任务规划中基于案例推理的高维解空间适应性问题研究

利用案例推理对指挥实体任务规划过程中决策问题求解方法的修正过程是该方法推理过程中最困难的阶段，尤其当决策问题解空间是多维的情况下。文章讨论了指挥实体任务规划过程中高维决策空间的修正问题，并提出了可行的解决方法。首先利用自组织匹配法(ViSOM)清晰展现问题空间与决策空间的映射过程，然后，利用BP神经网络分析匹配结果间的相关性问题，最后选取一个简化的军事剧情对该方法的合理性进行验证。

案例推理法(Case-Based Reasoning, CBR)是一种利用曾经求解过的类似问题来类比映射得到决策问题解的适配方法。其中对决策问题求解方法的修正过程是CBR推理过程中最困难的阶段。

最简单的修正策略是由一系列用于解决新问题与已有案例间差异性与冲突性问题的修正规则构成。

为了克服基于规则推理的修正计算所带来的困难和局限性，里克等人[1]提出了一种转换型修正方法与规则相结合的混合案例修正计算方法，这些规则用于引导实现系统空间中必要的转换。此系统空间中不仅保留着修正过程中的转换操作过程，而且还保持着空间中的每一步搜索痕迹。尽管里克提出的方法功能比较强大，但由于每次仅能实现对一个修正目标的计算，所以仍然存在一定的局限性。另外，这种方法也不太适用于具有有限知识需求能力的CBR系统。这是因为，里克的方法依赖于大量进行明确表示的可用知识，并且无论系统进行修正所需的知识储备是否充足，都依赖于用户的紧密参与。因此，通过分析识别案例及其决策结果之间的差异性，Hanney和Keane[2]提出了一种在案例库中直接建立修正规则的方法，如果可能的话，这将是一种可行的模式。Jarmulak等人[3]基于CBR知识内容的可用性特点也开发了一套修正方案。此方法指出系统空间中的每一个案例都作为测试案例，并将其与案例库中其它与其最相近的案例进行比较。每一种比较过程中，都会构建一种修正方案。这个方案包含了测试案例库与检索案例中问题与决策结果之间的差异性及其描述信息。当新问题产生时，修正案例就会对所提出解决方案的正确性进行估计并提出必要的建议性意见。

上述提到的解决方法都是“知识启发式方法”[4]，即对CBR系统的自身案例进行修正性学习，并把它们作为知识库建立的来源。

这些方法首先对所萃取出的信息进行预处理， 再用学习算法对其进行处理。

学习过程中必须考虑所调查的问题域及其修正目标的问题。它将预处理信息转换成满足要求的修正决策方案。知识启发式修正方法必须由CBR系统提供足够数量的多种知识来支撑。不充足的知识储备可能会对系统造成负面影响。此外，由学习算法产生的修正知识必须正确，并适当结合已有的修正单元、解析过程，必要的时候也要考虑一下矛盾情况和不相匹配的情况。

许多CBR系统的决策空间只是一维的，例如对财产的估值，或对案例的评估分析等[5]-[8]。但是，在利用CBR技术来解决军事行动方案的制定问题(suitable course of action, COA)时，每一行动路线由相应时间所对应的实体位置来表示，因此我们所建立的案例决策空间是一个多维空间。这个多维空间可以简单认为是由若干个单维空间组成，每个单维空间应用相同的方法，然后再将每个单维决策结果进行组合。