第十章 智慧型決策支援系統

本章大綱 第一節 導論 第二節 人工智慧的概念 第三節 第一代智慧型DSS 第四節 第二代智慧型系統 第五節 結論

學習目標 智慧型DSS的概念 人工智慧與專家系統的概念與應用 類神經網路技術與應用 基因演算法技術與應用 案例推理技術與應用

表10-1 兩代IDSS系統的 比較 特性 第一代智慧型系統 第二代智慧型系統 知識表達 法則 多元化，包括案 例、法則等 推理方法 法則推理 多元化，包括案例推理、基因演算、類神經網路等 學習能力 弱，需依賴人工完成知識更新 強，可以有部分自動學習能力，如法則歸納

「智慧」應包括的能力 觀察外界環境的能力 對環境作彈性反應 與外界環境或其他事物溝通 瞭解不同因素的相對重要性 擁有內部知識 能夠異中求同或同中求異 設定目標並達成目標 創造力 學習能力

人工智慧的兩種觀點 實用觀點 AI是電腦科學中的一支，其目的在創造電腦程式來執行以往由人類所進行的工作；偏重實用性。 科學觀點

圖10-1 AI重點的演變 高 低 時間 幼稚 解答 一般 方法 領域 知識 1960 1970 1980 多元 應用 1990

圖10-2 AI家族的成員 機器人 自然語言瞭解 專家系統 自動學習 影像辨識 定理證明 聲音辨識 遊戲程式

第一代智慧型DSS 是運用專家系統技術的系統 專家系統概念解析 專家 專才 專家系統的要求 為何需要專家系統 專家系統與傳統DSS之不同

專家 能夠比其他絕大多數人更有效地解決某些特定問題的人。

專才 專家所賴以解決問題的知識，其通常包括知識與經驗 可以由它的形式和本質兩方面來探討 就形式而言，知識包括了經驗和法則 就知識的本質而言，可以分為「表面知識」與「深度知識」 表面知識是指與某個特定問題有關的知識，它只與該問題的解決有關。 深度知識則是指和許多問題都有關聯，而且可以加以一般化的知識。

專家系統的要求 專才 一個專家系統必須擁有足夠水準的專才，以表現出專家的水準，並且有充分的穩定性。 符號推理 符號是指敘述性的文字。 知識深度 專家系統必須要能夠運用複雜的深度知識，以解決困難的問題，否則便難稱為「專家」系統。

專家系統的要求（續） 自我充實 另一項專家系統的重要要求則是能夠檢討自己的推理思考過程，解釋自己的建議，並自經驗中學習改進，達到自我充實的要求。

表10-2 人類專家與專家系統的優劣 人類專家 專家系統 衰老 會 不會 知識轉移 困難 容易 記錄知識 決策一致性 低 高 使用成本 創造力 決策調適能力 知識範圍 廣泛 狹窄 知識性質 常識、技術 技術 知識內容 經驗 符號輸入

專家系統與傳統DSS之 不同 系統目標：取代 vs. 支援 系統重心：知識移轉 vs. 決策過程 交談方向：系統主導 vs. 用戶主導

專家系統的實例 美國史丹佛大學開發的MYCIN傳染病系統 Coopers & Lybrand開發的Exper Tax稅務規劃與管理系統 DEC電腦公司開發的XCON系統，其可協助銷售及技術人員選購恰當的迷你電腦組合 Cognitive systems, Inc.開發的La-Courtier財務規劃系統

第二代智慧型系統 第二代的專家系統又加入了學習能力，故稱為智慧型系統 具有下列幾項特質 更瞭解專業領域的知識 明確地陳述問題 找出適當的解決之道 解釋結果 自我成長

第二代智慧型系統之發展技術 類神經網路 是一種以電腦來模擬人類腦神經細胞網路的科學。 基因演算法 一種模擬人類基因演化的模型。 案例推理 以案例為基礎的推理系統，可以收集解決舊問題的案例，加以整理，並用來找出解決未來問題的方法。

圖10-3 類神經網路的類神經元 Input Σ ui ai θi Wi1 Wi2 Win 轉換函數 Output

圖10-4 單層感知機模型 lj Wj,i Oi lj Wj 輸入 輸出 Perceptron Network 輸入 輸出 　輸入 　　 輸出 Perceptron Network 輸入 　　　 輸出 Single Perceptron

倒傳遞網路學習模式 輸入層 由問題之自變數所構成，將變數的資料輸入到類神經網路中進行計算。 隱藏層 藉以表示輸入與輸出處理單元間之交互影響，而隱藏層之層數、單元數目前並無標準方法可決定，通常以試誤法(trial and error)決定。 輸出層 問題之因變數，也是網路計算結果的輸出。

圖10-6 倒傳遞神經網路 模型 輸入層 輸出層 隱藏層

類神經網路應用基本步驟 蒐集足夠數量且輸入及輸出結果均已知的訓練案例，來訓練該神經網路。 選定隱藏層的數量及各層中神經元的數量。 選擇適當的轉換函數，並決定學習率(learning rate)及動力(momentum)。 經長時間的學習調整，直到其誤差的變化逐漸收斂為止。

類神經網路在國內的應用 國內銀行業者—台新銀行 醫學界—忠孝醫院 股市投資

類神經網路的優點 類神經網路可以建構非線性的預測及分析模型。 類神經網路有良好的推廣性，對於未知的輸入亦可得到正確的輸出。 類神經網路可以接受不同種類的變數作為輸入，適應性強。 類神經網路可因應新增案例而機動調整。

類神經網路的缺點 類神經網路以逐漸趨近的方式更新鍵結數值與臨界門檻值，計算量大，相當耗費電腦資源。 類神經網路的解有無限多組，無法得知哪一組的解為最佳解。 類神經網路訓練的過程中無法得知需要多少神經元個數，太多或太少的神經元均會影響系統的準確性，因此往往需以試誤的方式得到適當的神經元個數。

基因演算法 基因演算法是一種模擬人類基因演化的模型 在這種模型中，問題的解答被巧妙地安排成一串數值，模擬基因中的一串染色體。大量的基因經過演化、突變與交配等等運算不停地產生新的基因，並淘汰不良的基因，最後演化出問題的最佳解答。 它是一種最佳化空間搜尋法，其主要目的如下 以嚴密而具象的科學方法解釋自然界「物競天擇、適者生存」的演化過程。 將生物界中遺傳演化重要機制以資訊科學軟體實作模擬。由達爾文進化論的觀點來看，物種靠不斷地演化而產生最適合生存的下一代。

圖10-7 基因演算法求解函數值之例 函數圖 50 100 150 200 250 300 10 20 30 40 參數P 函 數 值

基因演算法的運作步驟 定義基因組以及適配函數，創造第一代的基因組 藉由選擇、交配及突變三個運算元，來改良起始群體 重複步驟2，直到這個群體不再進步為止

圖10-8 基因演算過程三個運算元——選擇運算元 (a)選擇 第m代 第m+1代 基因死亡 基因存活 基因分裂

圖10-8 基因演算過程三個運算元——交配運算元 (b)交配 基因交配位置

圖10-8 基因演算過程三個運算元——突變運算元 (c) 突變 突變

基因演算法過程的三個運算元 選擇 選擇類似於自然界中的天擇，最適者可以將其遺傳因子遺傳給下一代。在計算過程中，母群體的數量是保持恆定的，也就是整個群體不致滅種。 交配 交配也發生在自然界中，將兩組基因組原有的某部分與另一組互換，產生了新的2組基因組。

基因演算法過程的三個運算元（續） 突變 最後一種運算元的因素是突變，親代在繁衍後代時，基因編碼產生了錯誤所致，這在自然界中極少發生。

表10-4 經過選擇作用後的適配值 基因 適配度 母體適配值的百分比 期望子代數 10110 176 37.4% 1.50 00011 87 18.5% 0.74 00010 58 12.3% 0.49 11001 150 31.8% 1.27

表10-6 經過選擇和交配過程所得的組成 基因 p 適配度 10110 18 234 11001 25 150 00110 6 22 176

表10-7 選擇交配和突變後的組成 基因 p 適配度 10010 18 234 11101 29 58 00110 6 150 10110 22 176

基因演算法的優點 產生的結果容易瞭解 可以處理不同類型的資料 可以用在複雜的最佳化問題求解 可以和類神經網路及其他技術整合

基因演算法的缺點 許多問題編碼的困難 不保證最佳化 運算成本極高 可以運用的商業套裝軟體不多

案例推理的流程 為新案件製作索引 找出類似案例 修改解決方法 評估與測試 方案應用 解釋、修正和測試 歸類和儲存結果

圖10-9 案例推理流程圖 2.檢索參考案例 問題 輸入 相似性函數 修改的規則 6.修正 修正的規則 索引規則 案例資料庫 7.歸類並 問題 輸入 相似性函數 修改的規則 6.修正 修正的規則 索引規則 案例資料庫 7.歸類並 儲存 1.指定索引 3.修改解答 4.測試 5.應用

圖10-10 案例的三種型態 案例 分類 僵固的案例 範例的案例 獨特的 故事 歸納 製作索引 歸納並製作索引 獨特 例外 重複 教訓 經驗 法則 知識

案例推理的應用 應用案例式推理系統有幾個主要重點需要克服 案例的表達 相似性函數 修正的知識

案例推理的應用（續） 案例推理的應用 規劃或需要判斷的問題 勞資談判或法官判案 高階管理舞弊診斷系統 醫學領域 商業領域 教育輔導領域