英语原文共 12 页,剩余内容已隐藏,支付完成后下载完整资料
基于Agent的案例推理决策支持系统
摘要:本文介绍了建模、控制和连续模拟决策支持系统,以及离散事件系统。模型、控制方法和工具是源于它们属性指定的数据库。每个属性的权重是基于一个给定特征的重要性和最初估计的分类功率。属性权重的自动学习为使用该系统的增加案例推理的质量。属性权重的建议学习算法使CBR相对稳定值收敛到最佳的数值域。在新的情况下,模拟是从用户角度寻求最佳的案例匹配,这种新的情况也会被添加到案例库。
关键词:决策支持系统,案例推理,案例的学习,属性权重
1引言
决策支持系统旨在帮助决策者使用通信技术,数据,文件,信息或模型来发现和解决问题,完善决策过程的任务,并做出以计算机系统互动为基础的决策。
决策自动化的概念看似简单但实践起来缺十分复杂。从狭义的角度来看,决策的定义是对行动的替代程序进行选择。从更广泛的角度看,决策是涉及收集和评估有关情况的信息,确定需要做出的决定,确定或确定行动的相关替代方案等方式的完整过程,选择“最合适”或“最佳”的动作,然后根据形势的变化选择解决方案和措施。自动化是指使用的技术,包括电脑处理做出决定和实施程序化决策过程。通常情况下决策自动化被认为是结构合理,明规定明确,例程或程序化决策的情况。
决策支持系统[7]可以从两个主要的近乎于两个方面的规则,即信息系统科学和人工智能的接近。文章的目的在于提出本文的扩展本体在控制理论域中的决策支持系统。本体展示相关的结构,并提出了决策支持系统中的关键词,强调所需要的支付环境和情境变量是作为决策支持系统的开发和评价方法的一个组成部分。这些结果有助于系统开发人员在利用该系统的背景下考虑通过一套定义的变量链接到应用程序领域。有了这些扩展情景,决策支持系统开发转变的重点从任务本体转向领域本体。
大多数人工智能系统是在第一原理的基础上运作,使用规则或公理加上逻辑推理做好系统本身的工作[5]。包括类比的几种推理系统往往把它作为最后的手段,假设其他形式的推理都失败了,则可以使用所能应用到的任何其他方法。唯一的例外是基于案例的推理系统,这种方法以提供类似于用来解决基本问题的计算机制。不幸的是,基于案例推理系统一般有相反的问题,它倾向于使用只有最小值的第一原理的推理方法。
基于建模和连续控制的决策支持系统,以及在MARABU项目开发的离散事件系统[3]用于论证这种推理方案(见图1)。决策支持系统的数据库包含系统的建模,控制合成,模拟方法和工具。另外,该数据库中包含一些系统的完整模型。
2基于Agent的决策支持系统
基于Agent的知识工程提供给单个系统内不同类别机制处理的整合灵活性。Agent的定义范围从基于Agent如何在技术中应用延伸到基于所述角色的不同解释和人工智能认知,其目标在于测试Agent论述的一种功能性分析描述。人工智能是一个非常不同的领域,也是Agent作为许多领域中暗藏的工作。
多代理系统适用于自然分布和需要自动推理的领域[2]。代理商在一定程度上应执行以下功能:
- 规划或反应达到目标,
- 建模的情况下环境下才能正常反应,
- 传感与演技,
- 相互代理的协调,
- 解决冲突(协调是一个持续的过程,解决冲突是事件驱动的过程,通过冲突检测触发)。
要设计一个给定问题的多代理系统,设计师应该已经明白如何将Agent应用到和人工智能技术领域,代理商需要有什么能力,哪些技术能实现这些过程。多智能体系统设计包括:(1)划分资源和代理人之间责职域,(2)确定哪些核心能力满足这些领域的责任;(3)选择技术来满足每个核心竞争力。根据分布式域特定的职责,基于代理的系统可以是异构的,其中每个代理共享相同的目标。根据用户所需的支持指定简单的工作流程,以便实现在该系统工作中代理模式。
决策支持系统是从那些本领域的技术人员得到支持,而不是由计算机系统所替代使用者。最广泛的定义指出,决策支持系统是一个互动的基于计算机的系统或子系统,旨在帮助决策者使用通信技术,数据,文件,知识或模型来发现和解决问题,完善决策过程的任务,并做出决定。五项具体决策支持系统的类型包括[7]:
- 通信驱动的决策支持系统,
- 数据驱动的决策支持系统,
- 文档驱动的决策支持系统,
- 知识驱动的决策支持系统,
- 模型驱动的决策支持系统。
2.1知识表示
有两种关于概念的知识:概念和集。一个概念是通过它可以经由状态涵而不是对象的本质所定义。这样的定义使我们能够专注于概念的本质,而不是他们的状态。在另一方面,一套能够放在一起的对象,有些共同的特性。例如,如果“人类”是指一种概念,“青少年是指人类,其年龄为在给定的约束组成的集合。
差异是该术语建立基本单元的含义。这意味着他们没有任何本身的意义。差异属于对象的本质。不像一个属性,从而它不能在改变其性质的对象定义中被剥离。属性的不同点在于生成的含义和分割概念的单元。在这样一个大面积使用的概念分类不是一个简单的任务[8]。
在数据库中设计,适当安排和索引属性,以实现有效的推理是重要的。所提出的数据库包括三个部分:可用的具体例子,目标案例与控制论领域的知识和工具的基础方法DB。它们被安排在关系表37的数据库。对于任何一个模型,我们需要知道系统模型的类属,建模方法,工具,并给出了模型的要求,这就类似于规格的控制。
一个数据库和本体之间的直线比较需要考虑数据的特性。面向对象的数据库,包括改进的逻辑和更快推理,其出现在数据库和本体之间的区别更模糊[4]。作为控制理论的一个领域,下面的术语具有在本体中的定义:系统,模型,控制系统描述的方法,控制方法以及工具。概念分层赋予本体属性。在本体中使用的关系是:部分属性值是一个(子类)的实例。
基于Agent的描述是决策支持系统知识库中有关控制理论数据基于本体的表示方法和所需要的系统功能[8]进一步完善的数据:
- 存储在数据库中持久数据,
- 存储在系统变量,例如临时信息所需要的类型
支持存储不变量:模型,控制,仿真,相似案例。
2.2门户网站
基于web的门户被证明是非常适合的管理知识模型。知识门户是柔性的,适用性强,并且可以提供几乎任何类型的内容或功能。要构建一个知识门户的架构,下面三层模型将被被使用:(1)用户界面和导航;(2)功能(个性化设置,活动进程的支持,代理商协调,文档管理),以及(3)知识库。知识门户网站提供了一个灵活的知识环境,以大量潜在用户。知识门户的使命不仅是提供一个信息库般的游泳池,而是要积极地支持用户在他或她的决策过程。
基于Agent的决策支持系统MARABU [9]包括:(1)建模和控制的方法、工具的数据库,(2)创建的模型案例库,并在过去的模拟事实,(3)控制理论领域的知识基础,( 4)门户网站使指定用户的需求,显示的推理结果,并连接一个选择工具的提供商。建议支持系统的门户网站提供了有关系统的基本信息,除了明显的功能,如注册和授权用户登录。门户网站还使得授权用户:
一个必要的支持规格;用户可以选择从四个给定的选项的任意组;建立一个指定的系统,控制综合,仿真,或完成类似的案例列表的模式。
基本系统特点:用户必须选择三个基本系统类型之一:连续系统,离散事件系统,分布式系统。基本系统确定特性内容和调查表属性和要求的规格的顺序,以及推理的上下文。
问卷:该系统的实际工作是通过在问卷满足要求。用户需要指定那些从他的角度来看重要的属性需要值。没有指定属性的所有可能值均是由推理适用算法。建模和控制方法以及决策支持系统提供的使用工具帮助事件描述。
所提出的支持系统使得能够共享,管理,并在财团或工作组访问设备。虽然物理资源可以驻留在多个位置,用户却能对对这些资源进行无缝和不间断访问。
3推理
正向链接和反向链接的算法:是在数据库推理的两个主要方向。正向推理是数据驱动推理一般概念的一个例子,也就是说,从推理其中关注的焦点与已知数据开始。它可以在Agent中使用,以传入知觉进而派生结论,常常没有考虑具体查询。新的事实可以被添加到议程,开始新的推论。
向后链接的算法,顾名思义,从查询工作倒退。如果查询Q是已知的、真实的,则不需要工作。否则,该算法找到Q上的知识基础意义。反向链接是目标导向的推理形式。这是回答通常情况下诸如“我该怎么办?”的具体问题,反向链接的成本比在知识库中的大小线性少得多,因为这个过程只涉及相关事实。在MAS,代理应该共享向前和向后推理之间的工作,限制正向推理到有可能是相关的,这将通过反向链接来解决的查询事实的产生。
在创造人工智能系统的一个瓶颈是创建大的知识库。现已经有一些通过类比推理来捕捉某些特征方面的系统。虽然当今的大多数CBR系统都转向由特征矢量表示,有一些仍然使用关系信息系统表达。
3.1基于案例的推理
越来越多的心理证据表明,人类的认知集中涉及相似的计算结构表示,从高层次的视觉感受来解决问题,学习和观念的转变。了解如何处理类比集成到AI系统似乎对创造更多的类似人类的推理系统[6]至关重要。然而,相似推理的发挥在许多AI系统的作用不大。大多数AI系统在第一原理基础上运行,使用规则或公理加上逻辑推理做好自己的工作。包括类比的几个推理系统往往把它作为最后的手段,只有当其他形式的推理都失败了才能明确使用什么方法。
唯一的例外是基于案例的推理系统,提供类似于用来解决日常问题的计算机制。不幸的是,CBR系统倾向于使用性最小的第一原理的推理。此外,今天的大多数CBR系统也往往依赖于基于特征的描述关键词演算的表达能力。CBR系统趋向于使用特定领域和特定任务的相似度计算。这可能是默认为为特定的应用程序,但利用相似的计算更喜欢人们做什么可以使这种系统更加有用,因为他们更理解合作伙伴。虽然许多有用的应用系统都可以用纯粹的第一性原理推理建构[5],今天的CBR技术,整合类比处理与第一原理的推理将会使我们更接近人类推理的灵活性和能力。
CBR能够在计算机程序这类解决问题的是,通常所用的人,即,一个新的任务是由适应先验的案例使用。
在大多数案例推理系统,案件事实被存储在已命名的集合存储器。它们被设计为特定范围的问题。每一种情况下是一组功能,或属性值,编码在其中遇到模糊性的上下文。案例检索算法大多是简单的knearest邻近算法。在案例的学习算法表现不佳的情况下,导致含有大量不相关的属性。不幸的是,在决定哪些功能是为特定的重要学习任务也是困难的。
在一般性的描述中,CBR周期可以由以下四个工序进行说明[1]:
- 检索最相似的案件或案件,
- 重用信息和知识在这种情况下,要解决的问题,
- 修改所提出的解决方案,
- 保留这段经历是对于未来解决问题非常有用。
3.2推理决策支持系统
基于代理的决策支持系统MARABU [9]包括:(1)建模和控制的方法和工具的数据库,(2)创建并在过去的模拟模型案例库,(3)控制理论领域的知识基础(4)网络门户使指定用户的要求,来显示推理的结果,并连接所选择的工具的一个供应商。在系统中,有推理的三种可能性:
- 古典数据库查询:模型,控制方法和工具,根据用户指定的要求和特定环境下搜索数据库。
- 基于案例推理:只要没有模型和控制方法完全一致的用户需求,则模型形式和控制方法是解决类似案件的主要因素。
- 相似的情况下给定用户的规格和要求列表:如果用户需要完成类似案例的形式支持,在供类似案件有模拟的地方可以做一个参考工具(电子学习非常有用)。
1.每个属性的权重是根据一个给定特征的重要性和分类能力初步估计 - 在问卷用于系统规范属性由实数0加权。
提出基于案例的推理算法的MARABU系统工作在以下步骤:
1)从案例库的完成(历史)情况下搜索到满足用户的规范和要求。在历史的情况下,以实际用户指定的任务相似率使用属性的权重计算。
2)在历史情况下具有最大的相似率使用模型或控制方法,提供给用户,以实际确定任务的解决方案。
3)推理后,用户代理将信息发送到所选择的供应商代理。使用该工具,所创建的模型模拟,可以提供给用户。模拟后,用户通过填写表格,他/她的要求是否得到满足回答决策支持系统。
4A)使用这个答案推进权重的自动学习,以增加基于案例推理的质量。属性权重的学习算法保证收敛到屈服于最优质的CBR相对稳定值。
4b)新病例被添加情况下的一些的验证步骤。
4学习算法
基于案例推理的重要特点是它的耦合学习[10]。基于案例推理的概念并不仅仅指一个特定的推理方法,它也代表一个机器学习范例,通过更新案例库已经解决后的问题,使持续学习。再学习是CBR解决问题的一个自然产物。当一个问题被成功解决,经验被保留,以解决未来类似的问题。
案例的重新学习包含是新解决问题的保留到现有知识再用的过程。从所提出方案的成功或失败的学习被评估和可能修理的结果触发。它涉及选择从本信息保留在何种形式,如何索引用于类似问题以后的检索,以及如何在新情况下的
剩余内容已隐藏,支付完成后下载完整资料
资料编号:[32027],资料为PDF文档或Word文档,PDF文档可免费转换为Word
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。