軟計算協作技術在智能化管理中的應用研究

摘要：在管理科學中，運用人工智能和管理科學結合的智能化管理，是管理科學的一個重要研究方向。模糊系統、神經網絡、遺傳算法和粗糙集等軟計算的協作技術發揮了各自的信息處理優點，為智能化管理提供了有力的重要信息處理工具。文章研究并綜述了軟計算協作技術在智能化管理中的應用，并在此基礎上建立了科研項目立項評審智能管理系統；探討了核方法、支持向量機、DEA方法在管理科學上的應用，分析了認知信息處理今后在智能化管理中的可能應用。

關鍵詞：智能化管理；軟計算；模糊集；神經網絡；遺傳算法；粗糙集

一、引言

在管理科學中，運用人工智能、知識工程、系統工程、計算技術和管理科學結合的智能化管理，是管理科學的一個重要研究方向。為了建立智能化的管理系統，需要對相關的各種管理信息進行處理。軟計算在智能化管理中有著重要的科學意義和應用前景。

應用軟計算協作技術的信息處理，發揮了利用人腦運用模糊概念的能力的模糊系統方法；利用粗糙集無須任何先驗知識，能在保留關鍵信息的前提下，對信息數據進行化簡的特征；利用神經網絡的并行處理、非線性、高度容錯和泛化能力強的特點，以求出自適應的求解結果；利用遺傳算法處理參數多、結構復雜問題的全局尋優問題。這些計算技術發揮了各自的信息融合與信息處理的優點，以獲得魯棒性強、成本較低的綜合智能信息處理方法。

智能化管理研究如何提高管理系統的人工智能水平，以及智能管理系統的設計理論、方法與實現技術。目前，管理科學中的信息處理方法，多采用傳統的數理統計方法，模糊綜合決策方法，也有一批將模糊集理論和神經網絡方法應用于管理科學的成果。應用多種軟計算融合、協作技術建立智能管理系統是管理科學的發展趨勢。

軟計算中的融合與協作技術為管理科學，特別是智能化管理提供了有力的重要信息處理工具，將形成管理科學的一個重要研究方向。我們開展了軟計算技術在智能化管理中的應用研究，認知信息處理在智能化管理中的可能應用研究，本文綜述了這些研究結果。

二、軟計算協作技術

1．科研項目立項評審智能管理系統。研究目的是建立基于粗糙集一模糊技術－神經網絡－遺傳算法的智能管理系統。我們在粗糙－模糊－遺傳－神經網絡的軟計算協作方法的基礎上，模擬和優化處理專家評審及鑒定的思維特征，建立了科研項目智能管理系統，運用軟件工程原理與方法，對該系統及其在科研項目立項評審的應用軟件進行計劃、開發和維護。應用結果表明了該系統的可行性和有效性，取得令人滿意的效果。該系統還可推廣應用于其他智能管理系統。

研究結果說明，隨著軟計算融合與協作技術研究的進一步深入，今后進一步研究模糊系統、神經網絡、遺傳算法、粗糙集、概率推論、證據理論等方法的融合與協作技術，設計新型智能模型，這對于擴展管理模型的表達能力和應用范圍，進一步提高管理模型的自適應、自學習、自組織能力等都具有非常重要的意義。

采用黑盒測試法對該系統軟件進行測試、檢驗。將基于模糊排序、神經網絡、模糊神經網絡、模糊遺傳神經網絡以及粗糙－模糊－遺傳－神經網絡等模型建立的科研項目智能管理系統，應用于廣東省自然科學基金科研項目的立項評審和管理，取得了令人滿意的效果。

2．數據處理的集值統計。由于科研評審過程是一類完全非線性行為，采用經典的統計方法，得到的綜合評價結果未能很好反映出項目的真實狀況。在基于綜合評價的模糊排序的專家系統的基礎上，采用集值統計方法，建立基于集值統計的模糊神經網絡專家評審系統，較好地充分利用資料收集過程中的信息，關注專家在評審思維過程中的不確定性、隨機性、模糊性及專家主觀判斷性等信息。評價過程更符合人類思維模式，從而使得指標評價結果更接近項目的客觀價值。

3．遺傳算法在智能化管理中的應用。目前常用的遺傳算法(SGA)仍然存在一些亟待克服的缺點：進化初期的未成熟收斂，即早熟問題；進化中后期由于個體競爭減弱引起的隨機搜索趨勢。文獻“15”建立了一種非一致性自適應遺傳算法，該算法在排序操作的自適應遺傳算法的基礎上，確定了遺傳算子概率，然后運用非一致性自適應遺傳算子確定變異量，將變異算子的作用與演化代數及當前解的質量聯系起來，使得演化系統能夠根據演化進度及解的質量，自適應地調整搜索區域，從而較明顯地提高算法全局搜索能力，較好地克服了傳統遺傳算法中的早熟缺點，減少了進化中后期隨機搜索趨勢的機率。將其應用于科研項目智能評審系統，取得了很好的效果。

4．遺傳一神經網絡在智能化管理中的應用。在文獻“16”、文獻“17”中，分析廠采用BP算法的多層前饋神經網絡在處理一類分類問題時存在的缺陷，提出廠一種新型的基于遺傳算法和BP算法的神經網絡學習方法。該學習算法既能克服BP算法所存在的局部最優問題，又能使訓練權值滿足所討論分類問題的需要。

5．模糊－遺傳－神經網絡在智能化管理中的應用。模糊技術、神經網絡和遺傳算法是計算智能領域的三大重要信息處理方法和計算工具，以它們為基礎的信息處理融合與協作技術已引起國內外學者廣泛的關注。在基于廣義模糊加權型推理的模糊神經網絡基礎上，融合非一致性自適應遺傳算法，建立了一種模糊－遺傳－神經網絡，并應用于科研智能管理專家系統中。應用表明了網絡模型和算法的有效性。

6．粗糙集的約簡方法在智能化管理小的應用。指標之間在保留關鍵信息和保證其評審可靠性的基礎上，對系統的評審指標進行約簡，可以大大降低工作的工作量和復雜性。目前可用于指標約簡的數據處理方法較多，但都或多或少地存在一些不足。在文獻“19”～文獻“21”中，采用指標間的關聯性分析，實現了對指標體系的約簡，并采用線性回歸的方法建立各指標的權重，取得了比較好的效果。其中約簡的效果與粗糙集約簡的結果基本一致。針對知識約簡過程中出現的NP問題，提出了用于條件屬性重要性分析的條件一決策關聯度概念，以此作為啟發式知識用于決定決策表中冗余屬性的約簡次序，最終實現快速、高效地對條件屬性集進行約簡。應用結果說明該算法的有效性。還建立了一種神經網絡模型，并將其運用于股票預測，具有一定的效果。

7．粗糙－模糊－神經網絡－遺傳算法在智能化管理中的應用。粗糙集不僅對大型指標體系的約簡具有重要的實用意義。而且對數據挖掘以及KDD中的數據預處理研究也同樣具有積極的應用價值。約簡是粗糙集理論中的重要概念之一。在基于可辨識矩陣的屬性約簡算法的基礎上，提出了一種啟發式約簡算法。算法利用屬性在可辨識矩陣中頻率和析取范式的長度作為啟發規則，來尋找最小約簡。在沒有找到最小約簡的情況下，此算法可以找到次優約簡。這種算法應用結果令人滿意。在此基礎上，建立了基于粗糙集理論的模糊神經網絡評價系統。

三、核方法、支持向量機在智能化管理中的應用

在這些文獻中，針對復雜對象綜合評價過程中出現的非線性、不精確性和不確定性問題，將基于核的特征提取方法和基于支持向量機的模式識別理論，應用到復雜對象綜合評價中，提出了基于核方法的綜合評價框架系統的建立方法，并應用到高校科技成果評價。分析了一般主成分分析在處理非線性問題上存在的不足，闡述了基于核的主成分分析方法，并將其首次應用到綜合評價中，應用結果表明：基于核的主成分分析方法具有優秀的特征提取性能，采用不同形式的核函數基本上能獲得相同精度的特征提取效果。設計了一種計算錯誤分類懲罰系數的方案，并在此基礎上提出了一種改進SVM算法。系統介紹了統計學習理論與支持向量機的基本思想，研究了它們在綜合評價中的應用。分析了科研立項評審系統的設計方法，建立了基于SVM的評審系統。從模式識別的角度出發，分析了基于核的野點檢測方法，提出了基于支持對象的野點檢測方法。按照基于核的野點檢測方法，提出了基于距離的樣本選擇方法，可以大大降低運算量和對內存的需求，進而保證了野點檢測的實時性。

四、數據包絡分析在智能化管理中的應用

數據包絡分析(Data Envelopment Analysis，DEA)把單輸入單輸出的工程效率的概念推廣到具有多輸入輸出的決策單元(DMU)的有效性評價。由于DEA的無需任何權重假設和不必確定輸入與輸出之間可能存在的某種顯式關系；無需對數據進行無量綱化處理。這樣就排除了許多主觀因素的特性。文獻“31”在傳統的DEA的C2R模型的基礎上，提出評審管理的GO模型，建立了科研項目評審的輸入指標集和輸出指標集。應用本模型的計算結果的擬和率為94．83％，結果較為令人滿意。然而，傳統的DEA模型忽視模糊性因素，針對現有模糊C2R模型(FC2R)的局限性，利用LmR型模糊數和α－截集的概念，建立了基于模糊數變換的FC2R模型：α－FC2R模型“32”。實際應用效果簡單、易行、合理。

五、認知信息處理在智能化管理中的應用展望

目前，認知科學已逐步構成了人工智能理論的基礎，被稱作21世紀智力革命的前沿。但是，目前以形式系統符號主義方法為基礎的人工智能研究成果，和人工智能專家、認知科學家的預期相比，相差甚遠。由于智能的本質和規律極為復雜，有學者提出“認知是算法不完全的”，認知科學應有多種多樣研究路線和綱領。我們探討了認知信息處理的模糊性理論和方法，以便為人工智能的信息處理提供一種新的思路和方法，并進一步開展其在智能化管理中的應用。

由于智能化管理的技術與方法與人工智能技術密切相關，因此人工智能技術的研究與發展，將對智能化管理的研究帶來更新的技術與方法。因此需要研究了認知信息處理在智能化管理中的可能應用，如文獻“33”～文獻“41”，在這些文獻中，我們探討了下述問題：

從認知科學的角度，研究了模糊性的形成，模糊性的層次特征。建立了一種基于模糊屬性映射和模糊對象映射的模糊概念格，證明了全體概念構成一個完全格。在知識的發現和獲取的認知思維中，討論了各種思維方法充滿的不同層次的模糊性特征。為了建立人工認知信息處理系統打下基礎，從生物學角度探討了人腦思維的生物認知信息的模糊性特征，建立了一種生物認知信息處理系統的模型，提出認知信息處理過程實質上是認知信息的模糊性處理過程。由于概念是人類認識客觀世界的認知精華，從系統的角度，初步建立了基于概念的數學系統，給出了相應描述性的一般定義和方法。目前的人工智能沒有真正產生富有成效的結果，究其原因，這些都是以圖靈意義的算法為基礎，存在著根本的局限性。為此，在給出的生物認知信息處理系統的基礎上，初步建立了一種認知信息處理的模糊性結構模型，認知信息在人腦的認知信息處理系統中經過處理，最終輸出的認知結果是具有不同程度的模糊性(包括確定性)知識。它們可以分為確定性知識，狹義模糊性知識，一般模糊性知識，廣義模糊性知識和泛模糊性知識。

在文獻“42”中，探討了管理系統的認知結構及其知識的獲取方法。

這些研究結果，將對人工智能、智能化管理的研究，帶來重要影響。