智能模型庫系統的設計與實現

[摘要] 本文在討論了傳統MDS的基礎上，提出了智能模型庫系統（IMDS）的抽象結構、知識表達方式，并設計了基于抽象結構的模型操縱語言（ MCL），最后還討論了一個智能模型庫系統生成器ASSIST-T的實現方法。

[關鍵詞] 決策支持系統 專家系統 智能模型庫系統

在管理信息系統（MIS）中，僅有足夠的數據，決策人員的活動只能依賴于查詢、分類與歸納，系統本身不能根據有效的方法來提供經過總結的決策依據，于是模型及模型庫便成了DSS的有機組成部分。模型有很強的領域行為特征并可隨環境的變化而實現模型重構，這樣使DSS能將人的判斷與計算機技術的能力相結合，從而改進決策者的效能，但又不干預他們的自主權。然而，隨著人工智能（AI）技術的發展，特別是隨著大量基于知識的系統的出現，人們越來越認識到計算機如果除了擁有大量數據及數據處理方法以外，還擁有足夠的領域知識及知識處理方法，那么能夠在很大程度上提高計算機的領域適應能力，使計算機具有問題求解能力。傳統DSS中實行對模型的重構、支持建模等活動都是在大量背景事實基礎上，由決策人員做出的，這要求決策人員要有足夠的知識來處理相應的問題，加重了人的負擔。傳統模型庫系統（MDS）中的各組成部分缺乏統一的表示形式，產生很多的冗余信息，使用效率較低。傳統MDS中更為突出的問題是缺乏必要的有關系統本身及領域的知識，系統缺乏有效的問題求解能力。

新一代模型庫系統，必須具有基于知識的問題求解能力，模型的重構或建模活動都可以是基于知識的，使事務處理與問題求解可共存于同一系統中，從而增強系統的強壯性（Robutness）。這方面的工作，在國內外已有研究。但我們發現，在這些研究中，人們普遍關心的問題是怎樣在模型庫系統中實現基于知識的模型觸發，而并不考慮知識的領域特征（如原理性與啟發性）和領域層次（深層、淺層），也不注重系統的抽象結構，從而也沒有一種較為統一的形式來表示系統的各組成部分，信息冗余量大，使用效率較低。

我們認為，一個智能模型庫系統（IMBS）應著重考慮以下幾方面的內容：

1.抽象的模型結構。

2.數據、模型、知識的一致化表示，并能有效地適應多種模型規范（如：行為分析、決策樹、排隊系統等）。

3.刻劃領域知識的特征和領域層次，并實現基于知識的模型觸發及問題求解。

4.支持模型生命周期的各個階段，實現模型庫管理系統MBMS。

5.支持用戶對模型的多種視圖，提供良好的用戶界面。

6.提供過程化與非過程化相結合的模型操縱語言。

本文主要就IMBS的抽象結構、知識表達及模型操縱語言做了較為詳細的討論，最后還討論了實現智能模型庫系統生成器ASSIST一T的具體方法。

一、IMBS的抽象結構

IMBS由四個基本的部分組成：用戶界面（UI）、知識庫（KB）及推理機（IE）、模型庫(MB)、全局黑板（GBB），下圖描述了IMBS的抽象結構。

1.模型庫MB。模型具有較強的領域行為特征．它可由MBMS管理，MBMS支持MB中各模型的全生命周期，從基本模型的開發、維護到應用。在ASSIST一T中，MBMS是基于窗口、菜單的，所以具有良好的使用方便性。

模型庫中包含如下幾個組成部分：

(1)實用程序庫。包含有各種應用程序，如：文本編輯程序，表格處理軟件，圖形生成器等。

(2)模型結構庫。主要存放有關各模型元的抽象結構，用于定義該模型元的輸入／輸出參數，條件謂詞以及有關該模型的說明，在MB中，每一模型結構均具有如下形式：

Name：Model一Name

Input：＜11，12，…＞

Output：＜01，02，…＞

Condition：＜Predicate＞

Description：＜Description about Model一name＞

Body：＜Body一Pointer＞

其中，Body指向一個模型元實體庫的與Model-name對應的實體，加速對模型實體的檢索。

(3)模型元實體庫。存放各種模型的求解算法及模型表示形式的轉換算子，它與模型結構庫共同組成模型庫的內核結構每一模型實體均具有下面形式：

Name：＜Model一Name ＞

M一type：＜Model一type＞

Body：＜Definition＞

(4)傳遞參數數據庫。存放模型運行所需要的各種參數數據，它可來自DSS的數據庫，也可能是中間結果，每一參數具有如下特性：

Name：Parameter一Name

Value：＜Value＞

V一type：＜Value一type＞

from：＜Source＞

To：＜Goal＞

2.知識庫與推理機。在IMBS中，知識庫中的知識用來進行建模過程的指導，進行自動或半自動的建模過程，我們認為，領域中的知識具有不同的特性和不同的深淺程度，用于進行模型觸發、合成、優化的這些規則我們稱之為元知識（Meta一Knowledge），而描述具有良好結構性并可應用于不同狀態下的知識，稱之為概念性知識（Conceptual Knowledge），具有較強的過程性并對不同的領域專家來說可能各不相同的有關鍵模或模型參數求解的知識稱為經驗性知識(Experience Knowledge），這三類知識具有共同的特性（如都服務于建模過程），但又各自相對獨立的特性。

推理機（IE）是對應于相應的知識庫而言的，它根據GBB上的當前或歷史事實，引用相應的知識，驅動相應的模型或產生新的事實。

3.全局黑板GBB。GBB實際上是有關系統運行的狀態空間，它包含了系統要求的所有事實，從用戶輸入的信息到系統產生的中間結果，直至最終結果，因而GBB是整個系統得以運行的樞紐。

二、IMBS中的知識表達

在IMBS中，知識庫應該是有層次的，并應刻劃領域的不同特征，所謂知識的深淺程度，是指在問題求解過程中的不同階段所用到的知識所處的地位，一般，在問題求解過程中首先用到的是具有較強過程性的經驗性知識，所以它具有較淺層的意義，當使用經驗性知識得不到合適的結論時，就應啟用具有良好描述性的概念性知識，從而拓寬求解范圍，得到較為滿意的結果，因而概念性知識具有較深層的意義，除此之外，在IMBS中還可包含一些控制知識，用以控制模型的觸發、合成與優化，稱這些知識為元知識。一般地，元知識和經驗性知識要求有較好的過程性，故我們用產生式規則表示，而概念性知識具有良好的描述性，故用對象來描述它們。

1.元知識。元知識描述與建模有關的各種控制知識，用于模型的觸發、合成與優化，每一模型的觸發除了受自身的條件謂詞控制以外，還受觸發規則的控制，由于在系統運行中，模型之間的關系和狀態在不斷發生變化，觸發規則可通過GBB上的信息決定各模型之間的關系，合成規則可用以控制各種模型元的合成情況，在建模過程中，可由多個模型元合成而形成一個較為復雜的新模型，合成規則指明了合成的法則，也指明了模型元之間的互斥關系優化規則主要為了提高建模效率，并使合成模型的冗余信息盡量做到最少，優化規則除要用到GBB上的事實以外，還要用到MB中的模型結構庫中的內容，限于篇幅，本文不對元知識的具體表示方法進行討論。

2.經驗性知識。經驗性知識的主要用處是對模型要求的各種參數求解，在建模過程中，參數的值可以是用戶輸入的，也可來自DSS的數據庫，但作為一個智能系統，參數值還可以是通過基于知識的問題求解得到，這一工作是由推理機制（IE）來完成的，經驗性知識是用產生式規則（Production Rule）來表示的，每一產生式規則包含如下內容：

Rule：＜Rule一Name ＞

If一part：＜Clauses＞

Act一part：＜Conclusions＞

Models：＜MI，M2，…＞

Comment：＜Description＞

其中；If-part說明規則的前提，定義了參數之間的關系，Act- part用于完成對參數的求值或處理些事務性工作，Models定義了與本規則有關的模型元名，每一規則與建模過程是由Models聯系起來的，IE根據當前的建模狀況，選擇規則，驅動規則，并完成Act- part所指出的動作。

3.概念性知識。當對參數的求解在用了經驗性知識以后還得不到滿意的結果，IE就啟用概念性知識，進一步展開求解過程，進入深層推理，系統中所有的概念性知識組織成一個樹狀的對象圖 Object-net），每一對象應有如下屬性：

OBJECT：＜ Obi一Name＞

Trans：＜Description＞

Isa：＜obj一name＞

With：＜prop- lists＞

Models：＜M1，M2，…＞

其中prop-list說明了對象屬性與模型參數之間的關系，對obj一name的例子化過程也就進行了相應的與Models有關的參數的求解過程。

三、模型操縱語言MCL

在IMBS中，模型操縱語言MCL是用戶用來對模型庫進行操作，并實現對模型的查詢、合成、驅動等工作，MQL必須做到過程性與描述性相結合，這要求用自然的和邏輯的格式來表示真實的事件，特別地，由于我們要考慮系統中數據、知識、模型的一致化表示，這要求MQL的設計應考慮以下幾個問題：

1.數據結構獨立，而不需要考慮具體的物理結構。

2.具有良好的可擴展性，可在圍繞MCL內核的基礎上，構造新的命令和功能。

3.考慮多維空間狀態下的對模型的操作。

4.為體現過程性，并不致于使用困難，應采用單一的命令格式，在ASSIST一T中，都要采用如下的形式:[命令][表達式子句][條件子句］。

5.與數據操縱語言結合時，應采用宿主語言形式，即數據操縱語言，可直接插入MCL中，并不是用某些數據操縱語言命令代替I/O語句，否則會顯得不靈活。

6.與推理機（IE）的接口應是隱式的，即用戶在用MCL對模型操作時，不可以對知識庫中知識操作，知識只能在隱式形態下面由IE引用。

四、ASSTST一T的實現

ASSIST一T是一個IMBS生成器，它作為一個建立領域智能模型庫系統的工作臺，為領域系統開發人員提供良好的環境．在開發ASSIST一T的過程，我們采取了如下的方法與步驟：

1.確定ASSIST一T的抽象結構，它的結構與前面討論的IMBS結構基本相同。

2.確定ASSIST一T各組成成分之間的關系、數據結構與數據流。

3.選擇適當的數據庫作為ASSIST一T的外部數據庫，并確定模型操縱語言MCL與數據操縱語言的宿主關系。

4.逐步實現ASSIST一T的各組成部分。

ASSIST一T由C語言實現，UNIFY作為其外部數據庫，ASSIST一T除了提供領域系統開發的工作臺外，還提供了基本的模型元，它們包括：線性規劃、動態規劃、目標規劃、整數規劃、What一if形式的靈敏度分析、決策樹等，這些是基本的沒有特定領域特征的模型，根據需要，用戶可修改它們的參數要求，先作相應的調整。

ASSIST一T提供了知識獲取和知識維護手段，并提供了元推理、目標制導、數據驅動和框架推理方法，可作為建模和模型觸發過程提供良好的事實支持。目前，ASSIST一T已在VAX一11／785上實現了其核心部分，并用它正在構造一個領域IMBS，用于人防工事的評估，用它完成領域系統效率是高的。

五、結論

智能模型庫系統是今后模型庫系統的一個很有希望的發展趨勢，在構造IMBS時要考慮它的抽象結構及各組成部分之間的一致化表示方法，提高效率，并要注重對領域知識在特征和深淺程度的分析，并使不同的知識在領域在系統中起到支持決策人員決策的作用，減少人的負擔和錯誤，增強系統的強壯性，良好的用戶界而可方便用戶，增加用戶對系統的各種視圖。對于建立領域IMBS，要有一個良好的工作臺或環境，ASSIST-T就是為這一目的而設計的，它在建立IMBS過程中，提高了效率，并使系統建立者不必關心內部的實現情況，他只要將領域問題轉化為ASSIST一T要求的相對較簡單的系統問題即可，用戶可得到極大的便利。

參考文獻:

[1]Belew．R．K．Evolutionary Decision Support System：An Architecture Based On Information Structure，Knowledge Repre- sentatlon For Deciston Support Systems．L．B．Methlie，et．al（ed）．HHC，2003

[2]Keragiannis．D．（et．al），Data一and Knowledge一based Management Systems For Decision Support，NATOASI Series． Vol F31，2004

[3]Jijian.Shi ，Ruiaao.Yu.Zhijun.He，A Tool For Building Decision-Support-Oriented Expert System，Internation Cofer

[4]Keen， P. G．W，決策支持系統的未來十年，計算機科學，2000.3