智能决策系统综述

智能决策研究综述1、序言智能决策支持系统是人工智能（AI，Artificial Intelligence）和DSS相结合，应用专家系统（ES，Expert System）技术，使DSS能够更充分地应用人类的知识，如关于决策问题的描述性知识，决策过程中的过程性知识，求解问题的推理性知识，通过逻辑推理来帮助解决复杂的决策问题的辅助决策系统。

IDSS的概念最早由美国学者波恩切克（Bonczek）等人于80年代提出，它的功能是，既能处理定量问题，又能处理定性问题。

IDSS的核心思想是将AI与其它相关科学成果相结合，使DSS具有人工智能。

智能决策理论和方法建立在信息科学、管理科学、系统科学、行为科学、数学、人工智能以及社会学、心理学、经济学等领域科学的基础上, 在政治、经济、军事、科技、文化等方面具有广泛的指导意义和应用价值。

从单人决策到群体决策[1]、从单目标决策到多目标决策[2]、从静态决策到动态决策[3]，智能决策理论和方法已经发生了巨大的变化. 随着决策者获取的决策信息的特征不断变化, 决策环境已经由确定型向不确定型转变, 决策过程正在由结构化向非结构化过渡, 而相应的决策支持系统也从集中式向分布式发展[4]。

日益复杂且不断变化的决策环境正在不断地影响着决策问题的描述。

决策过程的求解以及决策支持系统的构建等多个方面。

云计算(Cloudy computing) 环境是近年来在互联网基础上建立的一种新型信息服务环境. 目前, 关于云计算并没有统一的定义, 但总的说来, 云计算是一种通过互联网络将虚拟化的数据中心和智能的用户终端有机地联系起来, 提供便捷服务的信息服务环境[5] . 云计算提供了方便按需的网络接入模式和多种可配置的服务资源共享池, 能够通过较少地管理工作或者较少地与服务者的交互实现对资源的快速定制与释放.然而, 需要指出的是, 云计算并不是凭空出现的, 也不是名词的炒作, 它是在现有虚拟化技术、互联网技术以及信息终端技术等多类信息技术以及决策科学、服务科学、管理科学等多门学科的基础上发展而形成的, 所以云计算有着其自身的理论和技术基础. 但是, 另一方面, 云计算又不是上述理论和技术的简单组合, 而是提供了一种新型的计算服务环境和商业服务环境, 所以云计算又与以往的服务环境、决策环境等存在着本质的区别.云计算环境下的智能决策就是针对云计算环境下决策问题的新特点和新要求, 综合运用系统理论、信息技术、运筹方法等多种理论、技术和方法, 研究智能决策中的决策过程、准则、类型以及方法. 决策环境的开放性、决策资源的虚拟化、决策问题的非结构化以及问题求解的协作性使得云计算环境下的智能决策呈现出了与传统智能决策以及分布式智能决策所不同的特征.云计算环境不仅能够通过云端为决策过程提供了大量的原始信息, 而且能够通过云计算中心为存储和管理决策过程中的这些信息提供了庞大的存储空间和强大的计算能力. 同时, 云计算环境下海量的信息服务和决策资源还能够为智能决策过程提供有效的支持, 根据决策者的需求与偏好选择合适的资源进行服务.因此, 云计算环境不仅改变了复杂决策问题的求解方式和过程, 而且改变了相应的智能决策支持系统的体系与结构, 云计算环境下的智能决策研究已经成为当前智能决策理论与方法中的重要科学问题之一。

2、系统结构较完整与典型的DSS结构是在传统三库DSS的基础上增设知识库与推理机，在人机对话子系统加入自然语言处理系统 (LS)，与四库之间插人问题处理系统(PSS)而构成的四库系统结构。

智能人机接口四库系统的智能人机接口接受用自然语言或接近自然语言的方式表达的决策问题及决策目标，这较大程度地改变了人机界面的性能。

问题处理系统问题处理系统处于DSS的中心位置，是联系人与机器及所存储的求解资源的桥梁，主要由问题分析器与问题求解器两部分组成。

1）自然语言处理系统：转换产生的问题描述由问题分析器判断问题的结构化程度，对结构化问题选择或构造模型，采用传统的模型计算求解；对半结构化或非结构化问题则由规则模型与推理机制来求解。

2）问题处理系统：是IDSS中最活跃的部件，它既要识别与分析问题，设计求解方案，还要为问题求解调用四库中的数据、模型、方法及知识等资源，对半结构化或非结构化问题还要触发推理机作推理或新知识的推求。

3、知识库子系统和推理机知识库子系统的组成可分为三部分：知识库管理系统、知识库及推理机。

1）知识库管理系统。

功能主要有两个：一是回答对知识库知识增、删、改等知识维护的请求；二是回答决策过程中间题分析与判断所需知识的请求。

2）知识库。

知识库是知识库子系统的核心。

知识库中存储的：是那些既不能用数据表示，也不能用模型方法描述的专家知识和经验，也即是决策专家的决策知识和经验知识，同时也包括一些特定问题领域的专门知识。

知识库中的知识表示：是为描述世界所作的一组约定，是知识的符号化过程。

对于同一知识，可有不同的知识表示形式，知识的表示形式直接影响推理方式，并在很大程度上决定着一个系统的能力和通用性，是知识库系统研究的一个重要课题。

知识库包含事实库和规则库两部分。

例如：事实库中存放了“任务A是紧急订货”、“任务B是出口任务”那样的事实。

规则库中存放着“IF任务i是紧急订货，and任务i是出口任务，THEN任务i按最优先安排计划”、“IF任务i是紧急订货，THEN任务i按优先安排计划”那样的规则。

3）推理机推理：是指从已知事实推出新事实 (结论)的过程。

推理机：是一组程序，它针对用户问题去处理知识库 (规则和事实)。

推理原理如下：若事实M为真，且有一规则“IF M THEN N”存在，则N为真。

因此，如果事实“任务A是紧急订货”为真，且有一规则“IF任务i是紧急订货THEN任务i按优先安排计划”存在，则任务A就应优先安排计划。

4、系统特点1、基于成熟的技术，容易构造出实用系统。

2、充分利用了各层次的信息资源。

3、基于规则的表达方式，使用户易于掌握使用。

4、具有很强的模块化特性，并且模块重用性好，系统的开发成本低。

5、系统的各部分组合灵活，可实现强大功能，并且易于维护。

6、系统可迅速采用先进的支撑技术，如AI技术等。

5、运行效率由于在IDSS的运行过程中，各模块要反复调用上层的桥梁，比起直接采用低层调用的方式，运行效率要低。

但是考虑到IDSS只是在高层管理者作重大决策时才运行，其运行频率与其他信息系统相比要低得多，况且每次运行的环境条件差异很大，所以牺牲部分的运传效率以换取系统维护的效率是完全值得的。

6、云计算环境对智能决策的影晌在决策环境方面, 分布式的决策环境虽然比以往的决策环境更加具有不确定性, 但是其不确定性是由决策信息的不确定性所引起的, 参与决策的主体、资源以及相应的决策过程仍然是相对确定的.然而, 云计算环境则是一个完全开放的服务环境, 在进行智能决策的过程中, 不仅各种服务资源能够自由地加入或者退出云计算环境, 具有很强的不确定性和动态性, 而且参与决策的主体规模也能够动态地在云中伸缩, 极大地影响了整个云计算环境下的决策过程.目前, 针对确定性环境下的智能决策问题, 已有大量的学者展开深入的研究, 形成了较为系统的理论方法研究体系和诸多典型的实际应用案例、[6-9] .但是, 由于人们所处的决策环境更多的还是不确定性环境, 因而如何在动态、多变以及具有多种不确定性因素的环境下做出科学合理的决策是许多研究人员致力于解决的关键问题.例如, 在不确定性环境下的智能决策过程中, 由于每个专家的知识总是有限的、不完全的, 并且能够以符号逻辑表示并用来推理的知识更为有限, 所以必须对这些知识进行预处理以形成支持决策的决策信息, 同时还要对决策信息的一致性、可靠性进行分析、判断和度量, 设计合理高效的决策过程, 实现准确合理的决策结果。

云计算环境则是一类特殊的不确定性环境, 是一个完全开放的服务环境, 其自身的体系结构、标准、系统平台、软件服务等都是开放的, 而决策资源是可扩展的, 决策主体也是动态变化的. 作为一种以服务为对象的技术, 云计算服务通常分为三个层次:软件即服务(Software as a servie , SaS) 、平台即服务(Platiform as a serviee, Pas ) 、基础设施即服务(rastructu re as a serviee , Iaas ). 自从云计算的概念提出以后, google 、Microsoft、IBM、Amazon 等公司已分别建立了各自的云计算环境, 其主要服务模式和服务业务如表1所示.7 云计算环境下的决策资源管理根据决策资源的管理方式不同, 可以将决策资源的管理划分为集中式决策资源管理和分布式决策资源管理.在集中式决策资源管理中, 决策者拥有决策资源的全部信息, 能够根据环境的变化, 对决策资源进行集中式的调度与分配[16,7] , 但在实际中的决策资源管理问题更多的是分布式决策资源管理[9] .而云计算环境是一种特殊的分布式环境, 它拥有超大规模的各种决策资源(数据资源、模型资源、知识资源等), 但是这些决策资源通常并不集中在一地, 而是分布在各地数以万计的不同服务器上. 与分布式环境下的智能决策不同的是, 这些决策资源不是一成不变的, 它们可以根据决策者的需求进行组合或扩展, 具有较好地可伸缩性.此外, 云计算环境下的智能决策采用虚拟化技术对决策资源进行管理, 使得决策者无需为繁琐的求解过程烦恼, 从而能够更加专注于决策问题本身的描述和建模.可见, 云计算环境下的决策资源管理就是对决策资源的计划、预测、组织、分配、协调和控制的过程, 以确保决策资源的有效利用, 是决策资源管理的高级形态, 如图1所示.在云计算环境下，通过对求解复杂决策问题和决策任务的多种决策资源进行组合与优化, 能够提高决策资源的服务效率和服务质量. 例如, waheed 等人[20]针对当前云计算服务提供商在SL啊协议中未加入响应时间的问题, 提出了自动检测资源响应时间的方法, 并设计了相关的原型系统; Li 等人[21]采用反馈控制理论,建立了云计算的虚拟化资源适应性管理模型, 并设计了可以动态调整多个虚拟化资源的自适应控制器, 以此来提高云计算应用服务的水平. 而在决策资源分配方面, 为了实现合理、经济、高效的分配效率, 需要兼顾资源、用户、环境等多方的因素, 建立有效的决策资源分配机制.例如, 在决策资源分配架构方面, Fan [2]提出了一种面向服务的云计算资源存储架构, 旨在使云计算环境下的资源得到有效的利用和管理; 在决策资源定位方面, Nelson 等人[23]采用虚拟机软件使得云计算管理平台能够动态地将决策资源定位, 灵活地进行部署; 在实现技术方面, Caron 等人[24]提出了一种利用网格中间件来满足云计算资源需求的方法, 并在EUCALYPTUS开源平台上进行了实验验证; Brandr 等人[25 ]研究了运用OVIS工具来对云计算环境下资源的检测、分析和分配等问题.与此同时, 由于云计算环境下的各类决策资源均以服务的形式存在和管理, 决策资源的定价机制也是其中一个关键的问题.在决策资源的管理过程中, 以市场竞争为基础, 引入经济学理论、博弈理论等方法, 也是该领域一个重要的分支, 对于云计算环境下的决策资源管理也同样具有重要的指导意义.例如, Chen 等人[26]提出了一种云计算环境下的基于市场模型的资源分配机制和定价机制, 通过Agent 建模来协商资源提供商与请求者以实现资源的合理分配的目标; Abramson 等人[27 ]设计了一种可以调度具有不同Qos 保障且分布在世界各地的决策资源的管理系统, 该系统可以根据经济调度原则和用户定义的QoS 需求实现包括资源发现、资源交易和资源调度在内的多种操作.可见, 虚拟化技术使得云计算环境下的决策资源管理在决策资源组织、分配、管理模式以及管理策略等方面与现有分布式环境下的决策资源管理都有着显著的不同, 云计算环境下决策资源的全生命周期管理仍然是一个非常复杂的过程性问题.对于云计算环境下的虚拟决策资源, 提高资源的管理水平和服务效率是保证云计算环境下智能决策的一个重要前提.8 云计算环境下的决策问题协同求解在决策问题建模与求解方面, 相对于其它环境下的决策问题, 云环境下的决策问题从性质上来看, 由于决策资源的虚拟化, 使得决策问题建模更加趋于非结构化;从认知程度上来看, 决策问题的不确定性程度也随着决策环境的开放程度及决策资源的变化程度而越来越大;从求解方式来看, 虽然仍需通过分布式计算实现决策问题的求解, 但是在决策问题的求解规模上已经发生了很大变化.这些都使得云计算环境下决策问题的复杂程度越来越大.另一方面, 由于云计算环境中的决策者常常面临着复杂的决策问题, 传统的人工智能方法以及启发式算法等也难以对其求解. 此外, 由于云计算环境下的个体决策者在能力、知识等方面都具有一定的局限性, 很难独立地实现对复杂决策问题的求解. 因此, 个体决策者之间、决策资源之间、决策者与决策资源之间都需要通过相互的协调与合作实现云计算环境下复杂决策问题的协同求解, 特别是对于重大工程决策、大型企业管理决策、社会公共事件处理决策等复杂大群体决策问题, 就显得尤为困难.目前, 在云计算环境下对于复杂决策问题的求解通常采用的模式, 即将决策问题按照一定的机制分解为若干个子问题, 然后将这些子问题的求解过程分别放在不同的云中执行, 再将求解的结果进行集结, 通过对子问题之间的协同求解实现复杂决策问题的求解. 现有的相关方法包括贝叶斯网络、Agent 理论、证据理论、粗糙集、模糊逻辑、概率推理等.对于云计算环境下复杂决策问题的分解, 贝叶斯网络是重要的方法之一, 它是由Pe arl 教授在贝叶斯方法基础上所构建的图模型, 已经在人工智能领域中的不确定性推理方面取得了许多成果, 其推理方法对决策问题的分解过程发挥了重要的作用. 贝叶斯网络是一个有向无环图, 其节点表示随机变量, 边表示变量之间的关系, 针对所构建贝叶斯网络的规模, 可以分别采用精确推理和近似推理算法进行分析, 并提供决策支持. 例如, 胡小建等人提出将决策表系统的分解问题归结为求解与决策表系统相应的多模块贝叶斯网及其d- 分割集, 证明了d- 分割集与连接联合森林之间的关系[28], 并针对数据搜索空间庞大的问题, 利用证据理论进行综合, 去除无意义的网络结构[29] , 进而提出问题分析、模型设计与模型测试等面向复杂问题的三阶段贝叶斯网建模流程[30]; S un 等人[3]采用启发式算法对各种潜在的变量进行选择, 并建立了用于预测破产的贝叶斯网络模型, 分析了多个变量对预测结果的影响.Agent 理论也是云计算环境下决策问题协同求解的关键技术之一, 它是一种具有自.主性、反应性以及社会性等特点的智能主体, 能够通过彼此之间的相互协调与协商完成复杂的决策任务.在决策的过程中, 每个决策者都被视为一个Agent, 根据其背景、知识、偏好等方面的不同, Agent也具有不同的决策策略、协商策略及其自身追求的目标, 通过多Agent系统的协调, 共同实现群体目标, 即实现对复杂决策问题的求解. 例如,Mark 等人[32 ]提出基于知识的A gen t组织形成方法, 分别在协作层和应用层上根据决策问题的长期目标产生Agent组织的形成机制以及Agent的求解策略; 而stian 等人[3]对于多指标决策问题中的Agent组织间交互过程进行建模, 为组织内的Agent建立最优的求解策略; zhn 等人[34]将强化学习方法引入Agent 组织的协同求解过程中, 并建立了监督学习机制以及相应的多层Agent组织模型.证据理论是由DemPster提出, 经shafe一步发展起来的一种处理不确定性信息的推理方法. 证据理论通过引入信任函数, 把不确定与不知道区分开来, 能够在先验概率未知的情况下, 以简单的推理形式, 得到较好的结果.证据理论通过构造识别框架形成对决策问题的所有可能方案, 再利用证据理论合成规则将不同来源的决策信息进行融合, 得到反映多源信息的融合结果.但是, 由于经典的证据合成规则通常存在、一票否决、扩冲突悖论、扩鲁棒性差、等问题, 因此现有的研究对证据合成规则的运用较为关注. 例如, Xul [35] 等人采用证据推理方法研究不确定环境下的多属性决策分析问题; 刘业政等人[36 ]利用效用信度函数将专家意见转换为效用信度, 建立了基于证据理论的效用分析方法; 杨善林等人、[9] 针对推理过程中证据冲突分配不合理等问题, 提出焦元距离和焦元相似度的概念，并建立新的合成规则。