云環境條件下智能決策支持系統理論研究 *

姜相爭，李凱，李貴茹，趙張鵬

（陸軍工程大學 石家莊校區，河北 石家莊 050003）

0 引言

軍事智能決策是現代作戰體系的重要組成部分，是奪取戰爭勝利的核心部分。在具有智能化特征的信息化戰爭時代，戰場具有作戰力量多元、任務轉換頻繁、作戰空間相互交融、戰場情況瞬息萬變、信息瞬時涌現等特點，時效性要求不斷提高，戰爭進入發現即摧毀的“秒殺”時代。傳統的基于專家系統的智能決策支持系統已難以跟上現代戰爭節奏變化的速度，迫切需要研發功能更加多樣、指揮更加高效的智能決策支持系統［1-3］。

隨著云計算、大數據、機器學習、神經網絡等技術的成熟與發展，決策環境的云端化、決策資源的共享化、決策數據的涌現化、決策流程的協同化的特點更加鮮明［4-5］。要求軍事智能決策支持系統必須由傳統結構化的、適應性弱的基于規則推理的決策模式向非結構化的、自學習的、自適應的決策模式轉變，決策驅動方式由“條件-結論”式驅動向“條件-結論-學習”式驅動轉變，決策模式由固定模式決策向自我更新模式轉變。針對上述情況，本文提出了一種在云環境下，人工神經網絡與專家系統并行集成的智能決策支持系統。

1 云環境下的智能決策支持系統

1.1 智能決策支持系統介紹

智能決策支持系統（intelligent decision support system，IDSS）是在決策支持系統（decision support system，DSS）的基礎上發展起來的，具有知識化結構和智能化推理等特點的決策系統。其實質是通過決策支持系統與人工智能技術（artificial intelligence，AI）的結合，將智能技術和思想融入到決策支持系統之中，充分發揮智能化技術在模糊判斷分析和智能推理決策方面的優勢，有針對性地解決結構化、半結構化甚至非結構化的決策問題，為指揮人員作出正確決策提供智能型人機交互信息系統［6］。

決策支持系統一般是由數據庫子系統、模型庫子系統、方法庫子系統等子系統組成。在決策支持系統的基礎上，增加推理機、知識庫，問題處理與人機交互子系統，就形成了簡單的智能決策支持系統。其基本結構圖如圖1 所示［7］。

圖1 傳統的IDSS 基本結構圖Fig. 1 Traditional IDSS basic structure diagram

從圖1 可知，智能決策支持系統是一種多庫系統結構，由模型庫子系統、數據庫子系統、方法庫子系統、知識庫子系統、推理機等基本部件組成。其中，模型庫子系統是智能決策支持系統中最復雜與最難實現的核心部件，是負責存儲、構建和管理決策模型的計算機軟件系統；數據庫子系統是方法庫和模型庫的基礎，對二者起著支撐作用，其主要功能是用于存儲、提供、管理和維護決策支持系統數據；方法庫系統是智能決策支持系統中數據庫系統和模型庫系統的綜合體，主要功能是用于存儲、管理、調用及維護決策系統中的通用算法、標準函數等方法；知識庫系統是智能決策支持系統中存放模型決策規則和專家經驗規則的部件，主要用于在決策過程中提供分析和解決問題的規則；推理機是智能決策支持系統中進行智能推理的一組程序，主要功能是針對當前實際的決策問題，依據知識庫中的具體的知識案例，運用在方法庫中合適的推理原則，匹配模型庫中具有相同屬性的模型，進行智能推理決策。

1.2 云環境對決策支持系統的影響

在云環境下，決策資源可以看作是在一個共享式虛擬的數據處理平臺。其核心思想是通過網絡鏈接，將分散在不同區域、具有不同功能的計算資源進行統一管理和調度，形成虛擬資源池，滿足不同用戶的決策需求［8］。云環境是一種完全開放的、動態的服務環境，具備強大的存儲能力和決策處理能力，能夠根據決策主體的需要提供各種計算與決策資源。與其他條件下的決策支持系統相比，云環境下的決策支持系統具有以下新的特點：

（1） 決策資源豐富。云環境下，數據資源、信息資源、知識資源等各種資源的異構性被屏蔽，在云端匯集形成一種彈性、動態的決策云資源池，以云的方式為用戶提供服務。云平臺通過構設高擴展性、高配置性、高透明性的智能決策環境，實現決策數據、信息、知識的云端交互，以增強決策資源共享的實效性，可以根據不同用戶的動態需求，提供實時的決策資源。

（2） 決策能力強大。智能決策支持系統能夠在決策過程中通過將龐大的決策任務分布在由大量計算機構成的決策資源池上，借助云端強大的并行分布式計算能力，對海量決策數據進行快速處理，使得以前由于計算量巨大而無法完成的決策處理任務，依托云平臺整合、管理、調配分布在網絡各處的計算資源，即可高效、準確地完成。

2 智能化決策支持系統結構分析

2.1 基于專家系統的智能決策支持系統分析

在IDSS 發展的初始階段，研究方向主要是DSS與人工智能技術中的專家系統（expert system，ES）的結合。該系統的智能性主要體現在利用專家系統的知識推理能力解決實際的決策問題，其知識的獲取途徑是將專家的知識按一定的知識表示形式輸入決策支持系統的知識庫中。

傳統智能決策支持系統存在的缺陷主要表現在以下幾個方面［9］：一是知識獲取困難。基于專家系統的智能決策支持系統在進行決策的過程中，其知識獲取行為是靜態的、被動的，即系統缺乏自我學習機制，只能按照既定的規則對實際決策問題進行分析處理，難以進行知識和經驗的自動化積累，知識的獲取方式缺乏靈活性和適應性差，知識庫更新困難。二是系統的脆弱性。傳統IDSS 通常使用符號邏輯機制，通過非數量化的邏輯語句來表達知識，用程序化的推理方式進行問題求解，要求知識的表達非常準確。由于大部分決策問題是非程序化的，當處理問題所需知識超出或偏離了知識庫的范圍時，就無法得到正確的推理結果。三是封閉性。傳統IDSS 系統是單獨個體，系統之間無法實現信息的互聯互通，這就決定了決策系統只能利用自身決策資源，難以實現決策資源的共享共用，難以形成分布式決策能力對瞬間涌現的戰場數據進行快速處理。上述問題制約了ES 的進化與發展，同時也限制了基于ES 的IDSS 知識庫的自我更新。

2.2 基于人工神經網絡的智能決策支持系統分析

人工神經網絡結構一般由輸入層、隱含層和輸出層組成。每一層都由大量用以對戰場信息進行加工處理的神經元組成，相鄰的層之間均由用以提供信息通道并能夠儲存一定信息的權相連。人工神經網絡通過上述結構模式模仿人的神經網絡，是一種具備較強模式識別能力、學習記憶能力和海量數據并行處理能力的非線性自適應系統，能夠快速有效地處理海量非結構化的數據［10］。

基于人工神經網絡的智能決策系統是通過借助計算機或可實現的物理器件來模擬生物體中神經網絡的某些功能與結構，就其性質而言，該系統屬于基于案例學習的決策模型系統［11］。相比于其他決策支持系統，該智能決策支持系統的知識庫無需大量規則，也不需要進行樹的搜索，而是通過建立人工神經網絡進行系統自組織、自學習、自進化，實現系統知識庫自動更新。該系統能夠解決基于專家系統的智能決策系統在開發過程中的知識獲取困難、表達死板和難以并行推理等問題，大幅提升決策支持系統的智能化水平。

2.3 智能決策支持系統的并行結構設計

在云環境條件下，對專家系統和人工神經網絡系統進行集成耦合，構建并行結構的智能決策支持系統。該系統能夠將專家系統的知識推理能力與人工神經網絡的自我學習進化能力充分結合，克服傳統智能決策支持系統固有的學習能力弱、知識庫更新困難等缺陷，能夠顯著提升智能決策的效率［12-13］。基于這種思路實現的神經網絡與專家系統并行結構的智能決策支持系統，其結構如圖2所示。

圖2 智能決策支持系統并行結構圖Fig. 2 Parallel structure diagram of IDSS

（1） 人工神經網絡的自學習

利用專家系統和云端決策資源為人工神經網絡提供的訓練樣本進行知識學習，并監督和指導學習過程，使神經網絡塊庫存儲相關知識和規律，不斷充實完善人工神經網絡系統知識庫。

（2） 專家系統知識庫的更新

針對由感知端提供的新鮮的、不完善的、部分錯誤的甚至矛盾的數據，這類數據無法與專家系統規則條件相匹配，必須通過訓練成熟的神經網絡，對其進行求解后，進行推理規則的提取，并用于專家系統知識庫的更新。

（3） 決策問題處理流程

將訓練好的神經網絡塊庫和更新后的專家系統知識庫納入知識庫管理系統。在處理實際決策問題時，根據所提供的決策資源，可以合理地選擇專家系統或者神經網絡進行獨立決策。當獲取的戰場信息是規則的，符合專家系統知識庫要求的，則優先選用專家系統進行決策；當獲取的戰場信息是新鮮的，在專家知識庫中搜索不到時，則不能啟動專家系統進行推理，智能決策支持系統會將獲取的戰場信息傳送到神經網絡模塊，由訓練好的神經網絡進行推理決策。

3 智能決策支持系統推理過程分析

3.1 基于專家系統的IDSS 推理機制

專家系統推理是根據知識庫中的推理規則進行的，其規則常用if-then 的形式來定義問題領域內概念間的邏輯關系。在進行規則推理時，如果實際條件與if 子句相吻合，則激活相關結論then子句［14］。

基于專家系統的IDSS 采用模糊推理方法進行規則推理［15］，其算法過程如下：

其 中，A1，A2，…，An屬于規則條件；A1'，A2'，…An'是事實條件；C是規則條件下的推理結論；C′是事實條件下的推理結論；CFr是規則條件的可信度；CFf是事實條件的可信度；CFc是推理結論的可信度。

現 實 條 件A1'(t′1)，A2'(t′2)，…，An'(t′n)中，t′i是 可信度，如果現實條件的可信度符合max{0，ti-t′i}≤λi(i= 1，2，…，n)，則說明現實條件與上述規則條件匹配，其中，λi是不同條件的閾值。閾值的存在能夠有效提高推理結論的可信度，同時使推理過程更加簡捷、快速。

事實可信因子為

式中：bi= 1 - max {0，ti-ti'}，i= 1，2，…，n。

對于精確型推理規則，在知識庫規則條件與事實進行匹配的過程中，不存在模糊集合之間的運算，需在A′和A完全匹配時才能啟用相應規則。在這種情況下，結論C′與C相等，此時推理結論的可信度為

對于模糊-精確型規則，即A是模糊集合，當匹配事實A′與模糊集合A同屬于一個模糊模板，模糊變量A和事實A′的值分別由模糊集合Fa和Fa'表示，模糊變量A和A′的值不相等時，則兩者相交，事實推理結論C′與規則推理結論C相等，并確定結論可信度為

式中：S為模糊集合Fa和Fa'的相似程度的度量。

建立在必要性度量N和可能性度量P基礎上的相似程度的度量S值可根據如下公式計算：

式中：P(Fa|F′a)= max(min(μFa(u)，μF′a(u)))u ∈U； N(Fa|F′a) = 1 - P(|F′a)。而是由以下隸屬函數定義的Fa 的補集：

上述推理過程的實現：運用專家系統開發語言CLIPS 對推理過程進行編程，其語法規則可以概括為“事實命題+可信度”：（事實命題CF［可信度］），CF 為事實命題與可信度之間的分隔符，[·]應代表一個命題可選項。其中，可信度作為語法規則的重要部分，可以在規則的任何部分對可信度進行描述。

在基于專家系統的IDSS 處理決策問題時，每完成一個完整的決策問題推理，輸入產生器將專家系統的處理結果生成相應的事例，將其轉換為符合神經網絡系統數據要求的樣本事例，建立訓練數據庫對神經網絡進行訓練，如圖3 所示。其轉換過程：在決策事例中的if-then 的邏輯關系描述語句中，在if語句中提取事例的屬性特征值，即神經網絡的輸入值，在then 語句中提取事例的決策結果值，即輸出值，輸入值與輸出值組合就產生了一個訓練樣本，隨著決策事例的增多，就形成了訓練樣本集。通過產生的訓練樣本對人工神經網絡進行訓練，得到用于決策的神經網絡模型，用于處理超出專家系統知識范圍的決策問題。

圖3 訓練樣本產生過程示意圖Fig. 3 Schematic diagram of the training sample generation process

3.2 基于神經網絡的IDSS 推理機制

基于專家系統的IDSS 適用于那些側重于知識并且知識能夠形式化表達的領域，推理比較精確，而且邏輯性強，容易理解。當面對知識貧乏、信息不完整的情況時，單純規則推理則顯得無能為力。神經網絡與專家系統的推理過程不同，它是非線性的并行處理系統。在規則不完備、信息不完全的情況下，專家系統不能依靠自身的規則推理解決實際問題時，決策系統將使用神經網絡進行決策［16］。其推理過程如下：

假設云平臺或專家系統提供的訓練樣本輸入集為X={X1，X2，…，XN}，其中Xi= (xi1，xi2，…，xi m)；Xi為訓練樣本輸入集的不同輸入情況；xij為該情況包含的第j個元素。訓練樣本的輸出集為，其中Yi為訓練樣本輸出集的不同輸出情況，yij為該情況包含的第j個元素。

建立神經網絡模型

式中：X為神經網絡輸入集；Θ為神經網絡學習的每層權重參數集合；J(Y，P)為神經網絡的輸出，包含輸出集Y和對應的置信度P兩部分內容；f(·)為神經網絡各層組成的計算函數。通過云平臺或專家系統提供的輸入集和輸出集訓練神經網絡模型，確定權重參數集合Θ。

面對新的輸入集X′，經訓練成熟的神經網絡計算輸出結果為

式中：新的輸入集X′按照所學知識，在原輸出集中選取并確定輸出Y′=Yi，并給出其相應的判定置信度Pi，即

神經網絡系統認定擁有最大置信度Pi（即Pi＞Pj，j∈{1，2，…，N}，j≠i）的Yi為 解 決 新 輸 入 集X′的方案。如果Pi＞α，則認定Yi為適合解決輸入集X′的最終方案，否則將Y*認定為適合解決輸入集X′的最終方案：

其中，α為判定閾值，根據經驗獲得，而且可根據實際情況調整。

人工神經網絡結構主要包括3 個部分： 輸入轉換和選擇器、神經網絡算法、輸出轉換器，其結構如圖4 所示。作為一種數值計算方法，神經網絡算法的輸入量和輸出量都是數值向量。因此，輸入轉換和選擇器的主要作用是將輸入信息轉換為數值信息，用于神經網絡識別應用；輸出轉換器的主要作用是將輸出的決策信息轉換成專家系統能夠識別讀取的邏輯信息，用于專家系統知識庫的更新。其轉換過程：將神經網絡的輸入量轉換成專家系統規則的if 語句，神經網絡的輸出量轉換成專家系統規則的then 語句，形成ifthen 的規則形式。

圖4 神經網絡結構示意圖Fig. 4 Schematic diagram of neural network structure

4 結束語

本文主要對云環境下的新型智能決策支持系統進行了設計分析。首先，在介紹決策支持系統和云環境的基礎上，分析了云環境對決策支持系統的影響；其次，提出了在云環境下智能決策支持系統的并行結構模式。通過采用并行結構模式，將人工神經網絡與專家系統進行集成；最后，對并行結構的智能決策支持系統的工作原理和推理過程進行了分析。由于戰場信息存在不完全、數據結構不規則、信息海量涌現等情況，為了提高決策支持系統的實用性和可操作性，還需要進一步研究該決策支持系統的工程化應用能力。