综合决策支持系统DSS

newmaker

欢迎访问e展厅 展厅 3 CIO信息化管理展厅 电子商务/企业门户, IT运维管理, 制造执行系统MES, 流程管理BPR/BPM, SOA/SaaS/云计算, ... 一、决策支持系统的发展 1.决策支持系统的兴起 自70年代提出决策支持系统(DSS)以来，DSS已经得到了很大发展。它是在管理信息系统(MIS)基础上发展起来的。MIS是利用数据库技术实现各级管理者的管理业务，在计算机上进行各种事务处理工作。DSS则是要为各级管理者提供辅助决策的能力。 1980年Sprague提出了决策支持系统三部件结构，即对话部件、数据部件(数据库DB和数据库管理系统DBMS)、模型部件(模型库MB和模型库管理系统MBMS)。该结构明确了DSS 的组成，也间接地反映了DSS的关键技术，即模型库管理系统、部件接口、系统综合集成。它为DSS的发展起到了很大的推动作用。 1981年Bonczak等提出了DSS三系统结构，即语言系统(LS)、问题处理系统(PPS)、知识系统(KS)。该结构在"问题处理系统"和"知识系统"上具有特色，并在一定范围内有其影响，但它与人工智能的专家系统(ES)容易混淆。 决策支持系统主要是以模型库系统为主体，通过定量分析进行辅助决策。其模型库中的模型已经由数学模型扩大到数据处理模型、图形模型等多种形式，可以概括为广义模型。决策支持系统的本质是将多个广义模型有机组合起来，对数据库中的数据进行处理而形成决策问题大模型。决策支持系统的辅助决策能力从运筹学、管理科学的单模型辅助决策发展到多模型综合决策，使辅助决策能力上了一个新台阶。 80年代末90年代初，决策支持系统与专家系统结合起来，形成了智能决策支持系统(I DSS)。专家系统是定性分析辅助决策，它和以定量分析辅助决策的决策支持系统结合，进一步提高了辅助决策能力。智能决策支持系统是决策支持系统发展的一个新阶段。 2.我国决策支持系统的进展 我国决策支持系统的研究始于80年代中期，其应用最广泛的领域是区域发展规划。大连理工大学、山西省自动化所和国际应用系统分析研究所合作完成了山西省整体发展规划决策支持系统。这是一个大型的决策支持系统，在我国起步较早，影响较大。随后，大连理工大学、国防科技大学等单位又开发了多个区域发展规划的决策支持系统。天津大学信息与控制研究所创办的《决策与决策支持系统》刊物，对我国决策支持系统的发展起到了很大的推动作用。我国不少单位在智能决策支持系统的研制中也取得了显著成绩，如以中国科学院计算技术研究所史忠植研究员为首的课题组研制并完成的"智能决策系统开发平台IDSDP"就是一个典型代表。 3.智能决策支持系统的关键技术 开发一个实际的IDSS需要解决如下关键技术： (1)模型库系统的设计和实现：它包括模型库的组织结构、模型库管理系统的功能、模型库语言等方面的设计和实现。 (2)部件接口：各部件之间的联系是通过接口完成的，部件接口包括：1对数据部件的数据存取；2对模型部件的模型调用和运行;3对知识部件的知识推理。 (3)系统综合集成：根据实际决策问题的要求，通过集成语言完成对各部件的有机综合，形成一个完整的系统。 模型库系统是一个新概念、新技术，它不同于数据库系统。数据库系统有成熟的理论和产品，模型库系统则没有，它需要研制者自己设计和开发。这样就不可避免地阻碍了决策支持系统的发展。 决策支持系统需要对数据、模型、知识、交互四个部件进行集成。目前，计算机语言的支持能力有限，数值计算语言(如FORTRAN、Pascal、C等)不支持对数据库的操作，而数据库语言(如FoxPro、Oracle、Sybase等)的数值计算能力又很薄弱。决策支持系统既要进行数值计算又要进行数据库操作。这个问题再一次为决策支持系统的发展带来障碍。 真正的决策支持系统都是自行解决了上述困难后研制出来的，这需要付出较大的代价。因此，它们成为决策支持系统发展缓慢的主要原因。 二、数据仓库和OLAP的决策支持技术 数据仓库和OLAP是90年代初提出的概念，到90年代中期已经形成潮流。在美国，数据仓库已成为紧次于Internet之后的又一技术热点。数据仓库是市场激烈竞争的产物，它的目标是达到有效的决策支持。大型企业几乎都建立或计划建立自己的数据仓库，数据库厂商也纷纷推出自己的数据仓库软件。目前，已建立和使用的数据仓库应用系统都取得了明显的经济效益，在市场竞争中显示了强劲的活力。 数据仓库将大量用于事务处理的传统数据库数据进行清理、抽取和转换，并按决策主题的需要进行重新组织。数据仓库的逻辑结构可分为近期基本数据层、历史数据层和综合数据层(其中综合数据是为决策服务的)。数据仓库的物理结构一般采用星型结构的关系数据库。星型结构由事实表和维表组成，多个维表之间形成多维数据结构。星型结构的数据体现了空间的多维立方体。这种高度集中的数据为各种不同决策需求提供了有用的分析基础。 随着数据仓库的发展，OLAP也得到了迅猛的发展。数据仓库侧重于存储和管理面向决策主题的数据；而OLAP则侧重于数据仓库中的数据分析，并将其转换成辅助决策信息。OLAP的一个重要特点是多维数据分析，这与数据仓库的多维数据组织正好形成相互结合、相互补充的关系。OLAP技术中比较典型的应用是对多维数据的切片和切块、钻取、旋转等 ，它便于使用者从不同角度提取有关数据。OLAP技术还能够利用分析过程对数据进行深入分析和加工。例如，关键指标数据常常用代数方程进行处理，更复杂的分析则需要建立模型进行计算。 以数据仓库和OLAP相结合建立的辅助决策系统是决策支持系统的新形式。Business Object(BO)推出的智能决策支持系统工具BO 4.0是以OLAP技术为主体的、集查询和报表为一体的决策支持系统开发工具。该工具的一个重要特点是提出了"语义层"和"语义动态对象"的概念。语义层是将数据库中的列(字段)按决策主题重组为面向用户的对象，对象可以是数据库中的表、列、连接(多字段组合)以及对多字段进行运算的表达式。语义动态对象是对已经定义的语义层对象进行任意组合后形成决策需要的新表，并将表中的数据以可视化的方式在屏幕上显示或以报表的形式打印出来。 OLAP技术是对由语义动态对象建立的、以动态微立方结构形式存储的表进行向下钻取、向上钻取、跨越钻取、切片和切块等操作。BO 4.0的网络版使用户能够在网上通过浏览器查看或下载BO报表。 三、综合决策支持系统 以模型库为主体的决策支持系统已经发展了十几年，它对计算机辅助决策起到了很大的推动作用。数据仓库和OLAP新技术为决策支持系统开辟了新途径。数据仓库与OLAP都是数据驱动的。这些新技术和传统的模型库对决策的支持是两种不同的形式，它们可以相互补充。在OLAP中加入模型库，将会极大提高OLAP的分析能力。 90年代中期从人工智能、机器学习中发展起来的数据开采，是从数据库、数据仓库中挖掘有用的知识，其知识的形式有产生式规则、决策树、数据集、公式等。对知识的推理即形成智能模型，它是以定性分析方式辅助决策的。 数据开采的方法和技术包括决策树方法、神经网络方法、覆盖正例排斥反例方法、粗集方法、概念树方法、遗传算法、公式发现、统计分析方法、模糊论方法、可视化技术。 把数据仓库、OLAP、数据开采、模型库结合起来形成的综合决策支持系统，是更高级形式的决策支持系统。其中数据仓库能够实现对决策主题数据的存储和综合，OLAP实现多维数据分析，数据开采用以挖掘数据库和数据仓库中的知识，模型库实现多个广义模型的组合辅助决策，专家系统利用知识推理进行定性分析。它们集成的综合决策支持系统，将相互补充、相互依赖，发挥各自的辅助决策优势，实现更有效的辅助决策。 综合体系结构包括三个主体。第一个主体是模型库系统和数据库系统的结合，它是决策支持的基础，为决策问题提供定量分析(模型计算)的辅助决策信息。第二个主体是数据仓库、OLAP，它从数据仓库中提取综合数据和信息，这些数据和信息反映了大量数据的内在本质。第三个主体是专家系统和数据开采的结合。数据开采从数据库和数据仓库中挖掘知识，并将其放入专家系统的知识库中，由进行知识推理的专家系统达到定性分析辅助决策。 综合体系结构的三个主体既可以相互补充又可以相互结合。它可以根据实际问题的规模和复杂程度决定是采用单个主体辅助决策，还是采用两个或是三个主体的相互结合辅助决策。利用第一个主体的辅助决策系统就是传统意义下的决策支持系统。利用第一个主体和第三个主体相结合的辅助决策系统就是智能决策支持系统。利用第二个主体的辅助决策系统就是新的决策支持系统。在OLAP中利用模型库的有关模型，可以提高OLAP的数据分析能力。将三个主体结合起来，即利用"问题综合和交互系统"部件集成三个主体，这样形成的综合决策支持系统是一种更高形式的辅助决策系统，其辅助决策能力将上一个新台阶。由于这种形式的决策支持系统包含了众多的关键技术，研制过程中将要克服很多困难，这也是我们今后努力的方向。(end)

文章内容仅供参考 (投稿) (3/30/2005)