一种集成符号推理与群体智能用于冗余分配的基于知识的智能决策支持框架

《Knowledge-Based Systems》：A knowledge-based intelligent decision support framework integrating symbolic reasoning and swarm intelligence for redundancy allocation

　　

摘要

复杂工程系统中的决策制定日益需要集成领域知识、操作数据和智能优化技术。尽管冗余分配在可靠性工程中已被广泛研究，但现有方法很少在统一的决策支持框架内集成形式化知识表示与 AI 驱动优化。本文提出了一种知识驱动的智能决策支持框架，该框架集成了结构化系统知识、就绪度推理和基于 AI 的优化，用于复杂多组件系统的冗余分配。所提出的框架将系统架构的符号知识表示与数据驱动的就绪度推理以及基于二进制非线性规划和群智能的混合 AI 优化模块相结合。系统配置被编码为描述组件间逻辑依赖关系的知识库，从而能够推理就绪度。推理层使用操作数据评估系统就绪度，而优化层采用二进制非线性规划（BNLP）模型作为符号推理引擎，辅以基于二进制人工蜂群（B-ABC）的群智能计算模块，用于非线性决策空间中的自适应搜索。所提出的 IDSS 生成冗余建议，以在预算约束下最大化就绪度相关收益。一个现实世界的舰队运营场景被用来展示该系统在预算和成本变化下的决策支持能力和鲁棒性。基于运营舰队数据的实验结果表明，该框架识别出预算可行的冗余策略，增加了建模的系统就绪度，同时提供了可解释的建议。所提出的框架设计为领域无关的，可以支持各种工程和基础设施系统中的决策制定，包括能源网络、电信系统和生产设施，在这些系统中，不确定性下的冗余规划至关重要。

引言

复杂工程系统中的决策制定日益需要集成操作数据、领域知识和高级计算方法。在许多实际场景中，如舰队管理、能源基础设施、电信网络和生产系统，决策者必须确定如何分配有限资源以提高系统可靠性和运行就绪度。这些问题本质上是组合的、非线性和受约束的，使其非常适合基于人工智能（AI）的决策支持。

基于知识的系统为集成符号知识表示与数据驱动分析和计算智能提供了一个有效的范式。通过显式建模系统结构、功能依赖性和操作约束，此类系统能够在复杂工程环境中实现透明和可解释的决策制定。将结构化知识与 AI 驱动的分析方法结合的能力在必须同时考虑系统可靠性、运行就绪度和资源分配的领域中变得尤为重要。

传统的冗余分配和可靠性优化方法主要集中于数学建模和优化技术。虽然这些方法提供了有价值的分析见解，但它们通常缺乏与形式化知识表示和智能决策支持机制的集成。因此，它们通常被用作独立的分析工具，而不是全面 AI 驱动决策支持系统的组件。

基于知识的系统为解决这一差距提供了一个有前景的框架。通过编码关于系统结构和功能依赖性的专家知识，此类系统可以基于组件级数据推理系统级行为。当与数据驱动推理和基于 AI 的优化相结合时，基于知识的方法可以在复杂操作环境中支持可解释和感知资源的决策制定。与纯粹关注数值优化的传统冗余分配研究不同，所提出的方法在统一的决策支持架构内显式集成了知识表示、推理机制和 AI 优化。

本文提出了一种用于多组件运营系统冗余分配的知识型智能决策支持系统（IDSS）。该系统集成了三个关键的 AI 导向元素：（i）系统架构和冗余规则的形式化结构化知识表示，（ii）用于评估运行就绪度的数据驱动推理机制，以及（iii）表述为二进制非线性规划（BNLP）模型并通过采用二进制人工蜂群（B-ABC）算法的群智能计算模块增强的基于 AI 的优化。符号知识建模与数据驱动优化的集成构成了一个统一且可解释的决策框架，支持预算约束下的智能冗余规划。所提出的框架由图 1 所示的五个交互层组成。

本工作的贡献有四点。首先，我们引入了系统结构的知识型表示，形式化了组件间的功能依赖性，并能够对系统就绪度进行结构化推理和推断。其次，我们开发了一种基于二进制非线性规划（BNLP）并通过群智能计算模块（B-ABC）增强的混合 AI 驱动优化框架。第三，我们提供了所提出的群智能优化方法与确定性 BNLP 的比较验证，并评估了其在逐步增加的决策空间上的计算可扩展性。第四，我们展示了所提出的 IDSS 如何使用真实运营数据支持决策者选择有效的冗余策略。尽管使用舰队运营场景进行说明，但所提出的框架是领域无关的，适用于需要在不确定性下进行冗余规划的广泛工程系统。所提出的方法通过将符号知识表示、推理机制和基于 AI 的优化集成在统一且可解释的决策支持框架内，符合基于知识系统的范式。

章节片段

相关工作

基于知识系统的研究强调形式化知识表示和推理以支持决策制定。智能决策支持系统日益集成计算智能和数据驱动分析。尽管冗余分配已在运筹学中得到广泛研究，但有限的工作在统一且可解释的决策支持框架内结合结构知识建模与基于 AI 的优化。代表 AIDA-ML 方法的

系统架构

所提出的方法被实现为一种知识型智能决策支持系统，该系统将结构化领域知识与数据驱动推理和基于 AI 的优化相结合。系统没有将冗余分配视为孤立的优化任务，而是将决策制定组织成负责知识表示、就绪度推理和自适应搜索的交互层。这种分层架构增强了透明性、模块化和可解释性

用于冗余决策的基于 AI 的优化

所提出的知识型智能决策支持系统的优化层负责生成在预算约束下最大化就绪度相关效益的冗余策略。与被视为独立数学程序的传统冗余分配模型不同，所提出框架中的优化模块作为结构化推理架构的集成组件进行操作。本研究考虑的冗余分配问题本质上是

智能决策支持系统的演示

以下实验研究不仅说明了一个冗余优化模型，而且展示了所提出的知识型智能决策支持架构在现实世界条件下的操作行为。所提出的系统在一个现实世界的舰队运营场景中进行演示。运营数据、结构知识和成本参数在 IDSS 中集成以生成优化的冗余建议。

比较验证与成本 - 就绪度敏感性

为了评估所提出的混合优化框架的鲁棒性和有效性，使用三种不同的冗余分配策略进行了比较分析。第一种策略对应于在相同预算约束下进行的基线随机分配。第二种策略代表基于 BNLP 公式的确定性优化，没有群智能增强。第三种策略对应于所提出的集成

讨论

本研究的目的是开发一种知识型建模框架，通过将二进制非线性规划与数据驱动的就绪度评估相结合，最大化串并联可靠性系统中的冗余效益。与仅关注可靠性最大化的传统冗余分配研究不同，所提出的方法结合了从真实经验数据得出的运行就绪度指标，并将其嵌入智能决策支持框架中。

结论

本研究提出了一种知识型智能决策支持框架，将结构化知识表示、就绪度推理、符号推理和基于 AI 的优化集成到冗余分配的统一方法中。与将优化视为孤立计算任务的传统冗余分配方法不同，所提出的框架将知识工程与优化相结合，提供透明、可解释和基于操作的

CRediT 作者贡献声明

Joanna Szkutnik-Rogo?: 写作 – 审阅与编辑，写作 – 原创草稿，可视化，验证，监督，软件，资源，方法论，调查，资金获取，形式分析，数据管理，概念化。 Tadeusz Nowicki: 监督，方法论，调查，资金获取。

竞争利益声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本论文报告的工作。

致谢

本工作由 军事理工大学 在研究项目 UGB 531-000091-W500-22 下资助。

Joanna Szkutnik-Rogo?|Tadeusz Nowicki