一般就就是问题题的解））的一种种称呼，，一个个个体也就就是搜索索空间中中的一个个点。种群(population)就是是模拟生生物种群群而由若若干个体体组成的的群体,它一一般是整整个搜索索空间的的一个很很小的子子集。遗传算法法的三个个主要操操作算子子：选择（selecation）、、交叉（crossover）和变异（mutation）构成了遗传传操作（Geneticoperation），使遗传传算法具有有了其他传传统方法所所没有的特特性。产生新一代代群体编码和初始始群体形成成输出种群个体适应值值满意否？？遗遗传算法的的工作过程程首先将问题题的每个可可能的解按按某种形式式编码，编编码后的解解称作染色色体（个体体）。随机选取N个染色体构构成初始种群，再根根据预定的评价函数对每个染色色体计算适适应值，使使得性能较较好的染色色体具有较高的适应值。。选择适应值高的染色体进进行复制，，通过遗传传算子来产产生一群新新的更适应应环境的染染色体，形形成新的种种群。这样一代一一代不断繁繁殖，最后后收敛到一一个最适应应环境的个个体上，求求得问题的的最优解。。遗传算子选择交叉变异1.群体体中个体的的编码如何将问题题描述成位位串的形式式，即问题题编码。一一般将问题题的参数用用二进制位（基因）编编码构成子子串，再将将子串拼接起来构构成“染色体”位串。遗遗传算法的的工作过程程例如：个体染染色色体9----1001（2，5，，6）----0101011102.适应应值函数的的确定遗传算法的的执行过程程中，每一一代有许多多不同的染染色体（个个体）同时时存在，这这些染色体体中哪个保保留(生存存)、哪个个淘汰(死死亡)是根根据它们对对环境的适适应能力决决定的，适适应性强的的有更多的的机会保留留下来。适应性强弱弱是计算个体体适应值函函数f(x)的值来来判别的，，这个值称称为适应值值(fitness)。适应值函数数(即评价价函数)是是根据目标函数确定的。适适应值总是是非负的，任何何情况下总总是希望越越大越好。。如果目标标函数不是是取最大值值时，需要要将它映射射成适应值值函数。适适应值函数数f(x)的构成与与目标函数数有密切关关系，往往往是目标函函数的变种种。一般是一个个实值函数数。该函数数就是遗传传算法中指指导搜索的的评价函数数。遗遗传算法的的工作过程程3.遗传算算法的三个个算子（一）选择择(Selection)算算子（二）交叉叉(Crossover)算算子（三）变异异(Mutation)算子子遗遗传算法的的工作过程程它又称复制(reproduction)、、繁殖算算子。选择是从种种群中选择择生命力强强的染色体体产生新种群的过过程。依据每个个染色体的的适应值大大小，适应应值越大，，被选中的的概率就越越大，其子子孙在下一一代产生的的个数就越越多。选择操作是是建立在群群体中个体体的适应值估评评基础上的。遗遗传算法的的工作过程程（一）选择择(Selection)算算子通常做法是是：对于一一个规模为为N的种群S,按每个染染色体xi∈S的选择概率率P(xi)所决定的的选中机会会,分N次从S中随机选定定N个染色体,并进行行复制。遗遗传算法的的工作过程程

这里的选择概率P(xi)的计算公式为（一）选择择(Selection)算算子（二）交叉叉(crossover)算算子它又称重组(recombination)、配对对(breeding)算子子，在遗传算法法中起着核核心作用。。染色体重组组是分两步步骤进行的的:首先在新复复制的群体体中随机选选取两个个体然后，沿着着这两个个个体(字符符串)随机机地取一个个位置，二二者互换从从该位置起起的末尾部部分。交叉率(crossoverrate)就是参加交叉运算的的染色体个个数占全体染色体体总数数的比比例，，记为为Pc,取取值范范围一一般为为0.4～～0.99。遗遗传算算法的的工作作过程程遗遗传算算法的的工作作过程程例1:有两两个用用二进进制编编码的的个体体A和和B。。长度度L=5，，A=a1a2a3a4a5，B=b1b2b3b4b5随机选选择一一整数数k∈∈[1，L-1]，，设设k=4，，经交交叉后后变为为：A=a1a2a3|a4a5B=b1b2b3|b4b5A’=a1a2a3b4b5B’=b1b2b3a4a5s1′=01000101,s2′=10011011可以看看做是是原染染色体体s1和s2的子代代染色色体。。例2,设设染染色体体s1=01001011,s2=10010101,交换其其后4位基基因,即即（二））交叉叉(crossover)算算子变异就就是以以很小的的概率率，随机机地改改变字字符串串某个位位置上的值值。变变异操操作是是按位位（bit）进进行的的，即即把某某一位位的内内容进进行变变异。。在二二进制制编码码中，，就是是将某某位0变成成1，，1变变成0。选择和和交叉叉算子子基本本上完完成了了遗传传算法法的大大部分分搜索索功能能，而而变异异则增增加了了遗传传算法法找到到接近最最优解解的能力力。变异率率(mutationrate)是是指发发生变异的基因因位数数所占占全体染色体体的基基因总总位数数的比比例，，记为为Pm，取值值范围围一般般为0.0001～～0.02。它保证证了遗遗传算算法的的有效效性。。遗遗传算算法的的工作作过程程（三））变异异(Mutation)算子子遗遗传算算法的的工作作过程程例如:设设染色色体s=11001101将其其第三三位上上的0变为为1,即即s=11001101→11101101=s′。s′也可可以看看做是是原染染色体体s的子代代染色色体。。（三））变异异(Mutation)算子子4.控控制参参数设设定遗传算算法中中的参参数包括群群体中中个体体的数数目、、交叉叉概率率、变变异概概率等等这些参参数的的设定定随具具体问问题的的不同同将有有所差差别，，带有有经验验性，，它会会影响响遗传传算法法的迭迭代收收敛过过程。。遗遗传算算法的的工作作过程程1.模模式定定理遗传算法的理理论基础是Holland提出的模模式定理。一个模式(Schema)就是一个个描述种群中中在位串的某某些确定位置置上具有相似性的位串子集的的相似性模板(SimilarityTemplate)。二进制串中的的模式是如下下的形式：（（a1，a2，…，ai，…，an），ai∈∈{0，1，，*}，其中中“*”是任任意符，或0，或1，模模式是串的集集合.模式H中确定定位的个数,称为H的阶阶,记为O(H)。模式H中第一一个确定位与与最后一个确确定位之间的的距离称为的的定义距,记记为δ(H)。4.5.1.2遗传算算法的理论基基础例:以长度L=5的串串为例,模式式*101*描述了在位位置2、3、、4具有形式式“010””的所有字符符串,：*101*={(11010)，(01010)，(01011)，(11011)}。其阶阶为3,定义义距为2。1.模式定理理模式定理是遗遗传算法的理理论基础它说明高适应值、长长度短、阶数数低的模式在后代代中至少以指指数增长包含含该模式H的的位串的数目目。遗传使高适应应值的模式复复制更多的后后代！4.5.1.2遗传算算法的理论基基础2．基因块假假设高适应值、长长度短、低阶阶的模式叫基基因块。基因块假说基因块通过遗遗传操作繁殖殖、交换、变变异，再繁殖殖、再交换、、再变异的逐逐渐进化，形形成潜在的适适应性较高的的位串。该假设指出，，通过遗传算算法能寻找到到接近全局最优优解的能力。4.5.1.2遗传算算法的理论基基础1.遗传算算法的处理对对象是问题参参数的编码个个体（位串））遗传算法要求求将问题的参参数编码成长度有限的位位串。遗传算法是在在求解问题的编编码串上进行操作，，从中找出高高适应值的位位串，而不是是对问题目标标函数和它们们的参数直接接操作。遗传算法不受函数限制条件件(如导数存存在、连续性性、单极值等等)的约束。。4.5.1.3遗传算算法的基本特特征2.遗遗传算法法的搜索索是从问问题解位串集开始搜索索，而不不是从单单个解开开始在最优化化问题中中，传统统的方法法是从一个点开始搜索索，如爬爬山法。。一般复复杂问题题会在““地形””中出现现若干““山峰””，传统统的方法法很容易易走入假假“山峰峰”。遗传算法法同时从种群的的每个个个体开始始搜索，，象一张张网罩在在“地形形”上，，数量极极大的个个体同时时在很多多区域中中进行搜搜索，这这样就减少了陷陷入局部部解的可能性性。4.5.1.3遗传传算法的的基本特特征3.遗遗传算法法只使用用目标函函数(即即适应值值)来搜搜索，而而不需要要导数等等其他辅辅助信息息传统搜索索算法需需要一些些辅助信息息，如梯度度算法需需要导数数，当这这些信息息不存在在时，这这些算法法就失效效了。而而遗传算算法只需目标函函数和编编码串，，因此，，遗传算算法几乎乎可以处处理任何何问题。。4.遗遗传算法法使用的的三种遗遗传算子子是一种种随机操操作，而而不是确确定性规规则遗传算法法使用随随机操作作，但并并不意味味着遗传传算法是是简单的的随机搜搜索。遗遗传算法法是使用用随机工工具来指指导搜索索向着一一个最优优解前进进。5.隐含含的并行行性6.易介介入到已已有的模模型中，，并具有有扩展性性；易于于同别的的技术结结合使用用4.5.1.3遗传传算法的的基本特特征优优化模型型的遗传传算法求求解优化模型型的计算算是遗传传算法最最基本的的也是最最重要的的研究和和应用领领域之一一。一般说来来，优化化计算问问题通常常带有大大量的局局部极值值点，往往往是不