决策支持系统--(1)综述

一、决策支持系统(Decision Support System,DSS)的形成
20世纪
50~60年代：电子数据处理（EDP）
60~70年代：管理信息系统（MIS）
70~80年代：决策支持系统（DDS）和专家系统（ES）
90年代初：智能决策支持系统（IDSS），又称传统决策支持系统
90年代中期：基于数据仓库的决策支持系统，又称新决策系统
发展方向：综合决策支持系统（S-DSS），结合传统决策支持系统与新决策支持系统
进一步发展：网络环境的综合决策支持系统（NS-DSS）

电子数据处理（Electronic Data Processing，EDP）
数据处理包括数据收集、数据路入、数据正确性检查、数据操作与加工，以及数据输出等。它与科学计算有显著区别：
1、数据量大；
2、数据处理一般不涉及复杂的科学运算；
3、时效性强，数据更新快；
4、每次处理一个记录，不进行数组运算。
EDP的例子有：人口普查；航空订票系统。

管理信息系统（Management Information System，MIS）
由人和计算机结合的对管理信息进行收集、存储、维护、加工、传递和使用的系统。
基本结构：管理业务程序 + 数据库系统。
管理业务程序包含多个EDP，每个EDP面向一个管理职能，比如财务EDP。多个管理职能的数据集中起来，建立数据库系统，成为MIS的核心组成部分。
MIS具备以下功能：
1、事务处理；
2、数据库的更新和维护；
3、产生各类报表；
4、查询处理；
5、用户界面。

管理科学（Management Science，MS）
由运筹学（Operations Research，OR）发展而来。OR是为决策机构在对其控制下业务活动进行决策，提供以数量化为基础的科学方法。20世纪50年代末美国大企业在经营管理中大量应用运筹学，开始时主要用于指定成产计划，后来在物资储备、资源分配、设备更新、任务分派等方面应用和发展了许多新的方法和模型。
管理科学是对管理问题用定量分析方法，建立数学模型，通过求解计算，达到辅助管理决策的一门科学。在处理问题时，分为5个阶段：
1、定义问题和确定目标；
2、建立模型，用数学表达式描述问题；
3、求解模型和优化方案；
4、检验模型和评价模型是否合理；
5、应用模型分析问题和不断改进模型。

决策支持系统
管理科学与运筹学运用单模型辅助决策，模型所需要的数据在计算机中以文件形式存储。大问题可能需要上百个模型来解决。决策支持系统的出现时要解决用计算机自动组织和协调多模型的运行以及数据库中大量的数据处理，形成决策方案，达到更高层次的辅助决策能力。
基本结构：模型库系统 + 数据库系统 + 人机交互系统
模型库系统由模型库和模型库管理系统组成，它把众多的模型有效地组织和存储起来。
决策支持系统的特性：
1、用定量方式辅助决策，而不是代替决策；
2、使用大量的数据和多个模型，形成决策方案；
3、支持决策制定过程；
4、为多个管理层次上的用户提供决策支持；
5、能支持相互独立的决策和相互依赖的决策；
6、用于半结构化决策领域。

专家系统
基本结构：知识库 + 推理机
以定性方式辅助决策的系统，区别于以定量方式辅助决策的决策支持系统。
核心部分由“推理机、知识库和动态数据库”组成。知识库存放大量的专家知识；推理机完成对知识的搜索和推理；动态数据库存放已知的事实和推理出的事实与结果。相对来说，决策支持系统中的数据库是静态数据库。
特性：
1、用定性方式辅助决策。
2、使用知识和推理机制。
3、知识获取比较困难；
4、知识包括确定知识和经验知识；
5、解决问题的能力受知识库内容的限制；
6、专家系统适应范围较宽。

智能决策支持系统（传统决策支持系统）
初型为专家系统和决策支持系统的结合。要将两者结合，要解决两系统中各部件之间的接口问题，然后再解决两系统的集成问题。
除专家系统，还有神经网络、机器学习、遗传算法以及自然语言理解多种人工智能技术。它们可以分别与决策支持系统结合形成智能决策支持系统，也可以有多项人工智能技术共同与决策支持系统结合形成智能决策支持系统。

基于数据仓库的决策支持系统
数据仓库（Data Warehouse,DW)是企业内部的运作数据和事务数据的中央仓库，这些数据经过了清理、转换、综合，把数据转换成商业信息，帮助企业解决复杂商业难题。数据仓库以数据库为基础发展起来，将大量的数据库的数据按决策需求进行重新组织，以数据仓库的形式进行存储，为用户提供辅助决策的随机查询，综合数据以及随时间变化的趋势分析信息等。它的存储量大约是一般数据库的100倍。
数据挖掘（Data Mining，DM）是在大型数据库中发现知识（Knowledge Discovery in Database，KDD）的一个步骤，它主要利用某些特定的知识获取算法，从数据库中发现有关的知识。KDD是一个多步骤的对大量数据进行分析的过程，包括数据预处理、模式提取、知识评估及解释。数据挖掘从人工智能机器学习中发展起来，最常用的数据挖掘方法有统计分析方法、神经网络方法和机器学习中的方法。数据挖掘技术可以产生5种类型的知识：1、与某个事件相关联的知识；2、时间序列事件的知识；3、将数据聚集成多个类别的知识；4、描述一类数据的特性模式的知识；5、估测未来的预测知识。
DW、联机分析处理（OLAP）与DM都是决策支持的新技术。DW提供大量辅助决策的数据；OLAP提供多为数据分析；DM挖掘数据中隐含的信息和知识。

综合决策支持系统（Synthesize-Decision Support System，S-DDS）
传统决策支持系统以模型和知识为决策资源，通过模型的计算和知识推理为实际决策问题辅助决策。新决策支持系统是以数据仓库中的大量数据为对象，从数据仓库中提供综合信息和预测信息；联机分析处理提供多维数据分析信息；数据挖掘提供所获取的知识，共同为实际决策问题辅助决策。两者相互补充，结合起来便是S-DSS。它将DW、OLAP、DM、模型库MB、DB、知识库KB结合。

网络环境的综合决策支持系统（Net Synthesize-Decision Support System，NS-DSS）
将S-DSS的部件分布在网络上：客户机运行DSS控制程序，调用模型服务器的模型完成模型运算，调用知识服务器的知识完成推理；调用网络上的数据仓库进行综合信息查询，等等。。。
NS-DSS是DSS的发展方向。


二、决策支持系统概念
决策问题可分为：
1、结构化问题；常规的和完全可重复的，每一个问题仅有一个解，可用程序来实现。
2、非结构化问题：不具备已知求解方法或存在若干求解方法而所得到的答案不一致,实质上包含创造性或直观性，计算机难以处理。人是处理非结构化问题的好手。
3、半结构化问题：介于结构化和非结构化之间。计算机和人结合起来能有效处理该类问题。
DSS只能决策半结构化问题。

结构化程度的3个因素：
1、问题形式化描述的难易程度；
2、解题方法的难易程度；
3、解题中所需计算量的多少。

决策支持系统的初步定义：利用大量数据，有机组合各类模型，在计算机上建立多个决策方案，通过人机交互，辅助各级决策者实现科学决策的系统。

三、决策科学与决策支持系统
决策（Decision Making）就是为了达到一定目标，采用一定的科学方法和手段，通过分析、比较，在若干种可供选择的方案中选定最优方案或满意方案的判断过程。
按作用分类：1、战略决策；2、管理决策；3、业务决策。
按性质分类：1、程序化决策；2、非程序化决策。
按条件分类：1、确定性决策；2、风险型决策（状态概率可估）；3、不确定型决策（状态概率不可估）。
决策的特征：1、目的性；2、超前性；3、创造性；4、管理性。

决策科学是研究决策原理，探索如何作出正确决策的一门综合性学科。主要内容有：
1、决策原理的研究；决策在管理活动中的地位，决策活动中人、机、物诸因素的关系；
2、决策信息的研究；
3、决策过程和方法的研究；
4、决策组织机构（决策体系）的研究；
5、决策对象规律性的研究。

决策过程可分为8个步骤：
1、提出问题；
2、确定目标；
3、价值准则；
4、拟定方案；
5、分析评价；
6、选定方案；
7、实验验证；
8、普遍实施。