专家数据库系统

1、PAGE PAGE 10专家数据库系统 专家数据库系统(Expert Database System，EDS)作为人工智能(Artificial Intelligence，AI)和数据库(Data Base，DB)技术相结合的产物已经成为当前计算机应用的一个重要领域，引起了广泛的关注。 传统的数据库技术在大量共享数据库的存储、管理、查询等方面显示了它的优越性；然而，它对于一些特定领域的处理对象，如知识、图像、声音等却无能为力。人工智能在逻辑性推理和知识处理方面显示出威力，但它在存储空间管理和工作效率方面存在不足，使得应用范围受限制。因而，把人工智能和数据库技术结合起来势在必行。 DB技术对于A

2、I的主要作用在于提高了AI系统，尤其是知识库管理系统(Knowledge Base Management System, KBMS)的应用水平。DB的信息存储、共享、并发控制和故障恢复等技术有助于解决大型知识库、知识共享和分布式知识库管理等问题；而AI技术为以DB为基础的信息系统增加了表达和推理能力。 专家数据库系统兼有专家系统和数据库系统的功能。它是管理和存取大量共享知识、数据的一种计算机程序。第一节 专家系统 专家系统(Expert System)是人工智能学科领域中的一个重要分支；是人工智能从一般思维规律探索走向专门知识利用，从理论方法研究走向实际系统设计的转折点和突破口。它作为典型的“

3、知识工程”系统，既是知识表达、知识存储。知识推理、知识获取、知识管理技术的综合应用对象，也是研究和开发知识工程技术的工具。从这个意义上说，它促进了计算机软件、硬件和系统从数值信息处理向知识信息处理的发展。近年来，专家系统在理论研究和实际应用方面取得了令人瞩目的成就。在管理决策领域，专家系统也愈来愈受到人们的关注，取得了巨大的发展。 专家系统是一个能在某特定领域内解决复杂问题并达到专家水平的计算程序系统。它是一种具有智能特征的软件。它能够处理现实世界中需要由具有专门领域的知识和经验的专家来分析和解决的复杂问题；它利用包含有专家推理方法的计算模型来求解问题，其结果可以达到相应专门领域的专家的工作水

4、平。专家系统一般是在领域专家的帮助下开发的，系统中的专门知识含有这些专家个人的经验成份。专家系统是一门综合性很强的边缘学科，它综合了计算机程序设计、人工智能、心理学、数学等多学科的研究成果，正在形成自己的一套学科体系。一、专家系统的构成 一个专家系统至少由四部分构成:知识库、推理机制、知识获取工具和人机接口，在专家系统中，知识库和推理机制是专家系统的关键部件。1知识库 知识库用于储存领域专家提供的专门知识。它包括书本知识、常识性知识、由经验得到的启发式知识等，具体的有定义、定理以及确定和不确定的运算(推理)法则等等。一个专家系统的能力取决于其知识库中所含有知识的数量和质量。它包括知识的收集和知

5、识的表示两方面的工作，前者是通过知识工程师从同专家的对话和从专家以往处理问题的实例中抽取专家知识；后者是指选用择合理的数据结构把获取的专家知识形式化存入知识库中。2推理机制 推理机制包括知识库管理系统和推理机。知识库管理系统能够按要求自动地控制、扩展、更新知识库中的知识，按照推理过程的需求去搜索适用的知识，并对知识库中知识作正确的解释。推理机选取知识库中对当前问题可用的知识，在问题求解过程中生成并控制推理的进程。控制策略的选择常与专家系统求解的问题类型有关，选取得合适与否将影响着系统对知识库中知识的使用效率，进而脚向着系统求解的效率。知识的选取过程在控制策略的控制下有时还需要结合一些启发式知识

6、，因为可用知识的使用途存在优先程度等因素的制约。3知识获取机制这是指机器自动实现的知识获取，称之为机器学习、自学、或简称为学习。这种自学习机制是通过两种方式实现的。一种方式是以传授方式(Taught)而不是编程方式(Programmed)接受专家对知识库的扩充和修改，即专家同系统直接对话，系统把与专家对话的内容变换成知识库中的内部知识，或用以修改知识库中的已有知识。另一种方式是根据用户对系统每次求解结果的反馈信息，知识获取机制自动进行知识库中知识的修改和完善，并可在系统问题求解。图1专家系统及其环境的过程中自动积累，形成一些有用的中间知识，如启发式规则，经过适当的实例验证以后，自动追加到知识库

7、中，用以不断扩充知识库，增强和完善系统的性能。知识获取机制有时还兼有在知识库建造过程中部分代替知识工程师进行专门知识自动获取的功能。 图1 专家系统及其环境4人机接口 这是用户与计算机系统交互的窗口。通过它，将专家和用户的输入信息翻译成系统可接受的内部形式，同时把系统向专家或用户的输出信息转换为人类易于理解的形式。所以要求它尽可能符合人的思维和求解问题的过程，使用尽可能接近自然的语言以方便用户使用。 构造这样一个结构完整的专家系统，其核心技术集中体现在三个方面:知识获取(包括人工方式的知识获取和机器学习)，知识表示和知识运用。二、专家系统的特征和应用 专家系统与信息系统、决策支持系统有着密切的

8、关系，但又有许多各自不同的特征。信息系统主要是处理数据，而决策支持系统则利用模型对数据进行处理。在专家系统中，主要是处理知识，它采用启发式方法在大型知识库上进行操作，其运行过程是一个推理过程。1专家系统的特征 为了进一步说明专家系统的特征，表1给出了专家系统、决策支持系统、传统计算机程序的比较。表1 专家系统、决策支持系统、传统计算机程序的比较比较方面序号专家系统决策支持系统传统的计算机程序领 域1专指的领域比较规范化的领域一般的、规范化的领域推理和搜索方法2启发式推理机械的或单调的推理机械的或单调的推理3符号处理数字或字母处理数字或字母处理4动态决策过程静态决策过程静态决策过程5信息记忆无信

9、息记忆无信息记忆6预言和推理如果则方式因果方式7数据型驱动控制驱动控制驱动8多个解一个解一个解9搜索为主计算为主计算为主10递归式重复式重复式1确定性因子真或假真或假数据特征12非确定非完全性数据半确定性数据精确或事实型数据13AI数据结构固定的层次的数据结构固定的层次的数据结构14动态和静态变量静态变量静态变量用户接口15自然语言对话菜单、指令型人机界面菜单、指令型人机界面16生成并评价结论生成结论生成结论17定性和定量定量定量系统维护18专家或知识工程师维护用户维护程序员维护由此可看出专家系统的主要特征: (1)知识处理 专家系统针对某一特定领域中的问题，通过对知识的解释、推理过程来行使专

10、家的职能，完成类似专家的推理过程。虽然专家系统也会涉及数学计算，但更重要的是通过符号处理来解决决策过程中十分困难的问题。 (2)定性分析 专家系统可以同时处理不同精确度的数据，解决的办法是状态概率等。运行结果是以定性为主，辅以定量，这个结果不是一个简单的答案，而且还附有关于这个答案的解释和建议。 (3) What if(如果怎么样)逻辑 专家系统对求解问题的路径元确定性，但是最终能得到结果。 (4)自学习功能 专家系统可以把新的知识不断地加入到现有知识库，以修改原有知识，具有自学习功能。 (5)数据驱动 专家系统是以数据驱动，而不是控制指令驱动；操作时以搜索为主而不是计算为主。2专家系统现实意

11、义和存在间题 从系统的特征分析看，专家系统重要的现实意义是: (1)由于专家系统汇集了相关领域的众多专家的知识和经验，因而可以由非专家去完成过去只有专家才能完成的工作。 (2)专家系统解决的问题可以不受周围环境、时间和空间的影响。 (3)能够提高工作效率，带来巨大经济效益。据世界经济报1994年3月报道，美国1992年、1993年由于使用专家系统而增加了400亿人年工作量，每人的工作效率相当于传统工效的2000多倍。 目前，专家系统还不能达到一定程度的普及，其主要问题是: (1) 寻找好的专家，获取专家知识较困难，难以开发出令人满意的专家系统。 (2) 开发费用昂贵，一般企业难以承担。 (3)

12、 技术条件的限制，如适用于一般用途的计算机硬、软件系统有待进一步提高。 (4) 专家系统的可靠性、适用性要经过较长的实践，才能做出判断。 尽管存在不少问题，但它的优势吸引了众多的理论研究和实践方面的专家去进取。3专家系统的应用领域 迄今为止，专家系统已经成功地应用在如下几个领域求解问题: (1) 诊断 诊断专家系统用于发现一个系统或部件存在的功能失调的原因，并提供排除故障的建议，如设备仪器诊断专家系统、中医诊断专家系统。 (2) 解释 解释专家系统在接受观察到的现象或其它信息后，利用知识库和推理功能，指出事物所处的状态。如DENDRAI专家系统用来解释光谱分析仪产生的数据，可确定矿物的分子结构

13、和原子组成。 (3) 设计 根据事先存入专家系统中的有关产品或系统的设计信息，设计人员通过运行专家系统可以设计出新产品，例如工业产品设计、大规模集成电路设计等。 (4) 计划 计划专家系统根据给定的目标和起始状态，以及可能的中间环节、状态或步骤，提出一个满意的计划。 (5) 预测 预测专家系统根据给定状态的信息，运用知识库和推理机对可能发生的事件进行推断，如PROSPECTOR可用于预测铂矿的储藏量。 (6) 控制 该专家系统将反馈信号作为输入，动态地做出调整操作的决策，以控制系统的运行。 (7) 教学 指导教学指导专家系统是根据不同学生的水平、学习方法，引导其学习相关知识，纠正学生的答案，加

14、强学习的针对性。 事实上它的应用领域还在不断向广度和深度发展。在管理决策领域，专家系统已被广泛使用，例如，资源分配、财务管理、市场营销、计划安排、生产管理、质量控制等。三、知识库与知识表示 知识库是专家系统的核心部分，它是一个知识的集合。知识库中的知识通常用上种或几种方法来表示。知识表示的方法决定了知识库的结构，因此，开发专家系统的关键在于如何表达知识和应用知识。1知识的定义 在现实生活中，数据被定义为表示事物、概念的一种符号。信息相对于数据的接受者而存在，是数据所表达的客观事实。知识则是信息经过加工、整理和改造而成，它具有不确定性。 例如，在物资库存管理中，库存物资登记表上记载着某类物资的名

15、称、型号、货位、单价、产地、入库数量、出库数量等，这些一般称为数据。它们被管理决策人员接受并加以理解就成为信息。某些信息经业务领域专家加以认识，并经过加工、整理和解释而形成专家知识。2知识库(Knowledge Base) 知识库的基本内容可以概括为:事实(Facts)、联系(Relationships)和依附程序(Attached Procedure)。事实: 用数据库术语来说，就是实体(Entities)及其组成的数据项。联系：反映了包括蕴涵、启发式(Heuristic)、继承关系在内的与领域有关的语义知识，在知识库中是以某种表达方式被显式地表达出来。依附程序: 是指数据库中体现数据之间依

16、赖关系的操作程序，如根据人的出生年、月、日和当前年、月、日来计算一个人的年龄。在知识库中它们也被显式地表达出来。数据库与知识库之间有着不可分割的关系。数据库中所包含的显式表达的关系和约束条件可以视为某种低层(Low-level)知识；知识库中所包含的有明确定义的事实断言和通过规则等形式表达的某些与特定问题有关的明显关系，实际上就是数据库中的内容。这样，在用逻辑程序设计语言描述时，程序、数据库、知识库在形式上能够统一起来。所以，知识库可以看作是由数据库通过演绎数据库(Deductive Data Base)延伸而成的。演绎数据库是建立在关系型数据库理论基础上的一种新发展。3知识的层次分类 不考虑

17、知识在具体领域的特点，按照抽象的、整体的层次分类法，知识分为三个层次: (1) 零级知识 即事实型知识，是关于求解问题的常识性知识和原理性知识。它属于问题领域涉及的事实、对象和规范化操作等。 (2) 一级知识 即经验型知识，这是在事实型知识基础上产生的关于问题领域专家处理客观对象的经验。 (3) 二级知识 即复合型知识，在求解时，将事实型知识和经验知识有效结合后产生的知识。 这种知识的层次划分还可以继续下去，每高一级知识对低层知识都起着指导作用。在专家系统设计中，由于零级知识和一级知识都必不可少，它们被统称为领域知识，而把二级以上知识统称为元知识。通常认为，元知识是“关于知识的知识”。4知识表

18、示模型 当前知识的表示方法有以下几种:产生式规则(Production rules)、语义网络(Semantic nets)。谓词演算(Predicate Calculus)、框架(Frames)。 基于产生式规则的方法是由E.Post于1943年提出的。他运用这种规则对符号串作替换运算；运算中的每一条规则就称为一个产生式。但产生式方法用于专家系统中，无论在理论上或应用方面都有了较大改进。美国斯坦福大学早在1965年就采用这种方法开发了世界上第一个专家系统DENDRAL，用于帮助有机化学家确定化合物的内部结构。由于DENDRAL的成功开发，使得用规则来表示专家知识的方法广为采用。产生式规则目前

19、主要用于不太复杂的中、小型的专家系统的知识表示。 (1)产生式规则的表示形式 产生式规则是以“如果这个条件满足，就应该采取所指行动”形式表示的语句。 即:IF Condition ，THEN action。 产生式规则的IF(如果)部分称为前提部分或条件部分，它表明若要应用该规则所必须满足的条件；THEN(那么)部分称为行动部分或结果部分，它表明在条件满足的情况下所要采取的行动。在产生式规则的前提部分和结果部分可用谓词逻辑、符号或很复杂的过程语句来表示，这主要取决于所采用的数据结构的类型。 例如，对于实行订货点订货制度的物资库存控制系统，可以给出其中一条下述形式的产生式规则: Rule 1 :

20、IF the actual inventory level of material for a Special item is equal to the reorder point level of this item。 OR the actual inventory level of material for a special item is less than the reorder point level of this item。 THEN release a purchase order of material for this itemAND report the actual

21、inventory number for this material(2)产生式规则的优缺点它的主要优点是: 接近于人的思维方式，易于表达、理解和应用。 每条规则结构化，并描述一个单独的概念，可以进行修改而不影响其它的规则。 既可表示说明性知识，又可表示程序性知识。 它的主要不足是推理过程中不能省略事先确定的相继关系，必须一步步前后匹配，因而降低了推理效率。 (3) 推理机的控制方式 推理机(Inference engine)：是一种处理存于知识库中知识的计算机程序，在产生式系统中，它完成三项主要任务:检测已有的事实和规则；在可能情况下增添新的事实；决定进行推理的顺序。推理机的控制方式有反向推

22、理(Backward chaining)和正向推理(Forward chaining)。 反向推理：如果推理的目标是证实或否定某一特定结论，那么就采用反向推理。此时推理是从一个或多个可能的目标开始，推理机检测每个目标，查看包括各个可能目标的规则的IF子句是否全部为真。依次检测各个规则，直至找到答案，即找到使IF子句全为真的规则；或检测了所有的规则而仍找不到答案为止。这种推理方式又称目标驱动方式(Go AI Driven)。它尤其适合于输出(最终目标状态)数量有限而输入知识量很大的情况。 正向推理：如果推理的目标是从一组给定的事实出发，找到所有能推断出来的结论，那么就采用正向推理。正向推理从事实

23、开始，检查IF子句，探求问题的答案。若其THEN子句包含了某目标的某规则的全部IF子句都找到答案，系统将向用户提供解释。若搜索穷尽仍找不到答案，则系统将告之无解，这种推理方式又称为数据驱动(Data Driven)方式，在输入的数据量不大而知识库中的规则数量繁多的情况下，采用正向推理比较有效。 在正向推理过程中，当多个规则与事实匹配时，就产生了冲突，这时需要决定究竟选用哪条规则。通常解决冲突的策略有以下几种: 选用与事实匹配的第一条规则； 依次逐个选用各个与事实匹配的规则； 选用最特殊的与事实匹配的规则； 选用最近期的与事实匹配的规则。 表2简要说明了反向推理和正向推理的比较。表2 反向推理和

24、正向推理的比较反向推理正向推理驱动源目标驱动数据驱动控制方式从可能开始，反向工作，查看某项解是否正确从数据开始，正向构造，查看某项解与数据是否符合起点从询问关于目标状态的问题开始从一定的情况开始，并试图响应推理的解释能够解释推理过程不能解释推理过程推理方向自顶向下的推理自底向上的推理缩小通过尽可能减小及重新构造问题特性以缩小搜索空间通过发现限制搜索的约束条件以缩小搜索空间第二节 专家数据库系统的概念一、专家数据库系统的特征和分类1专家数据库系统的特征 一般说来，专家数据库系统具有如下特征: (1) 面向应用对象传统的数据库以字符数据为处理对象，专家系统则以知识为处理对象。一个理想的EDS应该既

25、能处理数据、知识，又能处理其它介质，如声音、图像和图形等。 (2) 处理对象的结构化这使得系统能够减少冗余，增强共享能力。 (3) 独立性EDS具有逻辑结构和物理结构上的独立性，易于扩充和修改。 (4) 启发性EDS可以在信息不完全、不精确的情况下，求解非结构化问题。 (5) 透明性EDS在求解问题的过程中，能根据用户的需要，解释和回答有关问题。 (6 )友好的人机接口。2专家数据库系统的分类 专家数据库系统可以按照不同的因素进行分类，下面介绍几种主要分类方法。 (1) 按应用领域分类：根据目前专家系统和数据库技术的应用领域，EDS可以划分为如下类型:企业管理专家数据库系统、军事专家数据库系统

26、、公安专家数据库系统、医疗专家数据库系统、地质专家数据库系统、气象专家数据库系统、建筑专家数据库系统、航空专家数据库系统、化学专家数据库系统、人事专家数据库系统等等。 (2) 按知识表示技术分类：根据知识表示的方法，EDS可分为:基于规则的专家数据库系统，基于框架的专家数据库系统，基于逻辑的专家数据库系统，基于语义网络的专家数据库系统，基于决策表的专家数据库系统等等。 (3) 按处理问题的类型分类：管理决策型根据实际情况和给定的目标，拟定行动方案；设计型根据给定的要求，形成所需要的方案或图形描述；控制型完成实时控制任务；监督型完成实时监测任务；诊断型根据获得的信息，寻找处理对象存在的问题，提出

27、解决问题的方案；预测型根据处理对象过去和现在的情况，推测未来的演变结果；解释型分析所获得的原始数据，阐明这些数据的实际含义；教育型用于教学和技术培训。二、专家数据库系统的结构1以数据库为核心的EDS以数据库为核心的专家数据库系统的结构，如图2所示。按此结构形式，在用户和存储数据之间存在三个层次:第一层是专家系统，进行基于知识和数据的处理；第二层是数据库管理系统，管理共享数据；第三层是进行特殊形式数据处理的专用处理器，它的数量和类型随处理对象而定。上一个层次可以向下一个层次发送命令和存取特定数据。EDS把专用处理器置于数据库管理系统的控制下，其目的在于把处理器的功能作为数据库管理系统功能的扩充。

28、这样，数据库管理系统的处理对象就可扩充到所要求处理的信息类型。2以专家系统为核心的EDS图3表示了以专家系统为核心的专家数据库系统的一般结构。在这种结构中，用户和存储数据之间存在四个层次:第一层专家系统；第二层是知识库管理器；第三层是数据库管理系统；第四层是专用处理器。图2 以数据库为核心的EDS 图3 以专家为核心的EDS它与图2相比，多了一层管理共享知识的知识库管理器。3复合型的EDS复合型专家数据库系统的结构如图4所示。这种结构的EDS由以下五个主要部分构成: (1) 智能接口处理用户与系统之间的信息交换。 (2) 专用知识处理器处理面向各种应用对象的特定数据，如知识、图形、图像、声音等

29、，使之成为系统能接受的形式。 (3) 专用数据处理器处理传统的字符数据。 (4) 专家数据库管理系统履行对共享信息的存储和管理。(5) 知识库和数据库。图4 复合型EDS结构第三节 面向数据知识实体联系的模型 近年来，由于计算机应用范围的不断扩大，特别是人工智能技术的逐渐发展，单纯面向传统的数据处理和知识表示的方法已不能适应需要。这里，我们结合专家数据库系统设计的需要，在传统的ER模型(Entity Relationship Model)的基础上，提出了面向数据知识实体联系DKER(Data Knowledge Entity Relationship)的模型。一、数据知识实体联系模型的基本概念

30、1DKER模型的基本元素 DKER模型的基本元素有三个:实体、联系和属性。 (1) 实体类 实体是泛指事务处理的数据、抽象事件、概念等知识，同类实体的集合称为实体集，在DKER中，有两类实体:事实实体(Fact Entity，FE)和规则实体(Rule Entity，RE)。 FE是描述传统数据处理对象的数据单位，用矩形框表示，标识符为“FE实体名”。 RE是描述基于规则的知识处理对象的数据单位，用双竖线矩形表示，标识符为“RE实体名”。 在同一实体集中，各个实体应具有相同的静态结构、操作特性及共同遵守的语义约束。 在DKER模型中，一个实体可以存在于两个或两个以上的实体集中。因而，它可以接受

31、不同的语义约束。 (2) 联系类 联系是对实体之间关系的描述，有时联系也是实体，这样的联系集合称为联系集，用棱形框表示。在DKER中存在三种类型的联系: 事实实体联系(Fact Entity Relation，FER)这是指事实实体和事实实体之间的联系，标识符为“FFR联系名”。 规则实体联系(Rule Entity Relation，RER)这是指规则实体和规则实体之间的联系，标识符为“RRR联系名”。 事实和规则实体联系(Fact and Rule Entity Relation，FRER)这类联系描述事实实体和规则实体之间的联系，标识符为“FRR联系名”。 (3) 属性类 属性是描述实体

32、的特征，用半圆形框表示，它是描述实体的最小单位，属性的取值范围称为属性的值域。 能够唯一地标识一个实体集中的某个实体的属性或属性组称为该实体的主码。在RE中，只用一个属性即规则号来标识这个实体。在实体集的某一属性值域中，只能有一个属性值与一个唯一标识实体的主码相对应。 除标识实体的主码外，属性的定义可以是整数、实数、字符串、布尔量、日期、函数、过程和规则。2DKER模型的基本图形DKER模型由基本图形组成。基本DKER图形由一个或多个实体与它们之间的联系构成，它是不可再分的。如图5所示，它共有以下六种形式: (1) 两个不同类型FE实体间的1:N联系当N1时，就构成了1:1联系，例如，在材料和

33、库存两个实体中，某种材料因购入时间不同，可多次填入库存实体，而每次填写的记录值只能对应一种材料，它们之间就形成了1:N的联系，如图5(a)所示。当某种材料只购入一次时，就形成了1:N的特例1:1的联系。 (2) 两个不同类型FE实体间的M:N联系 如图5(b)所示，一次购入的材料可以承办多次托收业务，而一次托收业务可承办多种购入的材料，由此产生M:N的联系。 (3) 数量超过两个的不同类型FE实体之间的联系 图5(c)构成的是M:N:L的联系。 (4) 同一类型FE实体集内的二元联系 如图5(d)所示，在零件这个实体中，零件的组合可以形成部件。某种程度上，这个部件也可以称为零件，它可以再与其它

34、的零件构成部件。于是，引入了部件这样一种联系，并设定部件联系集是对于零件实体内的M:N的联系。 前面四种基本图形都是基于FE的，即事实实体之间的联系图形。 (5) 两个不同类型RE实体间的联系 用棱形加双竖线连接两个RE实体表示，如图5(e)所示。例如，在判别库存物资时，白色并且包有绝缘材料的物资是导线，黄色并且包有绝缘材料的物资是导线，这就构成了1:N的RRR联系。它的特例构成了1:N的RRR联系。这里，它们都是构成M:N的RRR联系的特例。 (6) 两个不同类型FE和RE实体间的FRR的联系其结构如图5(f)所示。例如，在判别上述导线后，需要查寻它们的库存数量，就需要经由联系“FRR-f”

35、在实体“FE库存”中得到。这种联系一般也存在1:1、1:N、M:N的情况。图5 基本DKER图二、构建数据知识实体联系模型 构造DKER模型就是将基本DKER图形按照一定要求组成整体DKER图。构造模型的步骤如下: (1) 编写完善的应用说明书； (2) 标识实体集； (3) 标识属性值集； (4) 标识主码； (5) 标识联系集； (6) 设计子系统DKER模型； (7) 检验子系统DKER模型是否满足应用说明书的要求； (8) 汇总子系统DKER模型，获得整体DKER模型； (9) 检验整体DKER模型是否满足应用说明书的要求。 一般说来，前一步是后一步的基础。若某一步不满足要求，则应返回

36、到前面相应步骤重新进行工作。构造的模型经过评审检查，可以作为进一步的系统设计工作的基础，在选择相应的专家数据库管理系统后，模型经过变换优化，就可以进行模式描述和应用程序设计。最后，获得所需的专家数据库系统。第四节 物资进货决策专家数据库系统 市场激烈的竞争使组织内高层管理决策面临的问题和环境越来越复杂，传统的决策方法和数据处理方式难以满足现实的需求。为此，有必要针对现代管理决策问题的特点，开发基于知识制导处理的管理决策专家数据库系统，以辅助管理者实现对动态环境中结构化决策和非结构化决策问题的满意求解。 对于市场竞争中的商业企业，销售成功的关键在于进货，因此基于企业内外环境制定合适的进货决策方案

37、，一直困绕着企业的经营决策者。 若一个物资购销企业经营种类达十大类、几千个品种规格。每年初，公司要自上而下制定不同层次的进货计划，高层管理者承担的进货决策任务可以描述为，在一系列约束条件下制定:公司全年进货预算；在对所有产品按重要程度分类的基础上，确定各产品类的投资额；最重要产品类中各个品种的投资额。 在实际操作中，决策者面临的问题是:缺乏一个定性与定量分析相结合的决策模型；在决策所需要的大量知识中，专家经验和智慧型知识占相当大的比例；决策过程复杂，所要处理的信息和数据量大，且类型多。1体系结构根据该公司的经营特点及进货决策模式，MPDEDS的体系结构如图6所示。该系统由用户接口、控制调度器、多专家子系统接口、知识库、推理机、数据库管理系统、预测处理子