智能决策技术原理及应用(一)

智能决策技术原理及应用(一)

摘要]随着经济的快速发展，能正确、快速地做出决策无疑是赢得市场获取最大经济效益的保证。决策支持系统可以看成是管理信息系统和运筹学相结合而发展起来的，它要求有很强的数值计算能力，又要有很强的数据处理能力，而目前的计算机语言的支持能力不足，使得决策支持系统的发展非常缓慢。

关键词]决策支持系统人工智能专家系统

一、智能决策技术概述

1.决策支持系统的形成

随着计算机技术和应用的发展，如科学计算、数据处理、管理信息系统的发展以及运筹学和管理科学的应用，为决策支持系统的形成打下了基础。决策支持系统(DecisionSupportSystem—DDS)是80年代迅速发展起的新型计算机学科。70年代初由美国M.S.ScottMorton在《管理决策系统》一文中首先提出决策支持系统的概念。

DSS实质上是在管理信息系统和运筹学的基础上发展起来的。管理信息系统重点在对大量数据的处理。运筹学在运用模型辅助决策体现在单模型辅助决策上。随着新技术的发展，所需要不得不解决的问题会愈来愈复杂，所涉及的模型会愈来愈多，模型类型也由数学模型扩充数据处理模型。模型数量也愈来愈多。这样，对多模型辅助决策问题，在决策支持系统出现之前是靠人来实现模型间的联合和协调。决策支持系统的出现就是要解决由计算机自动组织和协调多模型运行，对大量数据库中数据的存取和处理，达到更高层次的辅助决策能力。决策支持系统的新特点就是增加了模型库和模型库管理系统，它把众多的模型(数学模型和数据处理模型以及更广泛的模型)有效地组织和存储起来，并且建立了模型库和数据库的有机结合。这种有机结合适应人机交互功能，自然促使新型系统的出现，即DDS的出现。它不同于MIS数据处理，也不同于模型的数值计算，而是它们的有机集成。它既有数据处理功能又具有数值计算功能。

决策支持系统概念及结构。决策支持系统是综合利用大量数据，有机组合众多模型(数学模型与数据处理模型等)，通过人机交互，辅助各级决策者实现科学决策的系统。

DSS使人机交互系统、模型库系统、数据库系统三者有机结合起来。它大大扩充了数据库功能和模型库功能，即DSS的发展使管理信息系统上升到决策支持系统的新台阶上。DSS使那些原来不能用计算机解决的问题逐步变成能用计算机解决。

2.人工智能概念和研究范围

(1)人工智能定义。由计算机来表示和执行人类的智能活动(如判断、识别、理解、学习、规划和问题求解等)就是人工智能。人工智能的研究在逐步扩大机器智能，使计算机逐步向人的智能靠近。

(2)人工智能的研究范围。人工智能研究的基本范围有：问题求解、逻辑推理和定理证明、自然语言处理、自动程序设计、学习、专家系统、机器人学、机器视觉、智能检索系统、组合高度问题、系统与表达语言等；其主要研究领域有：自然语言处理、机器人学、知识工程。自然语言处理：语音的识别与合成，自然语言的理解和生成，机器翻译等。

机器人学：从操纵型、自动型转向智能型。在重、难、险、害等工作领域中推广使用机器人。知识工程：研究和开发专家系统。目前人工智能的研究中，最接近实用的成果是专家系统。专家系统在符号推理、医疗诊断、矿床勘探、化学分析、工程设计、军事决策、案情分析等方面都取得明显的效果。

3.决策支持新技术

(1)数据仓库的兴起和概念。数据仓库(DataWarehouse—DW)的概念是PrismSolutions公司副总裁W.H.Inmon在1992年出版的书《建立数据仓库》(BuildingtheDataWarehouse)中提出的。数据仓库的提出是以关系数据库，并行处理和分布式技术的飞速发展为基础，它是解决信息

技术在发展中一方面拥有大量数据，另一方面有用信息却很贫乏(Datarich—Informationpoor)这种不正常现象的综合解决方案。

W.H.Inmon在《建立数据仓库》一书中，对数据仓库定义为：数据仓库是面向主题的、集成的、稳定的、不同时间的数据集合，用于支持经营管理中决策制定过程。

传统数据库用于事务处理，也叫操作型处理，是指对数据库联机进行日常操作，即对一或一组记录的查询和修改，主要为企业特定的应用服务的。用户关心的是响应时间，数据的安全性和完整性。数据仓库用于决策支持，也称分析型处理，用于决策分析，它是建成立决策支持系统的基础。

(2)数据仓库的特点。数据仓库是面向主题的：主题是数据归类的标准，每一个主题基本对应一个宏观的分析领域。

数据仓库是集成的：数据进入数据仓库之前，必须经过加工与集成。对不同的数据来源进行统一数据结构和编码。统一原始数据中的所有矛盾之处，如字段的同名异义，异名同义，单位不统一，字长不一致等。总之将原始数据结构作一个从面向应用到面向主题的大转变。数据仓库是稳定的：数据仓库中包括了大量的历史数据。数据经集成进入数据仓库后是极少或根本不更新的。

数据仓库是随时间变化的：数据仓库内的数据时限在5-10年，故数据的键码包含时间项，标明数据的历史时期，这适合DSS进行时间趋势分析。

数据仓库中数据很大：通常的数据仓库的数据量为10GB级，大型的是一个TB级数据量。数据中索引和综合数据占2/3，原始数据占1/3。

数据仓库软、硬件要求：需要一个巨大的硬件平台和一个并行的数据库系统。

(3)数据开采的概念及方法。1995年在加拿大召开了第一届知识发现(KnowledgeDiscoveryinDatabase—KDD)和数据开采(DataMining—DM)国际学术会议以后，“数据开采”开始流行，它是“知识发现”概念的深化，知识发现与数据开采是人工智能、机器学习与数据库技术相结合的产物。KDD一词是在1989年8月于美国底特律市召开的第一届KDD 国际学术会议上正式形成的。

知识发现被认为是从数据中发现有用知识的整个过程。数据开采被认为是KDD过程中的一个特定步骤，它用专门算法从数据中抽取模式。

数据开采的主要方法和技术有：信息论方法、集合论方法、仿生物技术、公式发现、统计分析方法及其它方法。

二、智能决策技术原理

要能做出智能决策需要在智能决策支持系统的辅助下才能实现。因而要知道智能决策技术的原理就须要知道智能决策支持系统的原理及构造。

智能决策支持系统(IDSS)是在决策支持系统(DSS)的基础上集成人工智能专家系统(ES)而形成的。决策支持系统主要是由问题处理与人机交互系统(由语言系统和问题处理系统组成)、模型库系统(由模型库管理系统和模型库组成)、数据库系统(由数据库管理系统和数据库组成)等组成。专家系统主要由知识库、推理机和知识库管理系统三者组成。决策支持系统和专家系统集成为智能决策支持系统。

IDSS中DSS和ES的结合主要体现在两个方面：

(1)DSS和ES的总体结合。由集成系统把DSS和ES有机结合起来(将两者一体化)。

KB和MB的结合。模型库中的数学模型和数据处理模型作为知识的一种形式，即过程性知识，加入到知识推理过程中去，或者将知识库和推理机结合起来，形成知识推理模型加入到模型库中去。

(2)DB和动态DB的结合。DSS中的DB可以看成是相对静态的数据库，它为ES中的动态数据库提供初始数据，ES推理结束后，动态DB中的结果再送回到DSS中的DB去。由DSS和

ES这三种结合形式，也说形成了三种IDSS集成形式。