智能决策支持系统_研究现状与挑战.pdf

综述智能决策支持系统:研究现状与挑战任明仑1,2,杨善林1,2,朱卫东2(1.合肥工业大学计算机网络系统研究所,合肥 230009;2.合肥工业大学管理学院,合肥 230009)摘要:综述智能决策支持系统的研究内容和现状,从基于知识的系统及其与决策过程的关系出发,讨论了IDSS中的知识和知识处理系统.以知识和学习能力为线索,分析几种智能决策支持系统的不同类型,并进行比较分析;介绍了智能决策支持系统的体系结构、智能决策支持方法和决策支持系统中的认知问题等的研究成果.最后,分析了智能决策支持系统面临的挑战,提出了进一步的研究方向.关键词:智能决策支持系统;体系结构;决策方法;专家系统中图分类号:TP182;C931文献标识码:A文章编号:1000-5781(2002)05-0430-11Intelligent decision support system:State of art and challengesREN Ming-lun1,2,YANG Shan-lin1,2,ZHU Wei-dong2(1.Institute of Computer Networks,Hefei University of Technology,Hefei 230009,China;2.School of Management,Hefei University of Technology,Hefei 230009,China)Abstract:Last decade much progress in the research of intelligent decision support system(IDSS)has been obtained.The aim of this paper is to assess the state of the art in this field.We give ourdiscussion with a knowledge oriented approach.We first discuss knowledge and knowledge man-agement in IDSS,then address models of IDSS with distinctive knowledge and knowledge pro-cess systems.Architectures,intelligent decision methods and cognitive aspects of IDSS are alsodiscussed.The analysis and discussion provide a better understanding of challenges and future re-search directions in this field,which are addressed at the end.Key words:IDSS;architecture;decision methods;expert system0从DSS 到 IDSS传统的决策支持系统(DSS)采用各种定量模型,对半结构化和非结构化决策问题提供支持1.由于 DSS 需要决策者参与,采用人机对话手段,通过模型操纵数据,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 在决策支持中的局限性也日趋突出:1 DSS 采用静态模型,通过模型对数据进行操作,要求决策者不仅具有决策问题领域知识,还要有数据和模型的相关知识,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2,3.2 DSS 是在决策者的主导下采用模型求解,要求决策问题具有过程性和明确的可计算性4,5,对决策中普遍存在的非结构化问题无法提供支持.3 DSS 以定量数学模型为基第 17 卷第 5 期2002 年 10 月系统工程学报JOURNAL OF SYSTEMS ENGINEERINGVol.17 No.5Oct.,2002收稿日期:2001-04-20;修订日期:2002-07-01.基金项目:国家自然科学基金资助项目(79970058);高等学校博士点基金资助项目(98035904).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6,7.智能决策支持系统(IDSS)利用人工智能和专家系统技术在定性分析和不确定推理上的优势,充分利用人类在问题求解中的经验和知识,为解决上述问题提供了新途径.专家系统通过建立领域专家知识库和问题求解子系统,使机器智能在某些方面达到甚至超过人类专家水平.专家系统技术在管理中的应用往往针对特定领域内的决策问题,采用静态知识库和人机对话系统,在面向不同的决策问题时,缺乏适应性8,9.把专家系统技术应用到决策支持系统中,建立智能决策支持系统(IDSS),可以克服专家系统和决策支持系统各自的局限性,更好的支持管理决策服务10.人工智能和专家系统技术不仅深刻影响着决策支持系统的技术与结构,而且对决策支持系统的概念产生了深刻的影响.近年来,几乎所有有关决策支持系统的研究都是围绕人工智能技术的应用展开的.专家系统与决策支持系统的结合直接体现在决策支持系统各个部件的智能化上,如与人机对话部件的结合,与求解方法的结合,与数据库、模型库和方法库及其管理系统的结合等10-15,专家系统技术与决策支持部件的结合提高了各部件的功能,无疑会大大提高决策支持能力.近年来,随着研究的深入,专家系统技术已经渗透到 IDSS的体系结构、问题求解等各个方面,对决策方法和过程产生了重要影响.智能决策支持系统的研究也逐渐由过去的决策部件功能的扩充发展到部件的综合集成,由过去的定量模型发展到基于知识的智能决策方法,使智能决策支持系统研究的理论与方法逐渐成熟.Turban 研究了决策支持系统的实现问题16,但智能化的系统实现方法并不能保证开发出的系统是智能决策支持系统,本文对IDSS 的实现问题未作讨论.本文综述智能决策支持系统的研究现状,分析了 IDSS 面临的挑战和进一步的研究方向.为了反映 IDSS 发展的脉络,本文没有涉及 IDSS 研究的各个方面,仅就 IDSS 研究的核心内容如知识处理系统、系统的智能化模型、系统体系结构、知识处理技术等,以基于知识的系统演进为主线,讨论 IDSS 研究的方法与进展.1IDSS 的知识系统1.1IDSS 的知识管理长期以来,在 DSS 研究中,受多库系统结构的影响,总是把数据、模型、方法与知识区别开来,分别建立各库及其管理系统.根据采用的决策工具的不同,先后出现了基于模型的系统、基于数据的系统和基于通信的系统等多种决策支持系统.实际上,在决策过程中,决策者所能得到的无论是事实、规则、方法还是推理过程,都是决策过程中必不可少的知识,把这些作为知识统一管理,有利于系统结构的简洁和处理方法的一致,成为 IDSS中知识研究的主流.Holsapple 等定义了 DSS 涉及到的 6 种知识17:描述性知识、过程性知识、推理知识、语言知识、表示知识和同化知识.其中前 3 种称为基本知 识(primary),后 三 种 称 为 衍 生 知 识(secondary).描述性知识定义了与特定决策环境有关的各种状态信息,包括过去的、现在的、将来的以及假定的各种数据与信息.过程性知识定义了问题求解的过程、步骤与策略,如业务运行的规则,行动方案等.推理知识定义了如何在各种可能的情况下的得到有效结论.以上 3 种知识是与特定决策问题领域有关的事实.表示知识定义不同实体间的通信方法,由不同表示模式之间的推理构成,可以选择一个对话中的模式,并给出详细定义.语言知识对通信过程中收到的信息进行解释,同化知识主要用来对知识库进行维护,以保证知识的一致性.对知识的不同处理方式构成了不同类型的决策支持系统.传统的 DSS 在决策支持过程中,计算机执行过程是以预先定义好的过程和方式进行,应用数学模型和各种定量决策方法,通过对数据的操作得到辅助决策信息.实际上应用了前述的前两种知识,即描述性知识和过程性知识.问题求解过程和对领域知识的应用则在固化的程序中和决策者本身,因而系统不具备随环境变化的学4312002 年 10月任明仑等:智能决策支持系统:研究现状与挑战习能力.IDSS 的智能主要体现在系统能利用专家知识辅助决策,并能够随决策环境的变化改变自己的行为,要求其知识处理系统能随环境变化学习新知识、更新知识库.在智能决策支持系统中,知识管理则涉及到推理知识、描述知识和过程知识,从而支持问题求解过程.1.2基于知识的系统决策支持系统的决策能力与知识系统有关,实际上,任何智能系统都可以通过改变知识结构从而改变自己的行为.智能系统的行为有:通过思考和推理解决问题;从过去的经验中学习;对不精确信息的理解;对新环境的适应性;进行合适的推理;运用知识实现一定的目标;判断不同对象在环境中的重要性等.系统的自学习能力是系统的适应性的基础.根据 IDSS 的学习能力的不同,知识系统可分为静态知识系统和动态知识系统.静态知识系统的知识维护需要人工干预,系统的行为在求解过程开始前就已经确定了,因而系统设计较为简单,可完全根据专家知识进行充分调试.动态系统可以自动从决策过程中获得经验,自动对知识库进行维护与更新,从而支持复杂环境下的决策过程,反映了较高级的智能活动.这种系统有较大灵活性,在系统开发上要复杂的多.1.3IDSS 中的知识表示在基于知识的系统中,知识总是以某种方式组织起来的,包含了一定的数据结构,这样推理机可以采用搜索或模式匹配技术进行操作.知识表示方法可以分为声明式(declarative)和过程式(procudural)两类,声明式的知识表示方法,如语义网络(semantic network)和框架(frame),适于表示事实和断言,过程式则适合表示行为和过程,如过程、子例程、规则等.产生式规则采用 if-then 语句来表示在特定条件下或特定环境中某种行动产生的结果.语义网络由结点和边组成.结点表示事实,边表示事实之间的关系.每个结点可以有子结点,表示更为具体的层次的事实.例如,“是一个”就是一种常见的关系,表示了某类事物和类中特定对象的关系.语义网络建立在概念之间的联系上,用来表示非规则性的知识.框架可以表示一个对象所有方面的知识.在框架中,知识表示为一种层次结构,每个框架包括槽(slot)和面(facet),槽表示对象的一个属性集,由面或子槽构成.面表示有关某个属性的知识或过程18.以往的知识表示是通过数学模型实现对智能的模拟,而不是一个对智能本质的描述,与智能行为发生的内在过程还有很大的差距.理解和表示人的智能行为是建立符合决策过程的高级智能的决策支持系统的关键,对知识的心智过程的认识和表示是人工智能方法论的新方向18.2智能决策支持系统模型智能决策支持系统产生以来,由于专家系统技术在管理决策领域的巨大潜力,国内外研究者进行了大量研究,把计算机科学、人工智能等的工具、方法与人的决策过程集成起来,出现了各种结构和功能的智能决策支持系统.Holsapple 等总结了系统的对决策过程的支持能力和学习能力,把IDSS 分为 4 类19:(1)无自适应性,被动支持;(2)无自适应性,能提供主动支持(3)自适应,被动支持;(4)自适应,主动支持.Mirchandani 等从知识系统进化的角度讨论了 IDSS 模型17,从系统的知识、学习和进化能力来看,系统的智能在逐步加深.2.1主动(active)决策支持系统传统的决策支持系统通过提供相应的数据和模型,由用户自主选择相应的方法和模型,决策过程完全由用户控制,系统只是完成辅助计算功能.智能决策支持系统由于引入了领域专家知识,具有部分人类智能,因而具有了主动支持决策的能力.主动型决策支持系统(ADSS)可以随用户的决策过程改变自身的行为,因而是决策支持系统研究中的一个重要里程碑,是智能决策支持系统产生的标志.主动决策是 IDSS 的重要特征,主动决策支持系统通过建立人类认知模型,能够在不同的问题求解阶段,给决策者提供一个不同的选择,从而构成不同的问题求解路径.Manheim 等最早提出了 ADSS 的概念,并给出了系统的框架3.主动决策支持系统强调人机交互中的互动性,也称为共生型(symbiotic)决策支持系统,这种系统不仅能432系统工程学报第 17卷第 5期随决策过程改变自身行为,而且嵌入了人的认知模型,能够根据用户的认知能力和决策方式,提供适合用户特点的决策方法,系统和决策者之间是一种共生、互动的关系.由于用户决策过程模型难以获得,这类系统的开发较困难19.Rao 等采用菜单驱动的方式记录决策者的认知过程,实现了一类这种系统20.从知识结构和认知能力方面来看,主动型决策支持系统仍然是静态的,实际上是根据用户过去的决策经验,根据事先计划好的用户行为,自动触发预先定义的内部过程,从而改变自己的决策过程,可以看作一种反应系统,并不是系统本身自主的智能行为.2.2自适应(adaptive)决策支持系统ADSS 主要依赖于人的先验知识,系统运行环境是静止的,决策所需要的领域知识和推理知识是事先知道的.事实上,决策环境通常是多变的,问题求解的过程与决策环境密切相关,人类拥有并能用以推理的知识也是有限的,因而上述ADSS 知识结构和功能上都有很多局限.自适应决策支持系统(AdDSS)是向着更好的支持决策迈出的重要一步.自适应性是根据系统的环境变化,提高系统处理问题能力的性质.为了克服ADSS 在知识结构上的局限,采用数据挖掘、数据仓库、基于事例推理等数据驱动的决策支持方法和机器学习技术,采用 ANN、GA、ROUGH SET等算法,试图从大量历史数据和过去的经验中发现对决策至关重要的知识,使系统具有随时间和决策过程变化调整自身行为的能力,这样就产生了自适应决策支持系统(AdDSS)19,21.自适应决策支持系统有基于逻辑推理除了具有传统的过程计算和其他推理形式,还采用了归纳推理方式,实现了动态知识系统.归纳推理是一种非单调推理,能够从有限、不完全的知识状态推出完全的知识状态.通过归纳学习,AdDSS 具有一定的创新能力,可以把归纳断言作为知识使用,当出现与之矛盾的新命题时,可以推翻由归纳推理得到的知识,从而保持知识的一致性18,22.Chung 等提出了一个自适应决策支持系统的概念模型,该模型由两层多个部件组成,包括自适应的人机界面、自适应问题领域知识和自适应的帮助系统等.能根据决策者的需要调整自身行为,通过归纳学习自动维护知识库9.2.3决策专家系统决策专家系统是利用专家技术建立的决策支持系统.长期以来,决策支持系统的研究者没有把专家系统纳入决策支持系统的研究领域.多数的研究者认为,决策支持系统只是一种辅助决策的工具,应能完成对决策过程的支持,即 DSS 应体现决策者在模型选择与使用中的主导地位,而专家系统通过不需要人工干预的推理过程,直接给出决策结论.事实上,即便是真正的人类专家,在决策中发挥的也仅仅是决策咨询作用,决策专家系统可以根据决策条件自动给出决策结论,完全可以看作一类特殊的决策支持方式.实际上,决策的自动化并不排斥决策者在决策过程中的作用,而是支持了更高级的决策过程.专家系统与决策支持系统的采用的技术与结构基本一致,但两者面向了不同的使用者和不同性质的问题,专家系统面向特定领域的用户,而决策支持系统供管理决策人员使用.本文仍把这类系统作为智能决策支持系统的一种类型讨论.决策专家系统采用演绎推理,利用已有知识推导出结论,推导过程的正确性可以保证.这种系统存在的问题是需要一个完备的公理系统作为推理的基础.事实上,在面临不确定、突变和模糊信息的环境下,这种条件很难实现,因而只适合应用目标很明确的决策任务.近年来,人工智能和专家系统技术的进展似乎正在突破传统的决策专家系统的局限,非单调推理、定性推理技术的应用正在拓宽专家系统的应用范围18,23,与人的智能结合也取得了一定进展24,25.2.4综合(holistic)决策支持系统综合决策支持系统是在自适应决策支持系统和决策专家系统基础上的发展.在人类专家决策的过程中,面临着不完备、不确定甚至有冲突的知识,人类思维方式也往往存在着非过程性,一般通过各种知识和过程的综合(holistic)得到决策结果.综合决策支持系统(HDSS)是为了模仿人类高级智能而出现的,可以充分利用人类在过程分析、逻辑推理以及认知、学习和知识创新方面的优势,从而使系统的辅助决策能力超越了事实、推理和学习的阶段,可以对病态结构的决策问题提供支持26-28.这类系统实际上是更高级的专家系统,从功能上看类似于人类专家,既可以直接给出4332002 年 10月任明仑等:智能决策支持系统:研究现状与挑战决策建议,也可以根据决策者需要,分析决策过程和决策依据.HDSS 的知识系统比较复杂,对一般的决策问题,并不一定 需要这种 系统.Hill,Holsapple 等采用神经网络、遗传算法等实现了的系统27,30,31,在某种程度上体现了人类思维和决策过程的性质,目前这种系统只是部分的实现,完整的实现需要机器学习理论的进一步完善.陈文伟等提出了一个多个决策主体的综合决策支持系统(synthetic DSS)体系结构框架29,集成了传统决策支持系统的数据库、知识库和数据挖掘部件等,但没有体现决策过程的复杂性,实际上是一种包含多种决策工具的集成决策支持系统.2.5IDSS 智能的比较在上述几种类型的智能决策支持系统中,主动型决策支持系统要求系统具有随决策过程的不同改变自身行为的能力,这种系统不一定采用逻辑推理,但当预先定义的处理过程在某种方式下自动触发时,还是表现出了类似人的智能的行为;专家系统则使用推理技术自动进行推理,表现出更高的主动支持能力;自适应决策支持系统的采用了归纳推理等方法,具有自动维护知识库的能力,可以处理不完备甚至冲突的知识,它的主动支持能力不是预先定义的,而是随环境变化自动形成的,反映了高级的智能特征;综合决策支持系统不依赖于预先定义的过程和基于规则的推理,而是从初级到高级的智能活动的综合.智能决策支持系统是基于知识的系统,由于知识的管理仍是快速发展的领域,很难给出确定性的归纳.以上关于决策支持系统类型的讨论是根据系统的主要特征,从系统智能的发展角度展开的,几种类型之间是相互包含和补充的关系,更高级的模型反映了系统智能的进化,并不排斥其它类型的特征,例如,主动支持是所有智能决策支持系统的特征,自适应性是综合决策支持系统的基本要求.事实上,智能决策支持系统的研究正呈现出集成化的趋势,现有的系统一般都是由多种方法结合而形成的混合(hybrid)系统,同时具有几种模型的特征.表 1 从系统的学习能力、智能行为、决 策方 法等方 面 对几 种 IDSS 进行 了比较9,17,20.表 1IDSS模型的比较知识库类型知识的完备性知识创新能力决策过程理解主要推理方式主要决策工具主动决策支持系统静态完备无冲突无有采用 预先定 义的过程模型、数据、认知模型决策专家系统静态完备无冲突无可以没有演绎推理知识库自适应决策支持系统动态允许 不 完 全和冲突有一般有演绎和归纳推理数 据、智能 决策模型、知识库综合决策支持系统动态允许 不 完 全和冲突有有演 绎、归纳、基 于范例推理认 知模 型、智能计 算方 法、机器学习、知识库3IDSS的体系结构3.1基于部件集成的体系结构1980 年,Sprague 提出了基于两库的 DSS 框架,把 DSS 看作由用户接口、数据库管理系统、模型库管理系统三部件集成的结构.该结构对决策支持系统的研究产生了很大影响,后来的决策支持系统研究基本上沿袭了这一结构,并在这一结构基础上,相继提出了三库(数据库、模型库、方法库)等结构29,32.Belew 等还研究了DSS 的进化问题,在两库结构基础上增加了文本库和规则库,将这种四库结构称为可演进的决策支持系统32.早期 ES 与 DSS 的结合主要采用这种结构,在二库434系统工程学报第 17卷第 5期结构基础上,增加了知识处理部件,形成四库(数据库、模型库、方法库、知识库)的智能决策支持系统.在这种体系结构中,传统的决策支持系统部件提供定量的数值计算,知识部件采用符号推理和模式识别等知识处理技术,进行定性推理和分析,通过增加系统部件,系统具有良好的可扩充性,可以随时集成新的决策技术.这种结构既发挥了传统 DSS 的数学分析能力,又发挥了专家系统在定性推理和符号处理方面的优势,显著增强了 DSS的问题求解和决策支持能力,目前应用的决策支持系统基本上都采用这种结构.基于部件集成的体系结构虽然有较强的问题求解能力,但随着 DSS 研究与应用的深入,其结构也越来越复杂,在原来四库结构的基础上,又增加了文本库、图形库等,形成五库、六库等多库结构,近年来,随着数据驱动的决策方法的进展,数据挖掘、OLAP 和数据仓库技术也被作为决策部件集成到决策支持系统中29.随着部件的增加,部件之间的协调控制过程变的很复杂,系统结构也越来越复杂,给系统的实现带来很多困难.3.2基于问题处理模式的 DSS 结构Bonczek 提出的基于问题处理模式的 DSS 结构,由知识系统(knowledgement system)、语言系统(language system)和问题处理系统(problemprocessing system)三部分构成.其中语言子系统提供决策问题的表示方法及对决策结构的解释;知识子系统负责管理与决策问题有关的知识;问题处理子系统从语言子系统接受决策问题,通过对知识子系统中相关知识的操作,产生合理的决策结果.这种结构采用统一的知识体系,有利于系统功能的扩充,可以认为是一种进化结构32.基于 PPS 的系统结构将专家系统中的问题处理技术引入到 DSS 体系结构中,克服了传统DSS 缺乏知识的弱点,解决了对决策问题求解过程的控制问题.但该模型沿用了专家系统的问题求解思路,未能充分体现决策者在模型构造、模型选择方面的作用.由于决策过程所需要的知识相当复杂,既有事实性知识,也有推理知识和决策问题领域的专家知识.上述结构中的知识系统不加区别的使用知识概念,使知识库缺乏特定领域问题的针对性,这样的系统作为决策支持系统结构将使系统过于复杂庞大,难以实现.除了上述结构,Lenard,Dempster 等采用面向对象技术实现决策支持系统的各库及其管理系统33-35,陈文伟等提出了有 3 个决策主体的综合决策支持系统的体系结构29,Yoon,Piramuthu等分别提出了具有学习功能的系统结构36,37,Fraser 等提出了多专家系统集成的框架结构38,Chuang,Rao等在PPS 结构中增加了学习和知识维护模块9,20,田大钢等综述了 IDSS 结构的联结主义观点39,这些结构实际上是对各种部件功能的扩充,或者是 PPS 结构中知识系统功能的延伸,从本质上看都没能超出上述两种结构的框架.近年来,基于 multi-agent 技术的体系结构也引起研究者的重视,如梁义芝等提出了基于multi-agent 技术进行模型管理的决策支持系统40,采用 agent 技术实现了部件的功能.agent技术为复杂软件系统的实现提供了新途径,但从整体上采 用agent 技术 的系统 仍有待 于继续探索.4智能决策方法IDSS 采用机器推理方法实现决策支持功能,而人类专家的知识总是有限的,能够以符号逻辑表示并用来推理的知识更是有限的,人类很多专家知识并不是一开始就已经具备,很多是在决策过程中学习得到的,如何充分利用在大量决策过程中得到的知识,是人工智能和决策支持系统研究的重要内容.4.1机器学习机器学习通过在数据中搜索统计模式和关系,把记录聚集到特定的分类中,产生规则和规则树.这种方法的优势在于不仅能提供关于预测和分类 模 型,而且 能 从 数 据中 产 生 明 确的 规则30,31.如常用的递归分类算法,通过逐步减少数据子集的熵(entropy),把数据分离为更细的子集,从而产生决策树.决策树是对数据集的一种抽象描述,可以作为知识进行推理使用.最著名的两种机器学习算法有 ID3 和 CART.ID3 通过数据在独立变量上的分类,形成具有一定特征的数据子集,可以用来产生分类树.CART 算法通过数据聚类的距离的最大化,减少数据子集的无序性,可以产生分类树和回归树,是回归分析、聚类分析4352002 年 10月任明仑等:智能决策支持系统:研究现状与挑战等统计分析方法的自然延伸.由于递归分类算法根据数据的统计特性进行数据的分类,在有大量噪声数据的情况下具有较好的鲁棒性.除此之外,神经网络、模糊逻辑、遗传算法、粗糙集理论等也被广泛应用于机器学习22,25,26,41.4.2软计算方法软计算不是一个单独的方法论,而是一个方法的集合,主要包括模糊逻辑、神经计算、概率推理、遗传算法、混沌系统、信任网络及其他学习理论.其本质与传统的智能计算方法不同,在于适应现实世界普遍的不确定性.现有的决策模型一般采用数学方法,通过对现实世界的抽象建立模型,为简化模型,一般需要对要描述的事物作出一些假设,模型的有效性也就和这些假设密切相关,当这些假设条件有所改变,模型也就不再适用.现有的人工智能技术也主要致力于以语言和符号来表达和模拟人类的智能行为.软计算方法则通过与传统的符号逻辑完全不同的方式,解决那些无法精确定义的问题决策、建模和控制.如神经计算是受神经生物学研究的启发,采用并行计算结构模拟人的大脑结构,通过映射实现知识处理过程的一种方法27,42,43;遗传算法的思想来源于生物进化过程.20 世纪 60 年代,Holland 把进化过程中的信息遗传机制和优胜劣汰的自然选择法则引入到机器学习过程中,通过一个种群的许多代进化适应,设计出具有自然系统的自适应特征的人工系统.遗传算法把复杂的结构用简单的位串编码表示,通过位串的复制、变异、杂交、反转等遗传算子的操作改变这种结构,使系统通过多次变换达到理想的结果.GA 方法的求解过程简单,不受搜索空间的限制性假设的约束,能从离散、多极值、有噪声的多维问题中通过随机搜索和优化找到全局最优解,在已知系统目标但无法确知求解过程的决策问题非常适用24,25;1962 年,Zadeh 提出了模糊数学方法,用来处理语言描述的模糊性.可以把复杂的系统分解为许多简单的局部问题,在很多领域的决策问题中得到应用25,44.4.3数据仓库和数据挖掘1990 年,Inmon 提出了数据仓库的概念,数据仓库通过多数据源信息的概括、聚集和集成,建立面向主题、集成、时变、持久的数据集合,从而为决策提供可用信息25,29.与数据仓库同时发展起来的 OLAP(联机分析处理)技术通过对数据仓库的即席、多维、复杂查询和综合分析,得出隐藏在数据中的总体特征和发展趋势.目前,数据仓库和OLAP 技术已相当成熟,出现了 Business Object、Powerplay 等多维分析工具,并已经在企业决策中发挥着重要作用.在美国,几乎所有的大型企业都已经建立或规划建立自己的数据仓库.数据挖掘(data mining)是一个从大量数据中析取有用的、前所未知的和最终可理解的知识的过程.20 世纪 90 年代中期以后,国内外研究者逐渐将研究重点转移到数据驱动的知识发现方法,利用人工神经网络、决策树、机器学习等方法,发现已知和未知的知识,使数据挖掘成为不需人工干预的自动过程25.目前这种方法往往与知识工程相结合,通过数据挖掘获得知识,再把知识放入知识库中用于推理,IBM 的 Neggets 就采用了这种方式.这种方法尚不成熟,需要与用户驱动的知识发现结合使用.数据仓库和数据挖掘直接从历史数据中获得对决策至关重要的信息,又称为数据驱动的决策支持方法4.4基于范例推理(case-based reasoning)基于范例推理是从过去的经验中发现解决当前问题线索的方法.过去事件的集合构成一个范例库(case base),即问题处理的模型.当前处理的问题成为目标范例,记忆的问题或情境成为源范例,CBR 处理问题时,先在范例库中搜索与目标范例具有相同属性的源范例,再通过范例的匹配情况进行调整.基于范例推理简化了知识获取的过程,对过去的求解过程的复用,提高了问题求解的效率,对有些难以通过计算推导来求解的问题,可以发挥很好的作用24,28,45.5决策支持系统中的认知问题决策过程一直是决策和行为理论的研究重点,被很多研究者作为区分决策支持系统和其他信息系统(如管理信息系统、专家系统等)的标志.决策支持系统研究者都或多或少的受到 Simon决策阶段论的影响,把决策过程分为情报、设计和选择等阶段.Simon 的决策模型不仅用来解释决策过程,而且是 DSS 实现的理论依据.在决策支持系统的实现上,采用数据库、模型库、方法库等436系统工程学报第 17卷第 5期部件,完成数据的存储、操作与访问;辅助决策者通过模型对数据操作;通过方法来对模型求解,形成决策方案.这些过程刚好对应了 Simon 的决策阶段理论26,45-47.信息在决策中的作用与信息的特性有关.信息的特性一般包括以下方面48:信息量、信息的形式(语法信息)、内容(语义和语用信息)、时效性、可靠性、完备性等,信息技术的发展和信息处理的要求已经使决策研究突破信息本身的特性,转而研究为决策者提供合适的信息的方法.如决策需要的信息量、信息显示方式、决策者能够处理的信息量、决策过程更依赖于信息的可靠性还是完备性等,对这些方面的综合才能保证决策者获得合适的量、质和形式的信息.常规的决策理论显然更倾向于认为人的思维总是采用结构化的决策过程,但在复杂环境中,尤其是决策所需的信息和知识并不充分的情况下,受人的认知和感知能力的限制,人类思维并不总是如 Simon 所述那样充满理性,也不可能完全由演绎推理实现,往往采用启发式推理和定性与定量的综合方法43,49.实际上很多人类思维来自于灵感和头脑风暴,目前为止人类对这一过程还缺乏足够的理解.决策过程同时也是学习过程,是认知理论的又一发现.学习不是 DSS 的副产品,而是 DSS 的重要贡献46.实际上,学习能力已经成为 IDSS 的重要特征.有些文献把学习过程引入到决策支持系统中,产生了另一种 DSS,其主要目标不是问题求解,而是提供一种面向不同决策环境的灵活性.对决策过程的理解的加深一直在推动人机对话方式的进步.如多媒体、超文本技术、人工智能技术的进步都在促进系统向与人更好的交互和“愉悦性”方向发展.6IDSS面临的挑战和进一步的研究方向Morton 提出了决策支持系统研究的 8 个方向:原型设计、方法构造、概念设计、实验研究、领域测试、总结归纳、案例研究、推断与思考.这些方面的研究为 DSS 的发展提供了理论和实践基础.这些方面的研究仍是 IDSS 研究的重要内容.但IDSS 的智能性决定了 IDSS 不同于 DSS 的特点.在 IDSS 的研究中,决策环境的不确定性,信息的不完全、不精确性,决策信息的分布性特点等,都给 IDSS 带来新的挑战,更高智能的 IDSS 需要这些方面的研究进展47,对这些问题的探索形成了新的研究方向:(1)智能决策方法的综合和知识融合IDSS 的核心是知识和知识处理.决策中用到的知识总是和特定应用领域相关,不同的领域对知识的表示和处理具有不同的特点,不同智能决策方法有其特点和适用范围,方法的综合成为提高系统决策能力的重要途径.如机器学习理论、神经网络、模糊逻辑、遗传算法与专家系统的结合,定性与定量方法的结合,传统的偏好模型与专家系统技术的结合,专家系统与数据库系统的结合等,形成具有更好智能行为的混合智能系统,已经成为 IDSS 中知识系统研究的主要领域50-52.同时,决策信息来源的多样性对信息融合也提出了新的要求.如何综合来自不同方面的信息为一个决策目标服务是决策中的常见问题,经历了从简单叠加到优化的线性组合的过程,采用逻辑、线性优化、决策树和神经网络等可以实现不同层次的信息融合,目前采用证据理论、贝叶斯网络等不确定性推理技术进行信息融合也取得了一些成果53.这一领域的更高目标是要寻找更为一般的知识表示和推理算法.(2)决策过程的理解决策过程的理解是建立智能决策支持系统的基础.目前,对人类决策过程的理解还仅限于具有明确过程性和可计算性的部分,对更高级的人类决策过程还缺乏明确的认识.事实上,人类决策包含的问题识别、问题分解与求解过程等多个方面,需要多种知识和方法的综合.人类的认知能力几乎是无限的,只有人类能在复杂多变的环境中,在具有不完备、不确定甚至是错误的信息的情况下,做出正确的决策,对人类决策的理解是建立更高智能的决策支持系统的关键.对决策过程的理解实际上是对人类智能的认识.目前为止,仍没有更好的方法对人的思维过程进行准确模拟.(3)时空与多维决策过程目前,决策支持系统的研究大多集中在决策问题的求解过程方面,而决策行为总是与决策过程和决策环境的各个方面相联系.在决策过程中4372002 年 10月任明仑等:智能决策支持系统:研究现状与挑战引入时间、空间等多维准则,可以突破时空限制,优化和改进决策过程,提高支持决策效果.时间是决策的内部维,决策者在决策过程中能够感知自身的存在,并与决策问题的时间要求相联系,如在决策的实时性要求较高的场合,时间可能就是最重要的决定因素;空间维则用来观察外部世界,与决策环境的空间因素相联系,一般用来描述对决策具有重大影响的因素,如不同意见及其带来的额外信息等.很多决策过程已经对时间和空间因素提出相当高的要求48,50,51,54,这些因素反过来又对决策支持系统的理论和方法提出了新的挑战.(4)分布式并行化决策求解决策环境的复杂性常常会超出人的求解能力,促使研究者抛开传统的模型求解方法,转而寻求新的技术.同时技术的不断进步,尤其是 IT 的进步,也在为 IDSS 的研究提供更为有力的手段和工具.目前随着计算机网络的发展,决策环境出现了新的特点:分析、决策中使用的数据不再集中于一个物理位置,而是分散到不同的地区、部门;运行在 Internet/Intranet 环境里的分析、决策模型及知识处理方法也从集中式处理发展为在网络环境下的 分布、或分布再加上并行的处理方式55.同时,决策的可行解本身也存在计算效率问题,有时候 IDSS 的顺序计算结构也会成为决策的瓶颈.对复杂决策问题的并行求解已得到广泛关注,分布式数据仓库、分布式决策处理的研究以及分布式人工智能技术的应用、并行决策计算等已成为新的研究热点.(5)基于知识的人机交互决策支持系统强调决策过程的交互性,对人机对话系统有较高的要求,近年来,基于知识的交互方式是目前研究的方向,长期以来,人们对数据、信息和知识的认识仅限于数据信息知识的单链条关系,实际上,从数据中获得信息,再从信息中获得知识,仅仅是决策过程的开始,对数据、信息和知识的关系的研究表明,对其它关系的研究对提高决策质量也具有重要意义.在如何从数据中提取信息、信息如何呈现给决策者等问题中,知识发挥着重要作用,对这些问题的研究产生了数据知识信息知识数据的循环或网状关系等.随着信息技术的发展,人机界面的研究也已经从简单的菜单驱动和多媒体界面发展到智能化、多通道界面,除了传统的输入方式外,还允许语言、手势、视觉等多种交互方式.其中,采用multi-agent 等技术实现多通道界面的研究成为IDSS 对话系统的一个发展方向.参 考 文 献:1ER M C.Decision support systems:A summary,problems and future trendsJ.Decision Support Systems,1988,4(4):355-3632Gottinger H W,Weimann P.Intelligent decision support systemsJ.Decision Support Systems,1992,8(4):317-3323Manheim M L.An architecture for active DSSC.21stInternational Conference on System Science