不确定机械问题的推理建模

基于案例推理（Case Based Reasoning，CBR）的核心思想是在问题求解时，可以借助于以往对该类问题的求解经验，即案例，来进行推理。基于案例的推理与基于规则的推理（RBR）方法不同，它是一种类比推理方法，其推理过程中蕴含了学习和归纳的功能，这使得知识获取更为容易，因而在诊断、决策、分析等依赖经验知识较多的领域都有强大的应用背景。传统的人工智能方法或者单独依赖于问题领域中的一般性知识，或是在问题描述与结论之间建立一般性的联系，案例推理与其不同之处在于，案例推理能利用过去经验中的特定知识即具体案例来解决新问题，它通过寻找与之相似的历史案例，把它重新应用到新问题的环境中来；另一点明显的区别在于，案例推理的实现是一个持续的、不断改善的学习过程，一旦解决了一个新问题，就获得了新的经验，可以用来解决将来的问题。

案例推理周期的示意图如图2-2所示，其中案例表示，案例检索和案例调整是案例推理研究的核心问题。在案例推理中，一个新问题的求解是通过在案例库中检索一个或多个相关案例，应用匹配案例提供的解答并检验其应用结果是否成功，否则这个解答方案将被重新修正（除非被检索的案例很匹配），以获得一个能保存的成功案例。并没有普遍性的案例推理方法可以适用于解决所有领域中的问题，其难点就在于对于不同的领域和应用环境一般需要不同的方法。一般认为案例推理研究主要包括下面五个方面的问题：

1）案例表示：以一定的结构在案例中存储有关的信息。

图2-2 案例推理周期示意图

2）案例检索：在案例库中搜索与所给问题相似的案例。(www.xing528.com)

3）案例重用：重用检索到的案例的信息与知识以解决该问题。

4）案例修正：在重用的解失败或不满意时对其进行修改。

5）案例保存：将此解决方案中可能用于将来问题求解的部分存入库中。

其中案例检索、案例重用、案例修正和案例保存构成了一个案例推理周期。

CBR作为一种在缺乏系统模型而具有丰富经验场合下的问题求解方法，在系统建模与过程控制领域崭露头角。