摘 要：本文将区域循环经济的特点与知识库的原理相结合，研究了决策支持系统中指标的构建和模型选择关键问题，给出了决策模型知识、符号知识、案例知识的表示方法，以及规则和推理机制、知识库的实现原型，为实现指标体系的动态组合，决策方法的智能选择提供了有效的解决方案。
关键词：知识库；推理机制；决策支持系统；指标体系
一、引言
基于知识工程的决策支持系统KEDSS (Knowledge-Based Engineering Decision Support System)是综合运用计算机技术、管理科学、经济数学、人工智能技术等多种科学知识，针对决策问题，通过提供决策问题背景数据，协助明确要点，修改完善模型，列举可能方案等方式，为管理者作出正确决策提供帮助。基于知识工程的决策支持系统是解决半规则决策和非规则决策的有效工具，也是近年来研究的热点。
循环经济系统是一个涉及社会、经济、环境的复杂系统，循环经济系统的决策属于半规则决策和非规则决策，在分析决策中面临的关键问题是：一是为追求评价指标的完备性不断提出和增设新指标，使指标种类和数量越来越多，如何表示这些大量复杂指标数据；二是决策问题通常具有针对性和特殊性，如何根据时代的特点和问题的特征，动态的构建相应的评价指标体系；三是评价方法和模型越来越复杂，如何根据不同的适用范围选择不同的决策方法和模型。客观地讲，国内外学术界对区域经济协调发展问题研究己积累了一些成果，不过从总体上看还不十分完善，只是阶段性的结果，而对区域循环经济系统的评价研究则还处于起始阶段。
针对上述问题，结合区域循环经济的特征运用知识工程的原理，研究复杂指标体系和决策模型的知识表示方法、规则表示方法和推理机制。将目标决策看成是一种知识，建立知识化的目标规划模型，并用面向对象的方法对它进行知识表示，通过知识库、规则库、案例库实现指标体系的动态组合，决策方法的智能选择。
二、知识的表示
根据循环经济可持续协调发展的理论，应该从经济、资源、环境综合考虑构建系统的评价决策体系，这样才具有合理性和科学性。因此，循环经济系统评价决策模型的层次结构模型见表1。
表1 循环经济系统评价决策层次模型 | |||
目标层F | 准则层f | 状态层s | 指标层x |
循 环 经 济 发 展 水 平 | 经济 发展 | 总量 | 总量指标（产值、利税、就业人数等） |
增长 | 增长率（产值、利税等） | ||
效益 | 劳动生产率、投资回报率、社会贡献率等 | ||
资源 承载力 | 总量 | 系统拥有资源指标（资源、能源、原材料等）、上下游产业链 | |
消耗量 | 消耗量指标（资源、能源、原材料等） | ||
利用效果 | 节能降耗、回收利用率 | ||
环境 承载力 | 环境质量 | （大气、水）环境质量 | |
排放量 | 排放量指标（废气、废水、固体废弃物等） | ||
治理效果 | 三废治理指标、达标率指标 | ||
那么，用知识来体现，即：决策=（领域知识，置信度）
根据知识工程的原理按人类知识的结构化程度，大致可以分为模型性知识、符号性知识、实例样本（案例）性知识三大类异构形态的知识。
采用三元组表示来定义异构知识：异构知识=（模型性知识，符号性知识，案例知识）
1.模型性知识的表示
模型性知识主要指所描述的问题对象可以抽象表达为数学模型，并可进行数值计算和分析，以数量表示、以数据运算反映知识推理和利用。决策问题所指的模型，是一些数学规划模型，它包括一组变量和指明它们之间关系的一组操作。为此可如下表示：
模型知识=（输入集，输出集，输入输出属性之间的映射，模型设定条件）
以多因素叠加法模型为例：
式中F为循环经济决策目标；Wi为第i个准则的权重；fi为第i个准则的评价值。
则知识表示为：
多因素叠加法模型=(fi，F，wi*fi，wi)
在模型库中存储了预先经过分析比较而建立的评价模型和相应程序，以便在应用时选择。
2.符号性知识的表示
符号性知识是知识库主体，如：决策中的一些不易用数学模型表示的定性分析问题，需要根据专家经验进行决策。符号性知识多以规则、框架、语义网络等形式表示，这些知识及其表达方法便于经验总结和归纳，其求解机制是符号推理，若以产生式规则表示，即为基于规则推理。在循环经济决策系统中，准则的选取，经济状态、资源状态和环境状态内涵等，许多是由经验和变化的情况决定的，它们可以用用符号知识表示，用规则进行知识的推理和利用。因此，可表示如下：
符号知识=（经验，规则，问题条件）
例如：
发展度=<经济状态指标，规则，置信水平>
考虑到循环经济系统的复杂性和具普遍性，用符号知识的三元组（事实、规则和置信度）定义来描述决策知识，即：
KO=
Fact表示由知识论域Ω中的某一或多个元事实 b 依据规则或操作构成的复合事实，即：
bi表示知识论域Ω中的某一元事实，是整个知识模型中最小的知识表示单元，在循环经济系统中的元事实可以是单项数量指标，如：产值、面积、能耗、人口等；
Rule表示元事实或复合事实之间的关系组合生成的一些规则或操作集（集合运算、算术运算等）。规则由前提和结论构成，前提是一系列元事实的连接所构成的假设，结论则由几个元事实组成。规则可以有嵌套结构，规则框架表示的数学模型如下所示：
RULE <规则1>
WHEN <经济>
If 总量、增长、效益 then 经济状态分析结论
END RULE <规则1>
RULE <规则2>
WHEN <资源>
If 总量、消耗量、利用效果 then 资源状态分析结论
END RULE <规则2>
RULE <规则3>
WHEN <环境>
If 环境质量、排放量、治理效果 then 经济状态分析结论
END RULE <规则3>
2.3 案例知识的表示
案例知识是指在实际问题的一些现象和过程中，积累了大量实际知识。这些知识是当知识经验积累到一定程度后有一个质的飞跃，成为成功范例。当实际问题无法模型化，且当经验知识不能或难以显示地表示时，案例知识更能起到很好的作用。对于案例知识，在求解问题时进行相似类比推理，在人工智能方法中称为基于案例推理，它与基于规则推理有着紧密联系，它可缓解专家系统知识获取困难的瓶颈问题，并提高系统的推理效率。在循环经济决策系统中，将一些成功决策的项目作为案例知识进行保存。
案例知识建模主要涉及如何选择合适的结构描述案例内容、案例库如何组织等。主要包括：定义知识表示，知识结构化和根据要求从各种类型的知识库中推理检索
出需要的案例知识条目。
案例知识=（案例索引，案例名称，案例特征，检索与实例适配标志，评价值）
案例＝｛案例ID，状态属性集合，决策方法，约束条件，评价描述｝
三、知识的推理
决策运行的过程为目标、指标和规则的匹配过程。基于模型的推理一般是基于系统结构、功能和层次的分解。每一层有若干个节点，每一节点都有自己的知识元，知识元中包含与这个节点有关的所有知识，推理过程是一个节点被建立或否定的搜索过程，可采用宽度优先或深度优先的搜索方法。本系统中使用基于层次分解模型的推理，在推理过程中，采用综合推理方法，即按层次模型用不同的方法推理，根据问题属性，从知识库（基本数据库、规则库、模型库、案例库）中，抽取、匹配、整合问题信息，通过指标体系编号从指标体系表中获取具体的指标，形成符合评价决策要求的评估指标及指标值，用户选择求解方式（模型求解，人工神经网络，基于案例推理等），最后对不同推理方法得到的结果进行综合分析。如果不同推理方法得到相似的结果，则此结果比较可信。如果由不同推理得出的结果差异很大，则根据案例的贴近度判断，如果贴近度接近于1，则以案例的推理为准，否则以规则推理为准。
在实际中应用最厂泛的是K最近相邻算法（K—Nearest Neighbors)，即从案例库中检索出与目标案例“距离”最近的案例的算法：首先为案例的每个属性指定一个权值，检索案例时，根据输入目标案例各状态属性权值与案例库中各属性的匹配程度，求得其权值的和，然后根据其权值的和的大小来判断案例与目标的匹配程度。K最近相邻算法通常采用的公式表示如下。
关于权的选择可以根据决策问题采用专家评估或以往的经验来设定。
四、知识的存储与知识库设计
1.知识的存储
用对象表示的知识与客观情况更为接近，易于理解。面向对象表示法的推理机制散布于各对象中，因而可以根据具体情况混合使用不同的求解方案。面向对象技术所提供的继承机制允许子类继承，有利于表示实际情况，形成以问题对象为基础的层次结构。在面向对象的知识库中，将问题求解中涉及的概念、实体等作为对象，并以框架形式表示，即每一个框架都是一个对象。各对象以它们之间的超类、子类、实例的关系形成一个层次网络(图1)。每个对象的所有属性、对该对象的属性进行操作的方法以及操作时使用的规则，都封装在对象框架之中。对象中涉及的方法可以是规则推理，也可以是其他任何求解功能，如对数据库的访问或人工神经网络的访问和用户定义的求解过程等。整个求解过程就是消息在各对象之间传递的过程，即对象之间相互联系的唯一方式是消息传递(过程调用)。
图1模型类层次关系
根据决策模型的层次关系，采用面向对象技术，将面向对象的知识统一表示在对象结构中，用如下的元组来表示，即：
面向对象广义知识=（类集合，对象集合，对象间的关系，对象属性集合，对象方法集合）
为了更明确的阐述，用巴科斯范式进行描述面向对象的知识表示。
知识的巴科斯范式BNF描述
<知识>::=< Class >< Class >
