云环境条件下智能决策支持系统理论研究 *

姜相争，李凯，李贵茹，赵张鹏

（陆军工程大学 石家庄校区，河北 石家庄 050003）

0 引言

军事智能决策是现代作战体系的重要组成部分，是夺取战争胜利的核心部分。在具有智能化特征的信息化战争时代，战场具有作战力量多元、任务转换频繁、作战空间相互交融、战场情况瞬息万变、信息瞬时涌现等特点，时效性要求不断提高，战争进入发现即摧毁的“秒杀”时代。传统的基于专家系统的智能决策支持系统已难以跟上现代战争节奏变化的速度，迫切需要研发功能更加多样、指挥更加高效的智能决策支持系统［1-3］。

随着云计算、大数据、机器学习、神经网络等技术的成熟与发展，决策环境的云端化、决策资源的共享化、决策数据的涌现化、决策流程的协同化的特点更加鲜明［4-5］。要求军事智能决策支持系统必须由传统结构化的、适应性弱的基于规则推理的决策模式向非结构化的、自学习的、自适应的决策模式转变，决策驱动方式由“条件-结论”式驱动向“条件-结论-学习”式驱动转变，决策模式由固定模式决策向自我更新模式转变。针对上述情况，本文提出了一种在云环境下，人工神经网络与专家系统并行集成的智能决策支持系统。

1 云环境下的智能决策支持系统

1.1 智能决策支持系统介绍

智能决策支持系统（intelligent decision support system，IDSS）是在决策支持系统（decision support system，DSS）的基础上发展起来的，具有知识化结构和智能化推理等特点的决策系统。其实质是通过决策支持系统与人工智能技术（artificial intelligence，AI）的结合，将智能技术和思想融入到决策支持系统之中，充分发挥智能化技术在模糊判断分析和智能推理决策方面的优势，有针对性地解决结构化、半结构化甚至非结构化的决策问题，为指挥人员作出正确决策提供智能型人机交互信息系统［6］。

决策支持系统一般是由数据库子系统、模型库子系统、方法库子系统等子系统组成。在决策支持系统的基础上，增加推理机、知识库，问题处理与人机交互子系统，就形成了简单的智能决策支持系统。其基本结构图如图1 所示［7］。

图1 传统的IDSS 基本结构图Fig. 1 Traditional IDSS basic structure diagram

从图1 可知，智能决策支持系统是一种多库系统结构，由模型库子系统、数据库子系统、方法库子系统、知识库子系统、推理机等基本部件组成。其中，模型库子系统是智能决策支持系统中最复杂与最难实现的核心部件，是负责存储、构建和管理决策模型的计算机软件系统；数据库子系统是方法库和模型库的基础，对二者起着支撑作用，其主要功能是用于存储、提供、管理和维护决策支持系统数据；方法库系统是智能决策支持系统中数据库系统和模型库系统的综合体，主要功能是用于存储、管理、调用及维护决策系统中的通用算法、标准函数等方法；知识库系统是智能决策支持系统中存放模型决策规则和专家经验规则的部件，主要用于在决策过程中提供分析和解决问题的规则；推理机是智能决策支持系统中进行智能推理的一组程序，主要功能是针对当前实际的决策问题，依据知识库中的具体的知识案例，运用在方法库中合适的推理原则，匹配模型库中具有相同属性的模型，进行智能推理决策。

1.2 云环境对决策支持系统的影响

在云环境下，决策资源可以看作是在一个共享式虚拟的数据处理平台。其核心思想是通过网络链接，将分散在不同区域、具有不同功能的计算资源进行统一管理和调度，形成虚拟资源池，满足不同用户的决策需求［8］。云环境是一种完全开放的、动态的服务环境，具备强大的存储能力和决策处理能力，能够根据决策主体的需要提供各种计算与决策资源。与其他条件下的决策支持系统相比，云环境下的决策支持系统具有以下新的特点：

（1） 决策资源丰富。云环境下，数据资源、信息资源、知识资源等各种资源的异构性被屏蔽，在云端汇集形成一种弹性、动态的决策云资源池，以云的方式为用户提供服务。云平台通过构设高扩展性、高配置性、高透明性的智能决策环境，实现决策数据、信息、知识的云端交互，以增强决策资源共享的实效性，可以根据不同用户的动态需求，提供实时的决策资源。

（2） 决策能力强大。智能决策支持系统能够在决策过程中通过将庞大的决策任务分布在由大量计算机构成的决策资源池上，借助云端强大的并行分布式计算能力，对海量决策数据进行快速处理，使得以前由于计算量巨大而无法完成的决策处理任务，依托云平台整合、管理、调配分布在网络各处的计算资源，即可高效、准确地完成。

2 智能化决策支持系统结构分析

2.1 基于专家系统的智能决策支持系统分析

在IDSS 发展的初始阶段，研究方向主要是DSS与人工智能技术中的专家系统（expert system，ES）的结合。该系统的智能性主要体现在利用专家系统的知识推理能力解决实际的决策问题，其知识的获取途径是将专家的知识按一定的知识表示形式输入决策支持系统的知识库中。

传统智能决策支持系统存在的缺陷主要表现在以下几个方面［9］：一是知识获取困难。基于专家系统的智能决策支持系统在进行决策的过程中，其知识获取行为是静态的、被动的，即系统缺乏自我学习机制，只能按照既定的规则对实际决策问题进行分析处理，难以进行知识和经验的自动化积累，知识的获取方式缺乏灵活性和适应性差，知识库更新困难。二是系统的脆弱性。传统IDSS 通常使用符号逻辑机制，通过非数量化的逻辑语句来表达知识，用程序化的推理方式进行问题求解，要求知识的表达非常准确。由于大部分决策问题是非程序化的，当处理问题所需知识超出或偏离了知识库的范围时，就无法得到正确的推理结果。三是封闭性。传统IDSS 系统是单独个体，系统之间无法实现信息的互联互通，这就决定了决策系统只能利用自身决策资源，难以实现决策资源的共享共用，难以形成分布式决策能力对瞬间涌现的战场数据进行快速处理。上述问题制约了ES 的进化与发展，同时也限制了基于ES 的IDSS 知识库的自我更新。

2.2 基于人工神经网络的智能决策支持系统分析

人工神经网络结构一般由输入层、隐含层和输出层组成。每一层都由大量用以对战场信息进行加工处理的神经元组成，相邻的层之间均由用以提供信息通道并能够储存一定信息的权相连。人工神经网络通过上述结构模式模仿人的神经网络，是一种具备较强模式识别能力、学习记忆能力和海量数据并行处理能力的非线性自适应系统，能够快速有效地处理海量非结构化的数据［10］。

基于人工神经网络的智能决策系统是通过借助计算机或可实现的物理器件来模拟生物体中神经网络的某些功能与结构，就其性质而言，该系统属于基于案例学习的决策模型系统［11］。相比于其他决策支持系统，该智能决策支持系统的知识库无需大量规则，也不需要进行树的搜索，而是通过建立人工神经网络进行系统自组织、自学习、自进化，实现系统知识库自动更新。该系统能够解决基于专家系统的智能决策系统在开发过程中的知识获取困难、表达死板和难以并行推理等问题，大幅提升决策支持系统的智能化水平。

2.3 智能决策支持系统的并行结构设计

在云环境条件下，对专家系统和人工神经网络系统进行集成耦合，构建并行结构的智能决策支持系统。该系统能够将专家系统的知识推理能力与人工神经网络的自我学习进化能力充分结合，克服传统智能决策支持系统固有的学习能力弱、知识库更新困难等缺陷，能够显著提升智能决策的效率［12-13］。基于这种思路实现的神经网络与专家系统并行结构的智能决策支持系统，其结构如图2所示。

图2 智能决策支持系统并行结构图Fig. 2 Parallel structure diagram of IDSS

（1） 人工神经网络的自学习

利用专家系统和云端决策资源为人工神经网络提供的训练样本进行知识学习，并监督和指导学习过程，使神经网络块库存储相关知识和规律，不断充实完善人工神经网络系统知识库。

（2） 专家系统知识库的更新

针对由感知端提供的新鲜的、不完善的、部分错误的甚至矛盾的数据，这类数据无法与专家系统规则条件相匹配，必须通过训练成熟的神经网络，对其进行求解后，进行推理规则的提取，并用于专家系统知识库的更新。

（3） 决策问题处理流程

将训练好的神经网络块库和更新后的专家系统知识库纳入知识库管理系统。在处理实际决策问题时，根据所提供的决策资源，可以合理地选择专家系统或者神经网络进行独立决策。当获取的战场信息是规则的，符合专家系统知识库要求的，则优先选用专家系统进行决策；当获取的战场信息是新鲜的，在专家知识库中搜索不到时，则不能启动专家系统进行推理，智能决策支持系统会将获取的战场信息传送到神经网络模块，由训练好的神经网络进行推理决策。

3 智能决策支持系统推理过程分析

3.1 基于专家系统的IDSS 推理机制

专家系统推理是根据知识库中的推理规则进行的，其规则常用if-then 的形式来定义问题领域内概念间的逻辑关系。在进行规则推理时，如果实际条件与if 子句相吻合，则激活相关结论then子句［14］。

基于专家系统的IDSS 采用模糊推理方法进行规则推理［15］，其算法过程如下：

其 中，A1，A2，…，An属于规则条件；A1'，A2'，…An'是事实条件；C是规则条件下的推理结论；C′是事实条件下的推理结论；CFr是规则条件的可信度；CFf是事实条件的可信度；CFc是推理结论的可信度。

现 实 条 件A1'(t′1)，A2'(t′2)，…，An'(t′n)中，t′i是 可信度，如果现实条件的可信度符合max{0，ti-t′i}≤λi(i= 1，2，…，n)，则说明现实条件与上述规则条件匹配，其中，λi是不同条件的阈值。阈值的存在能够有效提高推理结论的可信度，同时使推理过程更加简捷、快速。

事实可信因子为

式中：bi= 1 - max {0，ti-ti'}，i= 1，2，…，n。

对于精确型推理规则，在知识库规则条件与事实进行匹配的过程中，不存在模糊集合之间的运算，需在A′和A完全匹配时才能启用相应规则。在这种情况下，结论C′与C相等，此时推理结论的可信度为

对于模糊-精确型规则，即A是模糊集合，当匹配事实A′与模糊集合A同属于一个模糊模板，模糊变量A和事实A′的值分别由模糊集合Fa和Fa'表示，模糊变量A和A′的值不相等时，则两者相交，事实推理结论C′与规则推理结论C相等，并确定结论可信度为

式中：S为模糊集合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基础上的相似程度的度量S值可根据如下公式计算：

式中：P(Fa|F′a)= max(min(μFa(u)，μF′a(u)))u ∈U； N(Fa|F′a) = 1 - P(|F′a)。而是由以下隶属函数定义的Fa 的补集：

上述推理过程的实现：运用专家系统开发语言CLIPS 对推理过程进行编程，其语法规则可以概括为“事实命题+可信度”：（事实命题CF［可信度］），CF 为事实命题与可信度之间的分隔符，[·]应代表一个命题可选项。其中，可信度作为语法规则的重要部分，可以在规则的任何部分对可信度进行描述。

在基于专家系统的IDSS 处理决策问题时，每完成一个完整的决策问题推理，输入产生器将专家系统的处理结果生成相应的事例，将其转换为符合神经网络系统数据要求的样本事例，建立训练数据库对神经网络进行训练，如图3 所示。其转换过程：在决策事例中的if-then 的逻辑关系描述语句中，在if语句中提取事例的属性特征值，即神经网络的输入值，在then 语句中提取事例的决策结果值，即输出值，输入值与输出值组合就产生了一个训练样本，随着决策事例的增多，就形成了训练样本集。通过产生的训练样本对人工神经网络进行训练，得到用于决策的神经网络模型，用于处理超出专家系统知识范围的决策问题。

图3 训练样本产生过程示意图Fig. 3 Schematic diagram of the training sample generation process

3.2 基于神经网络的IDSS 推理机制

基于专家系统的IDSS 适用于那些侧重于知识并且知识能够形式化表达的领域，推理比较精确，而且逻辑性强，容易理解。当面对知识贫乏、信息不完整的情况时，单纯规则推理则显得无能为力。神经网络与专家系统的推理过程不同，它是非线性的并行处理系统。在规则不完备、信息不完全的情况下，专家系统不能依靠自身的规则推理解决实际问题时，决策系统将使用神经网络进行决策［16］。其推理过程如下：

假设云平台或专家系统提供的训练样本输入集为X={X1，X2，…，XN}，其中Xi= (xi1，xi2，…，xi m)；Xi为训练样本输入集的不同输入情况；xij为该情况包含的第j个元素。训练样本的输出集为，其中Yi为训练样本输出集的不同输出情况，yij为该情况包含的第j个元素。

建立神经网络模型

式中：X为神经网络输入集；Θ为神经网络学习的每层权重参数集合；J(Y，P)为神经网络的输出，包含输出集Y和对应的置信度P两部分内容；f(·)为神经网络各层组成的计算函数。通过云平台或专家系统提供的输入集和输出集训练神经网络模型，确定权重参数集合Θ。

面对新的输入集X′，经训练成熟的神经网络计算输出结果为

式中：新的输入集X′按照所学知识，在原输出集中选取并确定输出Y′=Yi，并给出其相应的判定置信度Pi，即

神经网络系统认定拥有最大置信度Pi（即Pi＞Pj，j∈{1，2，…，N}，j≠i）的Yi为 解 决 新 输 入 集X′的方案。如果Pi＞α，则认定Yi为适合解决输入集X′的最终方案，否则将Y*认定为适合解决输入集X′的最终方案：

其中，α为判定阈值，根据经验获得，而且可根据实际情况调整。

人工神经网络结构主要包括3 个部分： 输入转换和选择器、神经网络算法、输出转换器，其结构如图4 所示。作为一种数值计算方法，神经网络算法的输入量和输出量都是数值向量。因此，输入转换和选择器的主要作用是将输入信息转换为数值信息，用于神经网络识别应用；输出转换器的主要作用是将输出的决策信息转换成专家系统能够识别读取的逻辑信息，用于专家系统知识库的更新。其转换过程：将神经网络的输入量转换成专家系统规则的if 语句，神经网络的输出量转换成专家系统规则的then 语句，形成ifthen 的规则形式。

图4 神经网络结构示意图Fig. 4 Schematic diagram of neural network structure

4 结束语

本文主要对云环境下的新型智能决策支持系统进行了设计分析。首先，在介绍决策支持系统和云环境的基础上，分析了云环境对决策支持系统的影响；其次，提出了在云环境下智能决策支持系统的并行结构模式。通过采用并行结构模式，将人工神经网络与专家系统进行集成；最后，对并行结构的智能决策支持系统的工作原理和推理过程进行了分析。由于战场信息存在不完全、数据结构不规则、信息海量涌现等情况，为了提高决策支持系统的实用性和可操作性，还需要进一步研究该决策支持系统的工程化应用能力。