决策支持系统发展综述
信息系统分析与决策(第一章：知识点1-16)
一、决策支持系统的定义
S.S.Mittra对DSS的定义：决策支持系统是从数据库 中找出必要的数据，并利用数学模型的功能，为用户 产生所需要的信息。 决策支持系统具有如下功能：
为了作出决策，用户可以试探几种“如果，将如何”(What If...)的方案。 DSS必须具备一个数据库管理系统，一组以优化和非优化模型为形 式的数学工具和一个能为用户开发DSS资源的联机交互系统。 结构是由控制模块将数据存取模块，数据变换模块(检索数据，产 生报表和图形)，模型建立模块(选择数学模型或采用模拟技术)三 个模块连接起来实现决策问题的回答。
以数据仓库为基础，结合联机分析处理和数据挖掘形成了基
于数据仓库的决策支持系统。
第一章决策支持系统综述 知识点8 决策问题的结构化分类
一、决策问题的结构化分类
决策问题按结构化程度分类，即对决策问题的内在规 律能否用明确的程序化语言（数学的、逻辑的、形式 的、定量的、推理的）给以清晰的说明或者描述。
一、决策支持系统的定义
P.G.W.Keen对DSS的定义：决策支持系统是“决策 ”(D)，“支持”(S)，“系统”(S)，三者汇集成的一 体。 即通过不断发展的计算机建立系统的技术(System)， 逐渐扩展支持能力(Support)，达到更好的辅助决策 (Decision)。 传统的支持能力是指提供的工具能适用当前的决策过 程，而理想的支持能力是主动的给出被选方案甚至于 决策被选方案。
二、几种常用智能技术（2）
机器学习是模拟人的学习方法，通过学习获取知识的 智能技术。
机器学习包括归纳学习、类比学习、解释学习等多种 类型。 机器学习和决策支持系统结合形成的智能决策支持系 统，主要是增加学习功能，获取辅助决策知识。
决策支持系统概述(PPT 44页)
账目审核的OPMS ▪ 日本7-11的销售支持系统
DSS的商业应用（国内）
▪ 华中科技大学冯珊等开发的用于我国人口和经济发展战 略规划及仿真的CDSS
▪ 中国人民大学开发的用于企业财务的DSS ▪ 西北工业大学王隆基等开发的用于企业产品生产计划的
▪ 按决策问题的重要性分
➢ 战略（规划）决策
有关全局或重大问题的决策，高层决策 如企业的长期发展规划、市场开拓
➢ 战役（管理）决策
为实现战略决策服务的决策，中层决策 如重大产品开发，企业内部人、财、物的组织
➢ 战术（业务）决策
企业生产、销售具体的事务性决策，基层决策 统计学、系统工程等方法寻找最优解
▪ 西门子公司花费780万美元设立供员工交流 的网站，帮助员工获得更多知识，使公司 销售额增加了1.22亿美元
▪ 使用基于互联网的知识管理后，世界银行 一天给巴基斯坦回复基础设施贷款
▪ Netscape公司知识共享策略失败
智能决策支持系统 Intelligent Decision
Support System
DSS的商业应用（国外）
▪ IBM公司开发了地理数据分析与显示系统GADS ；利用 GDSS进行决策分析
▪ Jan de Wit 公司开发了一个基于线性规划的DSS，在 2000年，LP使收益增加了26%，且边际贡献率增加了 32%
▪ 美国Simplan System 公司开发的辅助战略规划DSS， 即SIMPLAN
DSS发展
▪ 群决策支持系统(Group DSS) ▪ 分布式决策支持系统(Distributed DSS) ▪ 智能化DSS（Intelligent DSS） ▪ 决策支持中心(Decision Support Center) ▪ 战略决策支持系统(Strategic DSS) ▪ 经理信息系统（Executive Information System) ▪ 知识管理系统（Knowledge Management Systems） ▪ DW+OLAP+DM的新DSS ▪ 综合决策支持系统(Synthetic DSS) ▪ I3DSS（Intelligent Interactive & Integrated）
决策支持系统理论与方法研究综述_陈曦
第21卷第9期V ol.21N o.9 控 制 与 决 策Control and Decision 2006年9月Sep.2006 收稿日期:2005-01-24;修回日期:2006-01-05. 基金项目:国家十五国防预研基金项目(413040501);武器装备预研基金项目(51404010103BQ 02). 作者简介:陈曦(1977—),男,江苏南通人,博士生,从事网络技术、决策支持系统技术等研究;王执铨(1939—),男,武汉人,教授,博士生导师,从事大系统的理论与应用、优化控制等研究. 文章编号:1001-0920(2006)09-0961-08决策支持系统理论与方法研究综述陈 曦,王执铨(南京理工大学自动化学院,南京210094)摘 要:针对经典决策支持系统理论与实际决策问题之间存在鸿沟,难以对复杂环境和复杂问题进行有效的决策支持和求解的缺陷,指出当前实际决策支持理论和方法存在的一些问题和需要考虑的各种因素,列举了主要的决策支持系统的方法和典型应用,并指出各种方法的优缺点.在与综合集成型决策支持系统进行比较后,提出只有构建综合集成型决策支持系统才能有效地解决复杂问题的决策支持.最后,总结了决策支持系统今后的研究方向和工作建议.关键词:复杂问题;决策支持系统;综合集成型决策支持系统中图分类号:T P393;T P 391 文献标识码:AOverview of Theory and Methods of Decision Support SystemsCH EN X i ,W A N G Zhi -quan(Scho ol o f A uto mation ,N anjing U niver sity of Science and T echno log y ,N anjing 210094,China .Co rr espo ndent :CHEN Xi,E-mail:do ctor -chan@)Abstract :T o t he ex istence of the g ap betw een classical decisio n suppo rt system (D SS )and pr actical decisio n-making pr oblems ,especially for com plex decision -making pr oblems ,w hich ar e difficult to solve by using g ener al decision -making m et hods,so me exist ing pro blems and factor s t o be addr essed in handling pr actical decisio n-making pr oblem s are specified.V ar io us metho ds fo r so lv ing decision-making pro blems and some ty pical applicatio n of t hese met hods are list ed ,and their advantag es and disadv antages are also indicated .Based on the compar ison bet ween M eta -sy nthetic DSS (M SDSS )and curr ent DSS ,it pr oposed to esta blish M SDSS to r esolve the complex decisio n -making pr oblems.Fina lly,sev eral future r esea rch trends o f DSS ar e summar ized,and pr oposals fo r t he futur e resear ch wo rk ar e pr esented.Key words :Co mplex pr o blems ;Decision suppor t system ;M eta -sy nthetic decision suppor t system1 引 言 20世纪70年代以来,人们对决策支持系统(DSS )[1]进行了大量的研究,决策支持问题的研究已逐步受到管理科学、经济学、应用数学、工程技术、信息科学等领域的重视[2～5].学者们研究各种决策分析方法,通过多学科的交叉并结合新近发展的人工智能技术、网络技术、通信技术和信息处理技术,解决了一系列具有代表意义的决策支持问题[6～11].决策支持正朝着规范化、科学化的方向发展.决策支持是在管理科学和运筹学的基础上发展起来的,在于运用模型辅助决策[5],早期是单模型决策,随着时代的发展和需要解决问题的逐步复杂,决策所需建立的模型越来越多,同时也无法单纯地依靠人力来解决模型的联合与协调.计算机技术发展起来后,可以实现由计算机自动组织的多模型协调运行和对数据库、模型库进行高效管理,大大提高了辅助决策能力,同时促进了DSS 的形成和发展[12].但是,同样受到计算机技术发展的影响,目前在研究的各类DSS 大都与计算机技术紧密关联,对计算机依赖程度过高,从而产生了很多局限,且不能解决或有效提供对于复杂巨问题[5,13]的决策支持.本文对目前正在研究的各类DSS 进行了分析,DOI ：10.13195/j.cd.2006.09.3.chenx.001论述了各类DSS的优点和不足之处,指出只有建立综合集成型DSS才能有效地解决复杂系统的决策支持问题.2 DSS的起源和发展现状 20世纪70年代初,Scott首先提出DSS的概念,它不同于管理信息系统的数据处理,也不仅仅是模型的数值计算,它是两者的集成,既具备数据处理功能,又具备数值计算功能.Keen对DSS的定义为: DSS是“决策”、“支持”、“系统”三者汇集成一体,通过不断发展的计算机技术建立系统,来逐步扩展支持能力,达到更好的辅助决策.Spraque提出DSS除了对结构化决策提供支持外,同时应当对半结构和非结构决策提供支持,Spraque给出了DSS的一般结构,并指出DSS只能为决策者提供辅助决策的有用信息,但不能制定决策,决策是由人来制定的.早期的DSS受该论断的影响较大,同时由于计算机和相关信息技术的不成熟,在最终的决策支持上,人的影响占主要地位.传统DSS采用各种定量模型,在定量分析和处理中发挥了巨大作用,它也对半结构化和非结构化决策问题提供支持[2,6],但由于它通过模型来操纵数据,实际上支持的仅仅是决策过程中结构化和具有明确过程性的部分.随着决策环境日趋复杂,DSS 的局限性也日趋突出,具体表现在:系统在决策支持中的作用是被动的,不能根据决策环境的变化提供主动支持[14,15],对决策中普遍存在的非结构化问题无法提供支持,以定量数学模型为基础,对决策中常见的定性问题、模糊问题和不确定性问题缺乏相应的支持手段[16～19].在新兴的研究领域,如人工智能、各种分布式技术、数据仓库和数据挖掘、联机分析处理[20,21]等技术发展起来后,迅速与DSS相结合,形成了智能决策支持系统(IDSS),分布式决策支持系统(DDSS),基于数据仓库、联机分析处理与数据挖掘的决策支持系统,群/组织决策支持系统(GDSS/ODSS)和智能、交互式、集成化的决策支持系统(I3DSS)等.新技术的运用增强了DSS的效能,提高了决策支持的质量,极大丰富了DSS的信息存取和信息处理手段,同时也使DSS在军事、政府、工程规划、制造等领域受到越来越多的关注.与传统的DSS比较,现有的DSS除了在定量分析支持上有提升外,对于决策中的半结构化和非结构化的问题也提供一定的定性分析支持[22].但是在与信息处理技术和智能技术紧密融合的同时,经典DSS在发展过程中期望将更多的甚至全部的决策工作都由计算机来实现,试图利用DSS的智能和相关的信息技术来替代人的作用并实现最终的决策,但根据目前各种智能技术的发展状况来看,无法完成全部的定性分析支持,更无法处理复杂问题的决策支持[13].复杂问题是指问题所处的环境复杂,涉及范围广,内容多,难以用常规的系统工程方法来解决的问题,如政治系统中的国家安全战略、国家发展战略;经济系统中的宏观经济决策、可持续发展问题;军事领域的武器装备发展战略、作战指挥决策等[13,23].对复杂问题建立决策支持模型很困难,并且对任何复杂系统和复杂问题的分析都不能仅依赖决策系统取代决策者自动完成决策任务.对问题观察而导致的建模,都是对问题的一种近似描述,不具有普适性,同时对问题的观察而建立的模型,要满足可以在计算机上编码和计算的条件,编码的近似又导致对已获得模型的又一次近似,而且人类专家所具备的知识中,有很多只能意会不可言传的经验性知识根本不可能借助于形式化的表达来描述,纳入计算机中的知识只能限于形式上能够符号化的知识,形式化的过程又会使许多有效的信息被筛选掉.很多问题是系统无法自动求解的,尤其是复杂巨系统的问题,在这个方面人的作用是巨大的[24,25].下面综合论述目前具有代表性的几种DSS. 2.1 IDSSIDSS是DSS和人工智能相结合的产物,是DSS 研究的一个热点,初期综合了传统DSS的定量分析技术和专家系统的不确定推理的优势,较原来的DSS能够更加有效地处理半结构化与非结构化问题[26～29],通过专家系统的支持,能够解决决策支持中的部分定性分析问题[30],但是,到目前为止专家系统对定性知识处理能力依旧较弱,尚无法解决很多不确定性分析问题,并且专家系统实际运行时,存在很多不如人意的地方:如专家系统一般采用直接操纵界面,而随着任务复杂性的增加,用户的操纵过程将越来越繁琐,直接影响问题的求解;专家系统一般不是从传感器而是从用户那里获得信息,但是现实中用户常常与专家系统的构建假设不一致,使专家系统无法正确发挥其作用;专家系统解决问题时,为了保证求解问题的有效性,提供了以符号逻辑为基础的严密推理过程,但这些限制使得系统无法处理很多例外情况,降低了系统的适应性,使基于专家系统的智能决策系统适用范围狭窄[17,31～33].由于专家系统的缺点,在人工智能领域Ag ent 技术[34～36]出现并发展后,IDSS逐步与Agent技术结合[37,38].Agent技术在一定程度上确实可以避免专家系统的很多缺点,如Agent通过传感器获取信息,通过传感器和用户一起讨论问题,提供解答或求962 控 制 与 决 策第21卷解的启发性信息,用户可以通过自然Agent身份成为系统的一部分,参与实现系统的功能,Ag ent通过提供一些建议来帮助和补充人类问题求解过程,这些建议无需精确定义,只要用户能清晰提炼即可,再由用户将建议配入问题求解.一个好的建议往往比一个正确的解答更有效,因为前者包含了更多的协作和灵活的内容,Agent之间以协作的方式解决问题有利于系统对问题更加全面的了解.但Agent内部仍然采用专家系统的推理和学习机制来实现其智能性,所以对定性问题、非结构化问题和不确定性问题的支持力度依旧较弱,难以有效地实现复杂问题的决策支持.基于神经网络、遗传算法、自然语言处理等技术的IDSS[28,39～41]在目前发展阶段同样也无法实现复杂问题的有效决策支持.IDSS的研究重点放在模型的自动选择和自动生成以及模型库和知识库的结合运行上,忽视了群体专家的作用,难以有效建立复杂决策问题模型.当然IDSS的研究者也意识到了IDSS存在的缺点,目前的研究倾向于如何提高系统的柔性,从而提高系统的易修改性、适应性和问题求解的灵活性,在一定程度上可以增强系统处理复杂问题的能力.史忠植的课题组研制并完成的“智能决策系统开发平台IDSDP”在这方面作了很多努力. 2.2 DDSSDDSS是对传统集中式DSS的扩展,由多个物理上分离的信息处理节点构成了计算机网络,网络的每个节点至少含有一个DSS或具有若干决策支持功能.DDSS将传统集中式DSS发展为在网络环境下的分布或分布加上并行处理的方式[16,42],这样使DSS支持在网络环境中的决策处理,它以计算机网络通信技术为信息交互基础,通过网络连接的工作平台和分布式数据库、模型库提供的各种格式的数据、信息和工具,支持分布在各地的DSS彼此交互,从而使它们共同地为决策问题提供正确及时的决策支持.DDSS可进一步分为支持Internet和支持Intranet的两种类型,当然两种技术也可综合运用,以满足企业多方面的决策需求[12].已获得应用的系统有:InterAction,Tcbwo rks,BrainWeb等.DDSS的优势在于它通过成熟的网络技术支持庞大的信息库和数据库,较DSS更能处理复杂问题,支持分布的模型库共享,并且可以调用外部决策网所提供的服务.实际应用中,DDSS可划分为若干子系统,每个子系统针对一个专门的领域提供决策支持,这样可以提高系统整体的决策支持能力,同时系统的灵活性和可扩充性也较好.但是与集中式DSS一样,DDSS在系统的决策支持上较大地依赖于定量化的模型、方法等手段来辅助决策,无法有效地处理定性知识和提供对复杂问题的全面决策支持.2.3 基于数据仓库、联机分析处理与数据挖掘的DSS数据仓库、OLAP和数据挖掘等新技术为DSS 开辟了新途径[43～45].传统数据库技术一般以单一的数据库为中心,进行联机事务处理(OLTP)和决策分析,很难满足数据处理多样化的要求.DSS中经常会访问大量的历史数据,而且这种处理以分析为主,与OLTP有很不相同的性质,比如在性能方面OLT P要求每次操作的处理时间短,而在分析处理环境中,对每次分析数据的时间要求并不严格,事实上某个DSS应用可能需要连续运行几个小时,所以分析型处理及其数据必须与操作型处理及其数据相分离,这样就形成了数据仓库的概念,由Inmo n于1992年首次提出,用于解决DSS中对大量数据分析和访问需求.数据仓库将分布的和不同历史时期的数据集成到一起,这种集成可以方便用户对信息的访问,更可以使决策人员对一段时期内的数据进行分析和研究走势.在越来越多的关键数据被存入数据仓库后,需要有高效的数据分析工具来利用其中的数据[46,47]. OLAP是Codd于1993年提出的一种软件技术,帮助分析人员迅速、一致、交互地从各个方面观察信息,达到对数据的深入理解.OLAP以数据仓库为基础,通过OLAP的基本功能如切片、切块、钻取与旋转、模型计算等,实现对数据的多维分析和处理.数据挖掘是应用各种挖掘算法和知识从数据仓库和数据库中提取模式的过程.从数据仓库的角度,数据挖掘可以看作是OLAP的高级阶段,通过知识库和数据挖掘引擎的支持,数据挖掘比汇总型分析处理具有更强的功能.数据挖掘结合了人工智能技术和机器学习方法,利用信息论、统计分析和模糊论、粗集方法等对数据进行归类、预测、评价和决策[12].目前数据挖掘还扩展到各类信息存储上,如研究比较集中的Web数据挖掘等.Business Object (BO)推出的决策支持工具BO4.0是以OLAP技术为主体、集查询和报表为一体的DSS开发工具.该工具的一个重要特点是提出了“语义层”和“语义动态对象”的概念.语义层将数据库中的列按决策主题重组为面向用户的对象,对象可以是数据库中的表、列、连接和对多列进行运算的表达式.语义动态对象对已经定义的语义层对象进行任意组合后形成决策需要的新表,并将表中的数据以可视化的方式在屏幕上显示出来或以报表的形式打印出来.963第9期陈曦等:决策支持系统理论与方法研究综述 数据仓库解决了DSS中数据存储的问题, OLA P和数据挖掘对数据仓库中的数据进行有效的分析,从而为决策提供帮助.基于数据仓库、OLAP 和数据挖掘技术的DSS的应用提高了决策分析支持的能力,但它仍以计算机的模型处理为主,无法成为全面解决复杂决策问题的有效途径.2.4 GDSS/ODSS决策环境复杂度的增加使面向个体的DSS逐渐显示出其局限性,此时的决策一般不能由单一的决策者完成,需要多个决策者协作才能做出正确的决定.GDSS/ODSS即在此背景下出现,它是指多个决策者通过彼此间的通信和协作产生决策方案,并最终通过协调和评估形成决策.GDSS/ODSS的研究一般集中在如何实现对群体决策的支持上,包括对群体提供更好的信息共享、交流和通信渠道,研究群体间的协作机制、意见综合集成等.研究主要基于各种通信技术的发展,通过网络支持实现电子会议、电子投票、视频音频交流等.在群体意见处理和协作机制方面,典型的群技术包括名义群体法,步阶法,头脑风暴法,辨证询问法、社会评价分析法等,这些技术从不同角度改善群体决策水平,提高决策绩效,确保群体成员意见都能充分表述,同时集成各成员间的不同意见,在解决复杂决策问题时有一定的效果[5,48,49].目前波音、IBM等已将GDSS/ODSS投入到应用中,并取得了较好的成效.GDSS/ODSS与上述几种典型的DSS有较大的差别,它为群体决策人员提供工作环境,有组织地指导信息交流、讨论形式、决议内容等,从而提高群体决策的效能[5].该系统考虑到群体专家的智慧,提供了人发挥处理定性问题和非结构化问题能力的决策环境,但是在重视人的作用的同时,虽然考虑到提供结构化决策分析技术来改善群体决策过程、提高决策的效率和质量,但GDSS/ODSS的重心依然是对群体决策中信息交流的支持和对群体协作的支持.而且目前实际应用的GDSS/ODSS提供的定量分析决策工具较少甚至没有,部分GDSS/ODSS虽然利用了一定的智能技术,提供一定的推理和定量分析功能,但是很少联合利用其他的决策支持技术,如OLA P和数据挖掘技术等,所以GDSS/ODSS虽然在非结构化问题的支持上有较大的进步,但与其他DSS相比,提供的定量分析能力较弱,不能高效处理复杂决策问题.2.5 I3DSS[50～53]I3DSS的提出和实际应用考虑到单独运用某些DSS难以适应越来越复杂的决策环境,所以I3DSS 综合采用系统分析、运筹学方法、计算机技术、知识工程、专家系统等技术,并使之有机结合.I3DSS注意利用智能决策支持能力和提高系统的人机交互能力来面向规模较大的决策问题,充分发挥联合运用的优势——集成化来解决该类问题,可以说I3DSS 是DSS进入新的历史阶段的标志.I3DSS考虑到综合运用现有的决策支持技术,考虑的重点是人机交互的支持,对于群/组织决策支持考虑的人人交互支持,即如何充分发挥专家群体的智慧来解决复杂问题涉及得不够,但即使如此, I3DSS依然是DSS发展过程中一个重要的里程碑.通过以上分析,不难发现单独使用上述任何一个现有的决策支持环境都不能解决复杂决策问题,但若综合各种决策支持技术和成就,就有可能成为处理复杂决策问题的有效途径和技术路线.钱学森于90年代提出开放的复杂巨系统及方法论,即“定性定量综合集成法”,后又发展到“从定性到定量综合集成研讨厅”,其实质是将专家体系、数据、信息体系和计算机体系有机结合起来,构成一个高度智能化的人/机结合、人/网结合的体系,该体系能够将人的思维过程、思维成果、经验、知识与各种情报、资料和信息统统集成起来,充分利用人类在过程分析、逻辑推理和认知、学习以及知识创新方面的优势,使系统的辅助决策能力超越了推理和学习的阶段,可以对复杂结构的决策问题提供有效的支持.上文为了论述的清晰,将DSS作了分类,实际应用时上述各种DSS可以相互结合以提高系统的灵活性和决策支持力度,如IDSS可以同DDSS结合、同数据挖掘等数据处理技术结合来提高分析决策支持的适应性等,但是一般而言这种联合是局部的、临时的,与综合集成研讨环境有本质区别.3 综合集成型DSS 开放复杂巨系统具有以下特点:系统本身与周围环境有物质、能量和信息的交换,所以是开放的;系统包含的子系统成千上万甚至上亿万,所以是巨系统;子系统的种类繁多,有几十甚至几百种,所以是复杂的[13].钱学森提出的综合集成理论可以对复杂巨系统的复杂决策问题进行指导研究,构建综合集成型决策支持系统(M SDSS),已成为DSS发展的一个新方向.M SDSS支持专家之间的协同交互,提供人/人交互环境,非结构化的直觉思维问题最终必须依靠群体专家作决定,发挥和展示群体的科学理论、经验、智慧,从不同层次、不同方面和不同角度来研究复杂问题,提出经验性假设,形成定性判断. M SDSS同时提供完善的人/机交互支持,结构化的逻辑思维问题仍然必须依赖机器的推理和计算,以便快速产生定量分析的结果,提高解决复杂决策问964 控 制 与 决 策第21卷题的性能.从定性到定量、综合集成、研讨是MSDSS 的三个关键主题.从定性到定量是将专家的定性知识同模型的定量描述有机地结合起来,实现定性变量和定量变量之间的相互转化.对于复杂巨系统问题,需要对各种分析方法、工具、模型、信息、经验和知识进行综合集成,构造出适于问题的决策支持环境解决复杂问题.对于结构化很强的问题,主要用定量模型来分析;对于非结构化的问题,主要通过定性分析来解决;对于既有结构化特点、又有非结构化特点的问题,采取紧耦合式的定性定量相结合的方式.综合集成是指集成系统的各种资源,包括专家群体头脑中的知识、系统中的模型库、数据库和知识库.研讨是指分析问题人员的群体协同工作,充分利用定性定量模型和数据库等工具,实现人/机的有机结合.研讨过程既是分析人员的知识同计算机系统的数据、模型和知识的不断交互过程,也是研讨人员群体智慧的结合和综合[13,54].钱学森提出的综合集成理论是一种指导思想,并没有规定M SDSS 的具体实现方式,所以实际应用中可根据具体情况来构建综合集成研讨环境,许多学者在这方面作了研究和实际应用.陈文伟[5]提出了一种综合DSS 的结构,联合了数据仓库、联机分析处理、数据开采、模型库、数据库、专家系统技术,在处理复杂决策问题上有很大的帮助.清华大学自动化系的研究人员把综合集成研讨厅体系框架应用于电力系统的调度,华中理工大学系统工程研究所把综合集成研讨厅体系框架用于三峡工程散装水泥/粉煤灰调运支持上,中科院自动化所、航天工业总公司710所、清华大学计算机系、中科院系统所把综合集成研讨厅体系框架用于支持宏观经济决策,建立一个多功能的支持宏观经济决策研讨的技术环境与工作空间,这些应用研究都取得了非常好的效果,实践证明,综合集成研讨的体系框架是处理复杂大系统的有效方法.4 MSDSS 应用实例 在理解开放的复杂巨系统理论的基础上,以定性定量综合集成法思想为指导,以系统工程理论和决策支持理论为基础,采用面向对象的设计思想,充分运用成熟的信息技术、人工智能技术、分布式交互技术、群DSS 技术、数据仓库、数据挖掘等各种决策支持新技术和成就,着重体现专家依据知识与经验的判断和计算机技术的结合,构建MSDSS,将定性定量相结合的综合集成方法初步应用到复杂产品虚拟样机仿真支撑平台[55]的决策支持中,构建了一个复杂产品虚拟样机综合集成型决策支持系统(VPM SDSS),为复杂产品虚拟样机设计问题提供一个人机紧密结合的综合集成研讨和决策支持环境[56].VPM SDSS 的体系结构如图1所示. 系统按照M SDSS 的要求提供了如下交互环境:1)人/人交互,定性分析功能支持.针对一般性的专家研讨,在计算机上实现了系统分析领域的一般分析方法,采用问卷生成器和调查分析表等实用图1 VPMSDSS 的体系结构965第9期陈曦等:决策支持系统理论与方法研究综述 。
决策理论研究综述
决策理论研究综述决策理论发展之综述内容摘要：伴随着社会的发展、各种理论的发展以及管理学自身的发展，决策作为一门科学而出现，成为了历史的必然。
经历了古典决策理论、行为决策理论，当代决策理论呈现了良好的发展势头。
虽然对于决策与管理的关系、决策与计划的关系一直争议颇多，但是作为诺贝尔经济学奖得主的美国著名管理学家赫伯特·A ·西蒙的“管理就是决策”之理论仍然影响了半个世纪。
可以说决策学是一门既古老又新兴的学科。
无论是政府机关的行政决策还是企业的经营管理决策，都无疑与经济学有着千丝万缕的联系。
决策左右着当代科技的进步和社会的发展，决策更直接影响着当今领导方式与管理方式的变革。
关键词：决策决策学古典决策理论行为决策理论当代决策理论行政决策理论西蒙的决策理论经济学主流决策学产生于本世纪二三十年代，兴起于50年代，此后在世界各国迅速发展。
在管理学中，“决策”一词首先在美国的管理文献中出现，被称为Decision-making,，它比其后出现的Policy-making 有更广泛的含义。
但是关于什么是决策的问题，众说纷纭，很不一致。
管理学教授里基·格里芬在《管理学》中对决策一语作了简单的描述：“决策是从两个以上的备选方案中选择一个的过程”。
①一个较具体的定义是：“所谓决策，是指组织或个人为了实现某种目标而对未来一定时期内有关活动的方向、内容及方式的选择或调整过程”。
还有人从决策的过程入手将决策定义为：“人们为了达到一定目标，在掌握充分的信息和对有关情况进行深刻分析的基础上，用科学的方法拟定并评估各种方案，从中选出合理方案的过程”。
②而路易斯、古德曼和范特则认为决策是“管理者识别并解决问题的过程，或者管理者利用机会的过程”。
③决策学是为决策提供理论基础的科学，主要研究决策的本质、基本原理和原则、决策程序和方法、决策的要素、决策体制和决策组织、决策者的素质能力等内容，它要借助于许多科学方法和工具来研究决策的整个系统。
决策支持系统文献综述
决策支持系统应用研究综述李某某ＸＸＸＸ大学经济管理学院武汉湖北430074摘要：本文从国内外应用现状、相关技术、热门领域等方面对决策支持系统展开论述，较为详尽的总结了决策支持系统的主要开发技术及其特点，对决策支持系统的两大热门领域：智能决策支持系统（IDSS）和综合集成系统进行了简要的概括，最后讨论了决策支持系统的未来发展趋势。
关键词：决策；决策支持系统；应用研究综述；1 引言决策支持系(DSS，Decision Supportsystem)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、人工智能技术和信息技术为手段，智能化地支持决策活动的计算机系统[1]。
它通过人机对话进行分析、比较和判断，识别问题，建立或修改模型，帮助决策者明确决策目标，为决策者提供各种方案并对其进行评价和优选，为正确决策提供有益帮助。
这一概念于20世纪70年代初，由美国Michael S．Scott Morton在《管理决策系统》[2]一文首次提出，20世纪80年代中期引入我国。
目前已经呈现出多元化的发展态势。
DSS系统模型是以数据仓库（DW）为基础，联机分析处理（OLAP）与数据挖掘（DM）为工具的智能系统[3]。
DW，DM，OLAP就是以DSS为驱动发展起来的信息处理技术，DW用于数据的存储和组织．0LAP集中于数据的分析，DM则致力于知识的发现，三者自然结台。
使分析结果更全面、有效和深刻。
自DSS开发以来，与它的理论研究相比，实际应用工作开展得更早，它广泛用于企业管理、系统开发、经济分析与规划、战略研究、资源管理、投资规划[4]等方面，支持各类决策问题的决策支持系统大量出现并已投入使用。
2 国内外应用现状目前，DSS己成为系统工程与计算机应用领域中的重要研究课题。
通过国内外相关专家、学者的不断探索和研究，DSS在国内外学术界的理论研究和国民经济的实际应用中得到了迅猛发展，在军事应用领域也有广阔的发展前景，世界各国都在竞相开发军事应用中的DSS[5]。
多人决策支持系统类型综述——DDSS
多人决策支持系统类型综述——DDSS【摘要】本文首先简述了传统的决策支持系统，总结了现有的多人决策支持系统的概念和类型。
在此基础上重点总结了分布式决策支持系统(DDSS)的国内外研究现状，提出了分布式决策支持系统的体系结构模型：通过将Mobile Agent技术引入，然后分别从系统模型、体系结构、系统组织等方面进行了深入的研究。
【关键词】多人决策支持系统DDSS Mobile Agent技术一、多人决策支持系统决策支持系统(Decision Supporting System,简称DSS)自二十世纪七十年代提出以来将管理信息系统和模型辅助决策结合起来，使得数值计算和数据处理融为一体，在企业发展、市场经营以及军事指挥等重大决策问题上发挥了显著作用[1]。
传统DSS辅助决策的对象为个体决策者，且模型库中的模型以数学模型为主，决策的结果表现为定量分析。
因此传统DSS所求解的决策问题通常比较简单、单一。
并且因为基于传统DBMS的DSS只能提供辅助决策过程中的数据级支持，而现实决策所需的数据却往往是分布、异构的。
因此，经过30多年的发展，决策支持系统已经从最初的支持个人决策扩展到群体和组织这类多人决策，并且出现了组织决策支持系统(ODSS)、群体决策支持系统(GDSS)、分布式决策支持系统(DDSS)和定性群决策支持系统(QGDSS)、智能群体决策支持系统(IGDSS)以及基于CBR与MAS的群体决策支持系统(MGDSS)等。
本文主要研究分布式决策支持系统(DDSS)的研究现状和发展前景。
二、DDSS国内外研究现状1、DDSS概念及其关键技术随着计算机技术、网络以及分布式数据库技术的发展，DSS技术出现了分布式决策支持系统，即DDSS。
DDSS是研究分布于多个物理位置上的决策体如何并发计算、协调一致地求解问题[2]。
这些分布在不同物理位置上的决策体构成计算机网络，网络的每个结点至少含有一个决策支持系统或有若干辅助决策的功能。
中医临床决策支持系统的发展综述
中医临床决策支持系统的发展综述
姜又琳;张红;刘堃靖;李享;刘海龙
【期刊名称】《中国数字医学》
【年(卷),期】2024(19)5
【摘要】从临床决策支持系统的概念出发,对中医临床决策支持系统的发展及其在中医药领域的应用和研究进展进行综述。
概述了中医临床决策支持系统内涵及其构建方法和研究应用,介绍了中医临床决策支持系统利用中医自然语言处理等人工智能技术对名老中医诊疗经验进行数据挖掘并建模后形成了中医疾病知识图谱,以及历年来中医临床决策支持系统的研究进展和应用,以期为同领域研究和应用提供新思路。
【总页数】7页(P1-7)
【作者】姜又琳;张红;刘堃靖;李享;刘海龙
【作者单位】中国中医科学院广安门医院信息管理中心
【正文语种】中文
【中图分类】R197.32;R319
【相关文献】
1.嵌入式临床智能决策支持系统设计与中医临床知识服务研究
2.罕见病辅助诊断临床决策支持系统综述
3.临床决策支持系统在高血压人群管理中应用的范围综述
4.临床辅助决策支持系统研究综述
5.中医临床决策支持系统技术发展论述
因版权原因，仅展示原文概要，查看原文内容请购买。
临床决策支持系统综述报告
临床决策支持系统综述报告引言:临床决策支持系统(clinical support decisionsvstens，CDSS)是指将临床数据做为输入信息，将推论结果作为输出，有助于临床医生决策并被用户认为具有一定“智能”的任何软件。
大量研究表明，CDSS的应用可以有效解决临床医生知识的局限性、减少人为疏忽(特别是药物定量方面)、相对降低医疗费用等，从而为医疗质量提供了保证。
尽管CDSS有很多优点，真正能为医生所接受并投入实际临床使用的为数不多，其主要原因是技术问题，如：不确定知识的表示与推理的困难、知识更新的困难、知识库的透明性问题以及与其它医学信息系统以及医生的工作模式相融合等问题。
历史发展：我将系统地回顾电子病历中临床决策支持方法。
根据Musen 和Shortliffe等，人临床决策支持系统可以按五个维度（Dimension）进行分类，另外，如果将不直接给出建议而只是给出相关信息的系统也划入临床决策支持系统，那么临床决策支持系统可以按以下六个维度进行分类（表一）：表一临床决策支持系统的分类维度内部决策机制的不同主要取决于临床决策支持系统的内部知识表示方式，针对不同的决策需求存在着不同的知识表示方式，从而形成了不同的决策机制。
例如，根据病人的症状体征等的辅助诊断系统常以概率来表达症状与疾病相关性，此类的决策方式主要有基于Bayesian theorem 的方法和Belief networks。
另外，近期的已经在国外的临床中具体应用的事件监视器(Event Monitor)也都是基于规则的决策支持系统。
这些系统通过事先定义好的规则来实时地监视病人的相关信息，一旦规则中的前提条件得到满足，相关规则将被触发，相应采取规则中规定的行动，或是对诊断或是对治疗提供决策支持。
2) 系统功能临床决策系统也可以按其设计的所能完成的系统功能来划分。
主要有两大类主要的功能：一是帮助决策什么是对的判断，例如临床诊断，早期的Leeds Abdominal Pain、DXplain和QMR等医学诊断系统即属此类。
基于知识发现的决策支持系统研究的现状与发展趋势探讨
基于知识发现的决策支持系统研究的现状与发展趋势探讨在当今信息化时代，决策支持系统（DSS）已成为企业、政府和个人进行决策的重要工具。
基于知识发现的决策支持系统，通过整合数据挖掘、机器学习、人工智能等技术，能够从大量数据中提取有价值的信息，为决策者提供更加精准的决策依据。
本文将探讨这一领域的研究现状与发展趋势。
首先，基于知识发现的决策支持系统的核心在于知识发现过程，即从数据中挖掘出模式、趋势和关联规则。
这一过程通常涉及数据预处理、特征选择、模型构建和知识解释等多个步骤。
随着大数据技术的发展，决策支持系统能够处理的数据量和类型日益增多，包括结构化数据、半结构化数据和非结构化数据。
其次，机器学习算法在基于知识发现的决策支持系统中扮演着重要角色。
从传统的决策树、支持向量机到深度学习中的神经网络，这些算法在不断优化中提高了系统的预测准确性和泛化能力。
特别是深度学习技术，通过模拟人脑的神经网络结构，能够自动提取特征并进行复杂的模式识别。
再者，随着人工智能技术的快速发展，自然语言处理（NLP）和计算机视觉等技术也被广泛应用于决策支持系统中。
通过NLP技术，系统能够理解和处理自然语言文本，从而分析社交媒体、新闻报道等非结构化数据。
计算机视觉技术则使得系统能够识别图像和视频中的信息，为决策提供更丰富的数据来源。
此外，决策支持系统的研究也关注于系统的可解释性和透明度。
随着算法的复杂性增加，如何让决策者理解模型的决策过程和结果变得尤为重要。
研究者们正在探索如何设计更加透明和可解释的模型，以便用户能够信任并接受系统的建议。
最后，未来的发展趋势将集中在以下几个方面：一是集成更多类型的数据源，实现跨领域的知识融合；二是提高系统的自适应性和灵活性，以应对不断变化的决策环境；三是加强人机交互设计，提升用户体验；四是强化系统的伦理和法律约束，确保决策的公正性和合理性。
综上所述，基于知识发现的决策支持系统正朝着更加智能化、个性化和人性化的方向发展，其在帮助人类做出更加科学和合理的决策方面具有巨大的潜力。
基于Agent的智能决策支持系统文献综述
班级：086092姓名：刘伦学号：20091003415专业：信息管理与信息系统基于Agent的智能决策支持系统文献综述（2008-2012）1 Agent 及多Agent 系统Agent 技术的诞生可以追溯到20世纪70年代，它的发展是分布式人工智能技术与计算机网络技术的必然结果。
Agent是可以代表一切具有智能（无论是自然智能还是人工智能）的实体（可以是物理实体也可以是业务逻辑的抽象表现形式）的一个抽象名词，它可以描述具体的人员、部门、设备，也可以描述相关的业务逻辑过程、算法模型执行流程、以及一个软件系统等。
系统环境中仅仅包含一个Agent 是毫无意义的，必须与多个Agent 在同一个环境中协同工作，而协同的手段就是相互进行通讯，而且每一个Agent 都可以主动、自主的工作。
目前有关Agent的研究包括：Agent 及多Agent理论、Agent体系结构、多Agent 系统即MAS等。
多Agent系统，主要表现在能进行问题的求解，能随环境的改变而不断修改、完善自身所具有的行为能力（即：一种自学习的表现），能通过网络与环境中其他Agent 进行通讯、交互、协作，进而相互协同完成任务的求解过程。
可以看出，多Agent 系统具有一定的模拟人类社会团体、组织机构等群体工作的特性，并运用它们自身特有的解决问题的方式、方法，解决共同关心的复杂问题。
多Agent系统研究的核心问题是在环境中多个Agent之间智能行为的协作与协调，其他方面的问题都与此相关或与此为基础。
在多Agent 系统中，各个Agent 协调他们的相关知识、目标、方法、规则，协作行动或进行问题求解。
国外目前在基于Agent 的决策支持系统的研究技术上已经比较成熟，开发出了一些系统并且投入到应用中，有些系统已经应用多年，在工业管理控制、多Agent仿真技术、电子商务Agent、信息检索和管理Agent、分布式感知Agent 等方面都有了比较成熟的系统研发出来。
决策系统的发展与前景
多源数据融合应用拓展
多模态数据融合
整合来自不同模态的数据，如文本、图像、音频和视频等，为决策 提供更全面的信息。
大数据技术应用
运用大数据技术，对海量数据进行实时分析和处理，发现数据间的 关联和趋势，为决策提供支持。
数据挖掘与知识发现
02 决策系统关键技术
数据采集与处理技术
01
02
03
数据采集
通过传感器、网络爬虫、 API接口等方式，从各种 数据源中收集数据。
数据清洗
对数据进行去重、去噪、 填充缺失值等处理，以保 证数据质量。
数据转换
将数据转换为适合后续分 析和挖掘的格式，如数据 归一化、离散化等。
数据分析与挖掘技术
描述性统计
不同参与方在决策过程中可能存在利益冲突，导致协同决策难以 实现。
信息不对称
各参与方掌握的信息可能不对称，影响协同决策的效果。
信任缺失
缺乏信任可能导致参与方不愿意共享信息和资源，从而阻碍协同 决策的进行。
新兴技术带来的机遇与挑战
01
人工智能技术
人工智能技术的发展为决策系统提供了更强大的数据处理和分析能力，
护提出了更高的要求。
05 决策系统未来展望
智能化水平提升
1 2
机器学习算法优化
通过改进现有算法和开发新算法，提高决策系统 的学习和推理能力，使其能够更准确地识别和解 决问题。
深度学习技术应用
利用深度学习技术，对大量数据进行高效处理和 分析，提取有用特征，为决策提供更准确的依据。
3
自然语言处理技术
遗传算法
模拟自然选择和遗传机制，寻找问题的最优 解。
决策支持系统的发展及其关键技术分析
力 、 力等均 有限 ， 来越 复 杂 的组 织活 动远 远 超 出 了 个 精 越
人独立完 成的 能力 。Ｇ Ｓ 将 通信 技 术 、 算 机技 术 和决 ＤＳ 计
策理 论结合 在 一起 ， 促进具 有 不同知识结 构 、 同经验 、 不 共
同责 任的群 体在 决 策会 议中对 半结 构 化 和非 结构 化 问题 求解 ， 大限 度地减 少 决策 过程 中的 不确 定 性 ， 高决 策 最 提 的质 量。许 多重 大 问题 都需要 群体 决策 ， 大至 人民代 表大 会 及其常务 委员 会 为重 大 国家事务 做 出决 策 ， 小至企 事业 单位 或 团 体 发 展 战 略 的 制 定 ， 无 一 例 外。 由此 足 见 都
１ Ｉ Ｓ的发 展综 述 ） Ｓ
Ｄ Ｓ 生 以来 ， Ｓ产 其发 展 已从最 初仅通 过交 互技术 辅 助 管理 者对 半结构 化 问题进行 管理 一直 到运 算学 、 策学 及 决 各种 Ａ 技 术渗 透到 其 中 的各种 实 用 Ｄ Ｓ 其应 用 涉 及 到 ｌ Ｓ． 多 个领域 ， 成为信 息 系统 领域 内的热 点之 一。但是 传统 并 Ｄ Ｓ 入应用 的成 功实 例并 不多 ， 因一 方面 是因为 基于 ｓ投 原
维普资讯
第 １ ６卷
第 １ 期 １
计 算 机 技 术 与 发 展
Ｃ ＯＭ Ｐ 厂 ＥＲ ｔｒ ＴＥＣＨＮＯＬＯＧＹ ＡＮ ＤＥ Ｄ ＶＥｌ ＯＰＭＥＮＴ
决策支持系统的基本概念
大数据处理技术
大数据处理技术是指处理大规模数据 集的技术，包括分布式计算、流处理、 批处理等技术。
VS
大数据处理技术在决策支持系统中能 够高效地处理大规模数据集，提供及 时、准确的决策支持，满足实时性要 求。
云计算技术
云计算技术是一种基于互联网的计算方式， 通过虚拟化资源、按需付费等方式提供服务 。
资源调度
合理调度军事资源，保障作战需求， 降低资源浪费。
03
02
战场指挥
实时获取战场信息，快速做出指挥 决策，提高作战效率。
风险评估
评估作战风险，制定风险应对策略， 降低作战风险。
04
科研决策
研究选题
基于文献综述和数据分析，确定具有研究价 值和可行性的科研课题。
数据采集与分析
合理设计实验方案，采集实验数据，进行数 据分析，为科研结论提供支持。
数据挖掘技术在决策支持系统中发挥 着重要作用，能够从海量数据中提取 出有价值的信息，帮助决策者更好地 理解和分析问题。
人工智能技术
人工智能技术包括机器学习、自然语言处理、专家系统等，能够模拟人类的智能行为，为决策提供智 能化支持。
人工智能技术在决策支持系统中能够自动化处理大量数据和信息，提供智能化的决策建议，提高决策 效率和准确性。
语言，更好地满足用户需求。
智能决策算法
03
开发和应用更先进的智能决策算法，以适应复杂多变的决策环
境。
大数据驱动的决策支持系统
数据采集与整合
利用大数据技术，实现多源数据的采集和整合，为决策提供更全 面的信息。
数据挖掘与分析
通过数据挖掘和分析工具，深入挖掘数据中的潜在价值，为决策 提供有力支持。
数据可视化
信息化时代的决策支持系统
信息化时代的决策支持系统随着信息化时代的到来，决策已经不再简单，政府、企业、个人需要更多的信息支持来做出正确的决策。
而决策支持系统就是在这个大背景下崛起的。
一、决策支持系统概述决策支持系统是一种集计算机技术、数学方法、管理科学、决策科学和信息技术于一体的综合性的信息系统，它为企业、政府、个人的决策提供支持和帮助。
决策支持系统的主要特点在于：一方面，它较全面地考虑了系统所处的复杂环境，可以预测和控制因环境变化而带来的影响；另一方面，它能够较好地集成各类数据信息，按照需求分析和决策要求进行快速处理和报告。
这也是为什么决策支持系统能够对决策的质量提高产生重要影响的原因。
二、决策支持系统的关键技术决策支持系统的技术包括了数据仓库、数据挖掘、人工智能等。
数据仓库是通过将来自不同数据系统的数据收集到一个统一的存储库来实现的。
数据挖掘则是通过使用计算机自动分析大量数据并识别出与模式关联的信息，从而提取有价值的知识。
人工智能则是通过模拟人类思维、学习和决策的过程来解决具体的问题。
三、决策支持系统的应用在政府领域，决策支持系统被广泛应用于政府决策、经济和社会领域的管理、决策咨询等方面。
例如，在医疗合理使用方面，通过收集各种疾病数据，在统计研究得出合理用药方案和降低用药成本。
同时在疾病检测领域, 加强疾病的预防,提供有效的医疗服务。
在企业中，决策支持系统也有着广泛的应用。
例如，在销售预测中，决策支持系统可以根据海量的历史销售数据和当前市场数据，在客户订单、促销活动、营销策略以及市场变化等各方面对实际销售情况进行精准预测。
另一方面，还可以针对企业内的资产、人力等资源进行优化配置和管理，提高员工绩效和企业的收益。
四、决策支持系统的优势和展望决策支持系统的出现，将会让决策更具科学性和操作性，有助于提高决策的准确性、时效性和预测性。
决策支持系统带来的巨大优势是，它为管理者提供了一个更狭义但更有价值的视角，利用高精度、低成本和高效率的技术，使管理者能够更好地理解企业的真实运行，保持能动性，提高创造性。
决策支持系统发展综述
精心整理决策支持系统发展综述空军工程大学导弹学院雷英杰计算机是当代发展最为迅速的科学技术之一，其应用几乎已深入到人类活动和生活的一切领域，大大提高了社会生产力，引起了经济结构、社会结构和生活方式的深刻变化和变革。
计算机科学技术具有极大的综合性质，与众多科学技术相交叉而支持智能（能向决策者提供更为有效的决策支持。
考虑到IDSS 是在传统DSS 基础上发展起来的，所以这里先介绍有关决策、决策科学和决策支持技术的基本概念。
一、DSS 的产生与发展1.1 DSS 的产生背景电子数据处理EDP （ElectronicDataProcessing ）：提高了工作效率，把人们从繁琐的事务处理中解脱出来。
缺点：仅局限于具体信息处理，不共享，不考虑整体或部门情况。
管理信息系统MIS（ManagementInformationSystems）：整体分析，系统设计，信息共享，部门协调。
缺点：难于适应多变的内、外部管理环境，对管理人员的决策帮助十分有限。
1.270DSS的1988至现在，DSS技术持续发展，目前已基本成熟。
新一代DSS研究仍然十分活跃。
1.3DSS的理论基础（1）信息论信息是现代科学技术中普遍使用的一个重要概念。
信息论是运用信息的观点，把系统看作是借助于信息的获取、传送、加工处理、输出而实现其有目的性行为的研究方法。
（2）计算机技术计算机软件技术、硬件技术、网络技术、图形处理技术、知识处理技术等。
（3）管理科学与运筹学管理科学MS（ManagementScience）：面向管理者，研究决策问题，如决策目标、（4（5（6DSS与AI运行，为用户提供智能的交互式接口。
人工智能技术作为计算机应用研究的前沿，近十年取得了惊人的进展，呈现了光明的前景。
专家系统、智能机器人和模式识别是人工智能中最活跃、最富有成果的三个研究领域。
其中专家系统ES（ExpertSystems）研究，取得了许多实用化的成果。
当今世界上已经有上千个专家系统，应用于医疗、诊断、探矿、军事、调度、质谱分析、计算机配置、辅助教育等各种领域，并已开始涉足财务分析、计划管理、工程评估、法律咨询等管理决策领域。
决策支持系统总结
决策支持系统决策支持系统DSS是指具有辅助决策能力的高级计算机信息管理系统，为企业提供各种决策信息以及问题的解决方案，将决策者从底层次的信息分析处理工作中解放出来，使他们拥有更多的时间专注于最需要决策智慧和经验的工作，从而提高决策质量和效率。
第一章：计算机管理决策支持概论计算机实现决策支持的原因：1、计算快速2、客服认知的限制3、减少费用4、技术支持5、质量支持6、竞争支持管理信息系统MIS的特征:1、MIS的主要功能是事物处理2、MIS包含多个数据处理系统3、MIS是为结构化决策服务的4、MIS具有系统的一切特性5、MIS是实际管理系统的一部分6、MIS是以数据库系统作为基础建立MIS的功能：1、事物处理2、数据库的更新和维护3、产生各类报表4、查询处理5、用户与系统的交互作用DSS 和MIS的联系和区别：1、MIS是面向中层管理人员，为管理服务的系统。
DSS是面向高层人员，为辅助决策服务的系统2、MIS是按事务功能综合多个事务处理的信息系统，DSS是通过多种模型和知识组合计算辅助决策。
3、MIS是以数据库系统作为基础、以数据驱动的系统。
DSS是以模型库和知识库作为基础4、MIS分析着重于系统的总体信息的需求，DSS分析着重于决策者的需求5、MIS追求的是效率，DSS追求的是效率，即决策的正确性6、MIS支持的是结构化决策，DSS支持的是半结构化决策或非结构化决策企业内外环境的变化DSS不断发展，主要原因：1、企业运营在一个不稳定的经济环境中2、企业面临着日益激烈的国内外竞争3、企业面临着不断加大的运作情况困难4、已有的计算机系统不支持增加效率、利润和进入盈利市场的目标决策支持系统的理论基础：1、管理科学2、信息管理科学3、信息经济学4、人工智能与专家系统5、认知科学重要的信息处理技术：1、信息本质与信息收集2、信息组织与数据仓库3、信息分析与数据挖掘数据仓库：是在数据的基础上发展起来的，又称信息仓库。
临床决策支持系统综述报告
临床决策支持系统内核的推理程序可以根据知识库的知识和经验生成建议以支持决策。由此可见，医学知识库是临床决策支持系统中的另一个重要元素。临床决策支持系统应建有完善、全面、快速的医学知识库。该知识库应包含词库、术语字典、模型结构、知识仓库四个部分。知识模型结构是将这些术语相关的内容组成一种网状的结构，方便存储和调用。知识仓库就是所有这些知识信息的容器，以功能强大的数据库为架构平台，以辅助智能的文字处理与检索系统。医学知识一般有两个来源，医学文献(指记录已归档的知识)和某一领域的专家(指专家的临床经验)。对于任何一种医学知识，系统先通过知识采集引擎把知识采集进来，然后通过解释引擎利用知识模型在知识库中查找相应的解决方案，逐步缩小目标范围，最后由知识库系统判定归于何种类别的医学知识，并存储于知识库中相应的位置。整个过程如下图所示。
临床决策支持系统综述报告
见。而批评式的系统事先根据相关信息生成一个决策建议，如果医生的决策与之不符，则给出系统的决策建议，适用于医生愿意自己决策而只是需要系统对自己的决策进行再次确认的情况，前面提到的事件监视器系统即属于批评式的。
6)决策支持程度
与直接能给出决策建议的系统不同，也有一些系统不直接给出建议而是只提供给决策者必要的相关信息，最终由决策的医生做出最后的决策。因此，从决策支持程度上可以分为直接和间接两类。前面提到的决策支持系统大部分是属于直接给出决策建议的系统。间接的决策支持系统主要包括与临床信息系统相融合的多种再线式知识库，例如UpToDate,FirstConsult等。一键通技术（InfoButton）可以方便地将各种知识库通过再线的方式方便地提供给医生，间接地为临床决策服务。间接式的系统还包括多种系统产生的数据分析图表等。
现状评述：
下面从几个方面详细介绍临床决分是医学知识、病人数据和针对具体病例的建议。病人数据通过临床决策支持系统的医学知识进行解释，从而为临床医生提供准确的决策支持。在医院中，临床决策支持所需的病人数据是通过电子病历系统完成数据采集，再通过一个数据泵进行抽取和整理。为了使决策支持的结论更加准确，系统尽可能提供病人数据的完全整合，包括病人的基本信息、病历信息、病程信息、医嘱信息、检验信息、影像信息、护理信息，以及其他所需要的各类信息。
基于网格技术的决策支持系统研究综述
③标准不统一 。 由于用户界面、组成部件结构和信息交 互等方面标准 的缺乏， 导致了各种Ｄ Ｓ Ｓ 用户接 口千差万别、 Ｓ ＤＳ 各组件集成异常困难。 这些给Ｄ Ｓ Ｓ 的建造、 使用以及推广带来
１ 网格技 术的特点 ． ３
① 资源最大范围和最彻底 的共享 ， 用户和程序 以一种位 置透 明的形式存取非本地资源 。
实验研究 ・
基于网格技术的 决策支持系统研究综述
● 张 琛 袁 迅
摘 要 ： 文简要 介绍 了网格 技 术及 其椽 最， 本 根据 当 决策 支持 系统 的发 展 现状 分析其存在 的问题 ， 前 并将 前人对 网格 技 术 在决 策
支持 系统 中的应用构思 与实践作 出综述 与总 结。 关键词 ： 网格 ； Ｓ； Ｂ Ｄ Ｓ Ｄ Ｓ Ｇ ＯＳ
不 同而导致的兼容性 问题 ， 同时还解决了决策系统 的升级 问 题。
②提 供动态决策服务。 传统的Ｄ Ｓ Ｓ有很强的针对性 ， 并且
建成后很难修改， 而决策者面对 的情况在不断变化着， Ｓ难 ＤＳ 以跟 上需求 的变化 。 网格环境下， 策技术的提供者提供 在 决 决策技术 的形式将是决策服 务， 以动态地注册和删 除， 可 还
网格计 算系统 自下而上可分为四个层次： 资源层 、 中间件
源的能力， 解决现存 的一些 问题 ， 极大地 推进决策 支持系统 １２网格技术的体系结构 ．
收稿 日 期： ０００—７ ２１－９２ 作者简介： 张琛， 南京信息工程大学计算机与软件学院； 袁
迅， 上海财经大学信息管理与工程学院。
的发展产生重要的指导作用。
心 问题之＿。 基于这些特性 ， 文献 提出了Ｇ ｏ ｓ 的框架模型 ＢＤｓ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
决策支持系统发展综述计算机是当代发展最为迅速的科学技术之一，其应用几乎已深入到人类活动和生活的一切领域，大大提高了社会生产力，引起了经济结构、社会结构和生活方式的深刻变化和变革。
计算机科学技术具有极大的综合性质，与众多科学技术相交叉而反过来又渗入更多的科学技术，促进它们的发展。
计算机科学与其他学科相交叉产生了许多新学科，推动着科学技术向更广阔的领域发展。
智能决策支持系统（Intelligent Decision Support Systems，简称IDSS）是决策支持系统（Decision Support Systems，简称DSS）与人工智能（Artificial Intelligence，简称AI）相结合的产物，它将人工智能中的知识表示与处理的思想引入到DSS，其独特的研究方法和广泛的发展前途使之一出现就成为决策支持技术研究的热点。
智能决策支持系统是以信息技术为手段，应用管理科学、计算机科学及有关学科的理论和方法，针对半结构化和非结构化的决策问题，通过提供背景材料、协助明确问题、修改完善模型、列举可能方案、进行分析比较等方式，为管理者做出正确决策提供帮助的智能型人机交互信息系统。
实践表明，只有当决策支持系统具有较丰富的知识和较强的知识处理能力时，才能向决策者提供更为有效的决策支持。
考虑到IDSS是在传统DSS基础上发展起来的，所以这里先介绍有关决策、决策科学和决策支持技术的基本概念。
一、DSS的产生与发展1.1DSS的产生背景电子数据处理EDP（Electronic Data Processing）：提高了工作效率，把人们从繁琐的事务处理中解脱出来。
缺点：仅局限于具体信息处理，不共享，不考虑整体或部门情况。
管理信息系统MIS（Management Information Systems）：整体分析，系统设计，信息共享，部门协调。
缺点：难于适应多变的内、外部管理环境，对管理人员的决策帮助十分有限。
决策支持系统DSS（Decision Support Systems）：70年代中期Keen和Scott Morton在《管理决策系统》（1971）一书中提出。
目标：对管理者做决策提供技术支持。
背景：运筹学模型发展已经比较完善，多目标决策分析突破了单一效用理论的框架，计算机软、硬件及网络技术的迅猛发展，人工智能特别是知识处理技术的发展，数据库技术、图形显示技术、各类工具软件的发展与完善，构成了DSS形成与发展的技术基础。
1.2DSS的发展70年代，Scott Morton在《管理决策系统》（1971）一书中首次提出DSS。
Peter G. W. Keen等人编写了一套丛书，阐明DSS的主要观点，初步构造出DSS的基本框架。
1978至1988年，DSS得到迅速发展，许多实用系统被开发出来，投入实际应用，产生明显效益。
1988至现在，DSS技术持续发展，目前已基本成熟。
新一代DSS研究仍然十分活跃。
1.3DSS的理论基础（1）信息论信息是现代科学技术中普遍使用的一个重要概念。
信息论是运用信息的观点，把系统看作是借助于信息的获取、传送、加工处理、输出而实现其有目的性行为的研究方法。
（2）计算机技术计算机软件技术、硬件技术、网络技术、图形处理技术、知识处理技术等。
（3）管理科学与运筹学管理科学MS（Management Science）：面向管理者，研究决策问题，如决策目标、决策效能等。
运筹学OR（Operations Research）：提供一系列优化、仿真、决策等模型。
（4）信息经济学在信息时代，研究信息的产生、获得、传递、加工处理、输出等方面的价值问题。
从经济学的角度，研究信息产生和获得的成本是多少？利润是多少？即研究信息价值问题。
（5）行为科学研究决策者的决策风格、在决策过程中的决策行为等，指导DSS的设计和开发。
涉及到决策者的心理学。
（6）人工智能将人工智能技术用于管理决策是一项开拓性工作。
当前研究的IDSS就是DSS 与AI技术相结合的产物，它用领域专家的知识来选择和组合模型，完成问题的推理和运行，为用户提供智能的交互式接口。
人工智能技术作为计算机应用研究的前沿，近十年取得了惊人的进展，呈现了光明的前景。
专家系统、智能机器人和模式识别是人工智能中最活跃、最富有成果的三个研究领域。
其中专家系统ES（Expert Systems）研究，取得了许多实用化的成果。
当今世界上已经有上千个专家系统，应用于医疗、诊断、探矿、军事、调度、质谱分析、计算机配置、辅助教育等各种领域，并已开始涉足财务分析、计划管理、工程评估、法律咨询等管理决策领域。
DSS和ES：处于不同的学科范畴，有着不同的解决问题的方法。
DSS主要运用数据和模型，ES主要运用知识和推理。
在管理科学领域，一个是方兴未艾，一个是后起之秀，各有特色。
但是它们的互相结合和互相渗透，将会把计算机用于决策支持技术推向一个新的高度。
决策的正确性关系到经营效果和事业成败，决策理论、决策方法和决策工具的科学化和现代化是正确性的重要保证。
人工智能将为DSS提供有效的理论和方法。
例如，知识的表示和建模，推理、演绎和问题求解及各种搜索技术，再加上功能很强的人工智能语言，都为DSS的发展走向更加实用的阶段提供强有力的理论和方法的支持。
1.4DSS与相关技术的关系（1）决策与预测的关系决策：创造未来，基于预测，实现将来一个目标。
预测：预言未来，基于分析、研究、仿真、实验。
例如：灾害预测与防灾决策、日常预测与决策、经营预测与决策、宏观预测与决策、贯序预测与决策、为重大决策作预备性研究等。
（2）DSS与MS/OR的关系MS：处理结构化问题，运用分析的观点。
OR：处理结构化问题，研究对象主要集中在数学规划、决策论、对策论等理论和方法上。
DSS：处理战略、规划等半结构化和非结构化一类的决策问题。
（3）DSS与MIS的关系MIS：收集、传递、存储、加工处理各种信息，监测运营数据，利用历史数据预测未来，用指定的数学方法分析数据，提供全面数据和分析报告。
面向管理人员，提供低层次的决策支持。
DSS：面向决策者，提供适当的决策支持，是MIS的高级阶段。
（4）DSS与ES的关系IDSS = DSS + ESES：利用知识和推理机，处理半结构化和非结构化问题。
DSS：使用数据和模型，处理结构化问题，与ES结合后，可处理半结构化和非结构化问题。
二、DSS的基本概念2.1决策过程决策过程：如图1所示。
图1 决策过程决策科学主要研究：确定目标、设计方案、评价方案三个基本阶段。
这三个基本阶段又分别称为理解、设计、选择活动。
2.2决策问题的类型决策问题的类型（按结构化程度分为）：结构化、半结构化、非结构化三种。
结构化程度：对某一过程的环境和规律，能否用明确的语言（数学的或逻辑学的，形式的或非形式的，定量的或推理的）给予清晰的描述。
结构化问题：能够描述清楚的问题。
三个阶段都能使用确定的算法或决策规则。
非结构化问题：不能够描述清楚，而只能凭直觉或经验作出判断的问题。
三个阶段都不能使用确定的算法或决策规则。
半结构化问题：介于两者之间的问题。
一个或二个阶段能使用确定的算法或决策规则。
2.3决策问题的性质和层次决策问题的层次：办事员（作业调度）、部门负责人（运筹管理）、顶层负责人（战略规划）。
按照决策问题的层次和类型，决策问题可分为9类，如表1所示。
表1 决策问题的类型2.4 决策风格按获取数据的方式分：感知型（S）、直觉型（N）。
感知型——喜欢与特定问题有关的硬数据。
直觉型——喜欢描写可能性的整体信息。
按处理数据的方式分：思考型（T）、感觉型（F）。
思考型——喜欢用逻辑或其他规范化的手段去推理。
感觉型——喜欢用个人的术语来考虑问题。
组合起来，共有四种类型的决策风格：系统型（ST）、思辩型（NT）、司法型（SF）、直观推断型（NF）。
系统型（ST）：喜欢运用量化信息，喜欢运用成本效益分析和评价的研究作为辅助决策的工具。
思辩型（NT）：善于思索未来的可能性，喜欢运用带有灵敏度分析的决策树作为决策的帮助。
司法型（SF）：注意力集中于当前的环境，喜欢运用决策小组进行决策。
直观推断型（NF）：十分重视现实的可能性，喜欢运用双向调整的方法来达到决策的目的。
三、DSS的构造与系统结构DSS的构造研究主要解决DSS的组成问题，即组成DSS的部件。
现在，经典提法是：DSS = 四库系统+ 对话系统（人机界面）四库系统：数据库系统、模型库系统、方法库系统、知识库系统。
当前，也有人讲5库系统（+文本库）、6库系统（+图形库）、7库系统（+语音库）、8库系统（工具库）等。
DSS的系统结构主要研究DSS各主要部件的连接关系。
3．1人机界面技术主要研究内容集中在：●可视化图形界面技术●基于多媒体技术的界面技术●自然语言界面技术3．2数据库系统数据库系统包括数据库及其管理系统，其基本技术与一般数据库及其管理系统基本相同。
但有自己的特点。
共同点：●数据的独立性●最小冗余度●最大的共享性●统一管理与控制●适当的反映时间●整体性（完整性）●可修改性和可扩充性●安全和保密●简明性DSS数据库系统的特点：●面向决策支持过程组织和管理数据●面向模型、面向模型生成来使用数据●数据描述方式要面向不同的决策者3．3模型库系统模型——是以某种形式对一个系统的本质属性的描述，揭示系统的功能、行为及其变化规律。
模型库系统——以库的形式对模型进行组织和管理，包括模型库及模型库管理系统。
模型库（Model Base）提供模型的存储和表示模式，模型库管理系统提供模型的提取、访问、更新和合成等操作。
人们认识客观世界一般有三种方法：●逻辑推理法●实验法●模型法模型法是我们认识客观世界的最得力、最方便、最有效的方法。
注意，并非所有模型都是数学模型，并非所有模型都是定量的。
例如，门捷列夫元素周期表。
3.3.1 模型群解决软科学所涉及的问题时，可利用的模型已达100多个，根据他们的功能和用途可分为若干模型群。
（1）预测模型群●定性模型：特尔斐法、主观概率预测法、交叉影响巨阵法等●定量模型：回归预测、平滑预测、马尔柯夫链预测等回归预测：一元回归、多元线性回归、非线性回归等；平滑预测：平均预测法、指数预测法等（2）系统结构模型群主要用来分析社会经济系统以及其他系统的结构，反映系统各要素之间的主要联系和关联作用，从宏观上和结构上来揭示系统的运行规律。
系统结构模型、层次分析模型、投入产出模型、系统动力学模型等。
（3）数量经济模型群：计量经济模型、经济控制论模型等。
（4）优化模型群：线性规划、非线性规划、动态规划、目标规划和最优控制等（5）不确定模型群：模糊数学模型、灰色模型、随机模型等（6）决策模型群：单目标风险性决策、多目标决策，以及一些不确定性决策方法等（7）系统综合模型群：即大系统理论。