面向现代制造领域的决策支持系统研究*

ODSS的上述特征使其在制造领域及CSCW领域中的得到了重视与应用。目前面向机械制造领域的ODSS的研究重点在于，根据当前网络协同设计特性，将Agent技术的分布式智能控制方法与ODSS的分布特性结合起来，利用多智能体系统适于求解功能或地理上分布的复杂问题和问题求解及推理中出现的有争议的问题特点，来完成异地协同设计与制造的协作策略、知识共享和冲突消解等问题，提高整个ODSS的智能化程度，以适应于当前网络化、分布式的计算环境。如通过采用Agent封装、改造和扩展原有决策支持系统的问题部件、数据部件和模型部件，使整个系统具有更高的柔性。

2.3    自适应决策支持系统

自适应决策支持系统（Adaptive Decision Support System，ADSS）是针对信息时代多变、动态的决策环境而产生的^[6]，它将传统面向静态、线性和渐变市场环境的DSS扩展为面向动态、非线性和突变的决策环境的支持系统，用户可根据动态环境的变化按自己的需求自动或半自动地调整系统的结构、功能或接口。对ADSS研究主要从自适应用户接口设计、自适应模型或领域知识库的设计、在线帮助系统与DSS的自适应设计四个方面进行，其中问题领域知识库的建立是ADSS成功与否的关键，它使整个系统具有了自学习功能，可以自动获取或提练决策所需的知识。对此，必须给问题处理模块配备一种学习方法或在现有DSS模型上再增加一个自学习构件。归纳学习策略是其中最有希望的一种学习方法，可以通过它从大量实例、模拟结果或历史事例中归纳得到所需知识。此外，神经网络、基于事例的推理等多种知识获取方法的采用也将使系统更具适应性。

市场环境变化及产品开发过程是混沌的，因此有学者提出一种支持先进制造模式的基于自组织的决策模式及决策支持系统^[7]，系统以协同论和分形理论等自组织理论为基础，具有自学习、自适应、自身动态重组、适应混沌环境的能力。从而使企业在湍流、混沌的复杂非平衡环境下，适时、快速地设计新产品、重构制造系统，再造经营过程。

2.4  基于数据仓库的DSS  

在制造领域中，产品开发需要全面的、大量的信息，包括需求信息、竞争情报、管理信息、产品数据等等，并且很多信息要从分布、异构的海量数据中挖掘而得，传统的DBMS难以满足这一需求。因此基于数据仓库（Data Warehouse, DW）的DSS应运而生。数据仓库系统作为面向主题的、集成的、在一定周期内保持稳定的、随时间变化的，用以支持企业或组织决策分析的数据的集合，可将来自各个数据库的信息进行集成，从事物的历史和发展的角度来组织和存储数据，供用户进行数据分析，并辅助决策支持，为决策者提供有用的决策支持信息与知识^[8]。数据仓库技术不是一种单一的技术或软件，它融合了数据库理论、统计学、数据可视化和人工智能技术等多项研究领域，在大量数据中发现有价值的知识，用于决策支持和预测未来。因此基于这一技术的决策支持系统为决策支持系统提供了可取的数据组织方式、为决策人员提供了强有力的支持工具，能有力地推动决策的现代化进程。

基于数据仓库理论与技术的DSS的研究与开发尚处于起步阶段， 但已得到了众多学者的重视^{[8, 9, 10, 11]}，其主要研究课题包括： ① DW技术在DSS系统建立中的应用以及基于DW的DSS的结构框架； ② 采用何种数据挖掘技术或知识发现方法来增强DSS的知识源； ③ DSS中的DW的数据组织与设计及DW管理系统的设计。总的说来，基于DW的DSS的研究重点是如何利用DW及相关技术来发现知识以及如何向用户解释和表达知识，为决策支持提供更有力的数据支持，有效地克服传统DSS数据管理难与忽视历史数据等问题。

2.5 其它类型的DSS

 DSS还有多种其它的形式，但它们均是从某个方面或某个过程出发对传统DSS进行改进而得到的，较出名的智能决策支持系统（Intelligent Decision Support System, IDSS），另外还有支持高层决策的战略决策支持系统（SDSS）、决策支持中心（DSC）、执行信息系统（Executive Information System, EIS）、强调激发决策者灵感与创造力的积极型决策支持系统（Active DSS）等等；而从技术方面则注重引入Agent技术或群件、组件技术将各种形式的决策支持系统扩展为面向Intranet/Internet的DSS。

3.       进一步研究方向

综上所述，DSS研究走过二十几年的历程 ,目前正处于蓬勃发展的阶段。结合现代制造业与当前DSS的发展概况，笔者认为DSS及其相关领域将结合计算机网络、AI等领域的新发展，向着以下方向发展：

1）    在Inter/Intranet环境下，体系结构朝着分布、分层、并行的三层结构方向发展。为了满足虚拟企业敏捷度要求并符合合作企业高度自治的特点，系统应具有较强的模型重组能力，并且各个决策单元可以独立工作，也可在求解过程中动态组合。系统的知识子系统可对整个系统进行协调、管理、控制和冲突消解，整个系统具有良好的可扩充性、可修改性。

2）    随着决策环境的越趋复杂，一方面需进一步提高DSS本身的智能，另一方面人机合作和人人交流将是进行系统开发的重点；并且在一定时期内，重点应将DSS的基于逻辑和符号处理的理性决策能力与人类的直觉决策能力相融合，充分发挥人机各自优势来解决复杂决策问题；

3）    鉴于充足的数据源是DSS有效发挥作用的基础，各地分布、异构知识源的获取、表达、管理与应用将成为研究重点。整个系统应支持多种知识表达方法和推理方法，支持结构化数据和非结构化数据共存，将目前基于模型和数据库的DSS从过去仅将“数据”视为数值转移到支持建立基本文档的DSS。需要集成DW、DM与OLAP及其它KDD知识获取方法，将各类分布、异构的知识源集成起来，为决策者提供各种类型的、有效的数据分析，起到决策支持的作用。

上一页  [1] [2] [3]  下一页