2. 福州大学 决策科学研究所,福建 福州 350116
2. Decision Sciences Institute, Fuzhou University, Fuzhou 350116, China
案例推理(case-based reasoning, CBR)是人工智能领域一种重要的基于知识求解问题的方法,通过搜索与目标案例相似的历史案例生成目标案例的方案.近年来,案例推理已广泛应用于诸如液体泄漏[1]、环境紧急预案[2]、地铁项目[3-4]等应急管理中.然而,已有的基于案例推理的应急方案大多是通过提取与目标案例相似度最大的历史案例,并将其作为目标案例的解决方案.需要指出的是,目标案例与历史案例往往存在一定的差异,需要进行调整以确定目标案例的解决方案.
案例调整的方法主要有2类:基于统计方法的案例调整和基于机器学习的智能调整.基于统计方法的案例调整主要是通过参考多个案例的方案生成目标案例.目前常用的方法有平均数[5]、中间值[6]、加权平均[7]、多元回归分析法[8]等,其中加权平均法使用最广泛.加权平均法主要根据相似度较高的历史案例对案例调整效用大、相似度较低的历史案例对案例调整效用小的原则,应用线性加权法对历史案例的方案进行集结.加权平均法起先通过逆距离得到权重,对历史案例的方案进行集结;随着对案例相似度研究的深入,各种相似度计算方法出现,应用相似度代替逆距离的案例调整方法应运而生;QI等[9]发现通过相似度或距离的加权平均得到的方案质量较次,需考虑方案的调整能力,于是提出了基于案例调整能力的案例调整方法;进一步,HU等[10]发现案例调整需要考虑问题与方案之间的关联,提出了由相似度和灰色关联度确定权重进行方案集结.统计调整方法因其具有领域独立和应用简便的优点,广受青睐.但其调整精确度不高,且不能对具有不确定甚至缺失信息的方案进行调整.后来,在案例调整中引入基于机器学习的智能调整,该类方法主要通过归纳学习获取问题与方案之间的关系,并将此关系运用到目标案例从而生成解决方案.常用的智能方法有神经网络[11]、遗传算法[2]、支持向量机[12]、决策树[13]等.该类方法虽然能提高调整精度,但需要足够的数据量进行学习,而且需要花费大量时间.然而,相同类型的突发事件的数量有限,提供的案例数很难超过1 000,所以基于统计方法的案例调整更适合应急案例调整.
综上所述,加权平均的案例调整方法比较适合突发事件,然而,突发事件具有不确定性,存在不确定信息,目前未见对不确定信息的统计调整方法的相关研究.为此,本文在当前案例调整研究的基础上,从线性和非线性的角度确定相似历史案例,并引入证据推理,对具有不确定信息的应急方案进行集结,不仅可以提高案例调整的精度,而且弥补了已有调整方法无法处理不确定信息的不足.
1 问题描述为方便论述,这里给出考虑多角度效用的应急案例调整方法的问题描述.本文用包括问题、方案和实施效果的三元组形式表示案例. {C1, C2, …, Cm}表示m个历史案例构成的案例库,其中Cj表示第j个历史案例,j∈{1, 2, …, m};C0表示目标案例.记CP=(C1P, C2P, …, ChP)为问题的属性集,其中ClP表示第l个问题属性,l∈{1, 2, …, h};
下文将依据上述给定的问题属性信息(CP)、方案属性信息(CS)、实施效果属性信息(CR)以及问题属性权重向量(wP),运用可行的应急案例调整方法生成目标案例C0的方案.
2 应急案例调整方法 2.1 计算综合相似度为提高相似度值的效用,采用欧氏距离、高斯距离[14]以及FAN等[1]提出的相似度计算方法计算综合相似度.
(1) 欧氏距离的相似度计算公式:
$ {{d'}_{0jl}} = \frac{{\left| {{x_{0l}} - {x_{jl}}} \right|}}{{x_l^{\max } - x_l^{\min }}}, $ | (1) |
其中,xlmax=max{x0l, max{xjl}},xlmin=min{x0l, min{xjl}}.
$ {\rm{Si}}{{\rm{m}}_1}\left( {{C_0},{C_j}} \right) = \frac{1}{{1 + \sqrt {\sum\limits_{l = 1}^h {{{\left( {w_l^P{{d'}_{0jl}}} \right)}^2}} } }}. $ | (2) |
(2) 高斯距离的相似度计算公式:
$ {g_{0jl}} = \exp \left[ { - \frac{{{{d'}_{0jl}}}}{{\sqrt 2 \times {\sigma _l}}}} \right], $ | (3) |
其中,g0jl表示高斯距离;σl表示误差偏离度程度,σl=σ×(max{xjl}-min{xjl}),σ∈[0, 1].
$ {\rm{Si}}{{\rm{m}}_2}\left( {{C_0},{C_j}} \right) = \sum\limits_{l = 1}^h {w_l^P{g_{ojl}}} . $ | (4) |
(3) FAN的相似度计算公式:
$ {{d''}_{0jl}} = \frac{{\sqrt {{{\left( {{x_{0l}} - {x_{jl}}} \right)}^2}} }}{{\max \left\{ {\sqrt {{{\left( {{x_{0l}} - {x_{jl}}} \right)}^2}} } \right\}}}, $ | (5) |
$ {\rm{Si}}{{\rm{m}}_3}\left( {{C_0},{C_j}} \right) = \sum\limits_{l = 1}^h {w_l^P \cdot \exp \left( { - {{d''}_{0jl}}} \right)} . $ | (6) |
考虑到3种相似度方法同等重要,采用相同的权重通过线性加权法进行集结,得到综合相似度值:
$ \begin{array}{l} {\rm{Sim}}\left( {{C_0},{C_j}} \right) = \\ \;\;\;\;\;\;\frac{{{\rm{Si}}{{\rm{m}}_1}\left( {{C_0},{C_j}} \right) + {\rm{Si}}{{\rm{m}}_2}\left( {{C_0},{C_j}} \right) + {\rm{Si}}{{\rm{m}}_3}\left( {{C_0},{C_j}} \right)}}{3}. \end{array} $ | (7) |
计算关联度值是为了得到案例的问题与方案之间的关系.灰色关联分析法是根据因素之间发展趋势的相似程度,即“灰色关联度”来衡量因素之间关联程度的一种方法.该方法对样本数量没有要求,也不要求序列数据必须符合正态分布,且不会产生与定性分析相悖的结论,因此,本文采用灰色关联分析法[15].
首先,对问题属性和方案属性进行标准化,处理计算公式为
$ {{x'}_{jl}} = \frac{{{x_{jl}}}}{{{x_{1l}}}};\;\;\;{{y'}_{jl}} = \frac{{{y_{jf}}}}{{{y_{1f}}}}; $ | (8) |
然后,计算x′jl和y′jl之间的关联系数:
$ \begin{array}{l} r\left( {{{x'}_{jl}},{{y'}_{jf}}} \right) = \\ \;\;\;\;\;\;\;\frac{{\mathop {\min }\limits_l \mathop {\min }\limits_j \left| {{{x'}_{jl}} - {{y'}_{jf}}} \right| + \rho \cdot \mathop {\max }\limits_l \mathop {\max }\limits_j \left| {{{x'}_{jl}} - {{y'}_{jf}}} \right|}}{{\left| {{{x'}_{jl}} - {{y'}_{jf}}} \right| + \rho \cdot \mathop {\max }\limits_l \mathop {\max }\limits_j \left| {{{x'}_{jl}} - {{y'}_{jf}}} \right|}}, \end{array} $ | (9) |
其中,ρ∈(0, 1) 为分辨系数,ρ越小,关联系数间差异越大,区分能力越强.通常情况下,ρ=0.5.
进一步,计算方案属性与问题属性的关联度r(
$ \begin{array}{l} r\left( {{{\bar x}_j},{{y'}_{jf}}} \right):\\ \;\;\;\;\;\;\;\;\;\;\;\;\;r\left( {{{\bar x}_j},{{y'}_{jf}}} \right) = \sum\limits_{l = 1}^g {w_l^Pr\left( {{{x'}_{jl}},{{y'}_{jf}}} \right)} ; \end{array} $ | (10) |
最后,计算案例的问题与方案的关联度r(
$ r\left( {{{\bar x}_j},{{\bar y}_j}} \right) = \frac{{\sum\limits_{f = 1}^g {r\left( {{{\bar x}_j},{{y'}_{jf}}} \right)} }}{g}. $ | (11) |
为了更好地辅助将来做出合理的应急决策,对突发事件的应急方案进行评估.依据实际情况,实施效果评价的属性值rjs通常可分为数值型和文本型2种[16].例如,评价属性“应急救援总体效果”一般为语言变量,评价属性“伤亡人数降低率”和“财产损失降低率”一般为数值型.下面给出历史案例中方案实施效果的效用值计算过程.
首先,对实施效果的评价属性rjs进行规范化处理.若属性值rjs为数值型,则rjs规范化公式为
$ {{r'}_{js}} = \frac{{{r_{js}}}}{{\mathop {\max }\limits_{1 \le j \le m} \left\{ {{r_{js}}} \right\}}}; $ | (12) |
若属性值rjs为语言变量,设语言变量集是有序的,记为T={T1(很好), T2(好), T3(一般), T4(差), T5(很差)},相应地,集合T的下标为{1, 2,3, 4, 5},其中p表示语言变量Tp的下标,则rjs规范化公式为
$ {{r'}_{je}} = \frac{p}{5}. $ | (13) |
进一步,对规范化的属性值r′je进行集结,得到目标案例C0和历史案例Cj的实施效果的效用值uj:
$ {u_j} = \sum\limits_{s = 1}^e {w_s^R{{r'}_{js}}} , $ | (14) |
其中,wsR表示实施效果属性CsR的属性权重,满足wsR≥0,且
通过综合相似度Sim(C0, Cj)、案例关联度r(
$ {t_j} = \frac{{\sum\limits_{p = 1}^3 {{t_{jp}}} }}{3}. $ | (15) |
进一步,决策者根据相似度、关联度和实施效果的情况设置相似案例集的案例数q,0 < q≤m.
在此基础上,计算历史案例的权重wj:
$ \begin{array}{*{20}{c}} {{w_j} = \alpha {{w'}_j} + \lambda {{w''}_j} + \gamma {{w'''}_j},}\\ {{{w'}_j} = = \frac{{{\rm{Sim}}\left( {{C_0},{C_j}} \right)}}{{\sum\limits_{j = 1}^q {{\rm{Sim}}\left( {{C_0},{C_j}} \right)} }},{{w''}_j} = \frac{{{r_j}}}{{\sum\limits_{j = 1}^q {{r_j}} }},{{w'''}_j} = \frac{{{u_j}}}{{\sum\limits_{j = 1}^q {{u_j}} }},} \end{array} $ | (16) |
其中,0≤α, λ, γ≤1,且α+λ+γ=1.α,λ和γ的取值由决策者对相似度、关联度及其实施效果效用值的偏好程度决定,α=λ=γ=
证据推理(evidence reasoning, ER)能很好地处理无知和缺失问题,基于此,本文采用WANG等[17]提出的区间解析证据推理方法进行应急案例的集结.
首先,根据历史案例的方案属性值确定每个方案属性的评价等级标准.评价等级分为{H1, H2, H3, H4, H5}5级.设S={S1, S2, …, Sg}表示方案的属性集,其中Sf表示方案的第f个属性,那么,每个方案属性Sf对应的评价等级定量值为{Df, 1, Df, 2, Df, 3, Df, 4, Df, 5}.令Df, 1=
然后,根据设置的方案属性评价等级,将历史案例的方案属性转换为置信度评价等级形式.
(1) 当yjf为精确数时,将方案属性转换为{(Hn, βj, n); (Hn+1, βj, n+1)}(n=1, 2, …, 5) 的形式:
$ {\beta _{j,n}} = \frac{{{D_{f,n}} - {y_{jf}}}}{{{D_{f,n + 1}} - {D_{f,n}}}},\;\;\;{\beta _{j,n + 1}} = \frac{{{y_{jf}} - {D_{f,n}}}}{{{D_{f,n + 1}} - {D_{f,n}}}}. $ | (17) |
(2) 当yjf为区间数时,设yjf=[yjf-, yjf+],则方案属性的置信度形式根据yjf横跨几个评价等级确定.
若Df, n≤yjf≤Df, n+1,则将其转换为{(Hn, [βj, n-, βj, n+]); (Hn+1, [βj, n+1-, βj, n+1+])}形式,即
$ \beta _{j,n}^ - = \frac{{{D_{f,n + 1}} - y_{jf}^ + }}{{{D_{f,n + 1}} - {D_{f,n}}}},\;\;\;\beta _{j,n}^ + = \frac{{{D_{f,n + 1}} - y_{jf}^ - }}{{{D_{f,n + 1}} - {D_{f,n}}}}; $ | (18) |
$ \beta _{j,n + 1}^ - = \frac{{y_{jf}^ - - {D_{f,n}}}}{{{D_{f,n + 1}} - {D_{f,n}}}},\;\;\;\beta _{j,n + 1}^ + = \frac{{y_{jf}^ + - {D_{f,n}}}}{{{D_{f,n + 1}} - {D_{f,n}}}}. $ | (19) |
若Df, n-1≤yjf≤Df, n+2,则将其转换为{(Hn-1, [βj, n-1-, βj, n-1+]);(Hn, [βj, n-, βj, n+]); (Hn+1, [βj, n+1-, βj, n+1+]);(Hn+2, [βj, n+2-, βj, n+2+])}形式,即
$ \beta _{j,n - 1}^ - = 0,\;\;\;\beta _{j,n}^ + = \frac{{{D_{f,n + 1}} - y_{jf}^ - }}{{{D_{f,n + 1}} - {D_{f,n}}}}; $ | (20) |
$ \beta _{j,n}^ - = 0,\;\;\;\;\beta _{j,n}^ + = {I_{n - 1,n}} + {I_{n,n + 1}}; $ | (21) |
$ \beta _{j,n + 1}^ - = 0,\;\;\;\;\beta _{j,n + 1}^ + = {I_{n,n + 1}} + {I_{n + 1,n + 2}}; $ | (22) |
$ \beta _{j,n + 2}^ - = 0,\;\;\;\beta _{j,n + 2}^ + = \frac{{y_{jf}^ + - {D_{f,n + 1}}}}{{{D_{f,n + 2}} - {D_{f,n + 1}}}}; $ | (23) |
其中,In-1, n+In, n+1+In+1, n+2=1,In-1, n,In, n+1,In+1, n+2=0或1.
若yjf为缺失值,将其表示为{(H, 1)},其中H表示无知评价等级.
在此基础上,将方案属性的置信度形式转换为基本概率分布函数(BPA),转换公式为
$ {m_{j,n}} = {m_j}\left( {{H_n}} \right) \in \left[ {m_{j,n}^ - ,m_{j,n}^ + } \right] = \left[ {{w_j}\beta _{j,n}^ - ,{w_j}\beta _{j,n}^ + } \right], $ | (24) |
$ {{\bar m}_{j,H}} = 1 - {w_j}, $ | (25) |
$ {{\tilde m}_{j,H}} = \left[ {{w_j}\beta _{j,H}^ - ,{w_j}\beta _{j,H}^ + } \right]. $ | (26) |
最后,通过证据推理的解析算法[17],将历史案例的方案属性进行集结,并用期望效用形式表示,集结模型为
$ {\rm{Max}}\;{u_{\max }} = \sum\limits_{n = 1}^4 {{D_{f,n}}{\beta _n}} + {D_{f,5}}\left( {{\beta _5} + {\beta _H}} \right), $ | (27-1) |
$ {\rm{s}}.\;\;{\rm{t}}.\;\;\;\;\;{\beta _n} = \frac{{{m_n}}}{{1 - {{\bar m}_H}}}, $ | (27-2) |
$ {\beta _H} = \frac{{{{\tilde m}_H}}}{{1 - {{\tilde m}_H}}}, $ | (27-3) |
$ \begin{array}{l} {m_n} = K\left[ {\prod\limits_{j = 1}^q {\left( {{m_{j,n}} + {{\bar m}_{j,H}} + {{\tilde m}_{j,H}}} \right)} - } \right.\\ \;\;\;\;\;\;\;\;\left. {\prod\limits_{j = 1}^q {\left( {{{\bar m}_{j,H}} + {{\tilde m}_{j,H}}} \right)} } \right], \end{array} $ | (27-4) |
$ {{\tilde m}_H} = K\left[ {\prod\limits_{j = 1}^q {\left( {{{\bar m}_{j,H}} + {{\tilde m}_{j,H}}} \right)} - \prod\limits_{j = 1}^q {{{\bar m}_{j,H}}} } \right], $ | (27-5) |
$ {{\bar m}_H} = K\left[ {\prod\limits_{j = 1}^q {{{\bar m}_{j,H}}} } \right], $ | (27-6) |
$ \begin{array}{l} K = \left[ {\sum\limits_{n = 1}^5 {\prod\limits_{j = 1}^q {\left( {{m_{j,n}} + {{\bar m}_{j,H}} + {{\tilde m}_{j,H}}} \right)} } - } \right.\\ \;\;\;\;\;\;{\left. {4\prod\limits_{j = 1}^q {\left( {{{\bar m}_{j,H}} + {{\tilde m}_{j,H}}} \right)} } \right]^{ - 1}}, \end{array} $ | (27-7) |
$ {{\bar m}_{j,n}} \le {m_{j,n}} \le m_{j,n}^ + , $ | (27-8) |
$ \tilde m_{j,H}^ - \le {{\tilde m}_{j,H}} \le \tilde m_{j,H}^ + , $ | (27-9) |
$ \sum\limits_{n = 1}^5 {{m_{j,n}} + {{\bar m}_{j,H}} + {{\tilde m}_{j,H}}} = 1. $ | (27-10) |
由上述模型可以得到对m个历史案例Cj关于方案属性Sf集结得到的效用上界,即目标案例C0关于方案属性Sf值的上界y0f+.如果求m个历史案例Cj关于方案属性Sf集结得到的效用下界,则将目标函数(27-1) 替换为
$ \min \;{u_{\min }} = {D_{f,1}}\left( {{\beta _1} + {\beta _H}} \right) + \sum\limits_{n = 2}^5 {{D_{f,n}}{\beta _n}} . $ | (28) |
考虑某城市高层建筑火灾应急决策问题.该城市收集了30个同类型的火灾,其中,考虑的问题属性包括:泄漏量(C1P,kg),泄漏强度(C2P,kg·s-1),存储总量(C3P,kg),人口规模(C4P);考虑的方案属性为:出动的救援力量(C1S,人);考虑的方案实施效果属性包括:应急救援整体效果(C1R)、伤亡人数降低率(C2R,%)和财产损失降低率(C3R,%).该城市消防中心决策专家根据经验给出问题属性权重wlP=(0.269 3, 0.249 0, 0.259 2, 0.222 4).下面给出应急决策的部分过程和结果.
首先,根据式(1)~(7) 分别计算案例的欧氏距离相似度Sim1(C0, Cj)、灰色关联度Sim2(C0, Cj)、Fan相似度Sim3(C0, Cj)和综合案例相似度Sim(C0, Cj);根据式(8)~(11) 计算案例的关联度r(
然后,依据式(15) 计算排名,并设置相似度案例数目q=10,得到排名前10的案例集为(C2, C15, C16, C17, C19, C20, C21, C26, C27, C28).
进一步,设置α=0.7,λ=0.2,γ=0.1,依据式(16) 计算10个相似案例集的权重w=(0.106 0, 0.102 1, 0.103 8, 0.097 4, 0.108 2, 0.095 9, 0.096 1, 0.097 7, 0.100 3, 0.092 5).
最后,依据式(17)~(28),利用证据推理对相似历史案例集的方案进行集结,得到的结果为[68.026 1, 73.810 1].考虑实际情况,对集结的结果取整,得到方案的结果为[69, 74].
4 性能分析为了说明本文方法的有效性,引入平均绝对误差百分比(mean absolute percentage error, MAPE),比较调整值和实际值之间的差异.通过MAPE计算调整精确度:
$ {\rm{Accuracy}} = 1 - {\rm{MAPE}} = 1 - \frac{1}{g}\sum\limits_{n = 1}^g {\left( {\frac{{\left| {{y_{0f}} - {{\bar y}_{0f}}} \right|}}{{{y_{0f}}}}} \right)} , $ | (29) |
式中,y0f为案例C0关于方案属性f的精确值,
在计算10个相似案例集的案例权重前需要定义α, λ, γ的值.为了简化其最优化过程,选取5个不同的(α, λ, γ)值:(0.8, 0.1, 0.1),(0.7, 0.2, 0.1),(0.6, 0.2, 0.2),(0.6, 0.1, 0.3) 和(0.5, 0.2, 0.3),通过本文方法计算调整结果,得到的精确度如图 1所示.若将C29作为目标案例,取相同的(α, λ, γ)值,得到的精确度如图 2所示.由图 1和2可知,当(α, λ, γ)的值为(0.7, 0.2, 0.1) 时,案例的调整精确度最高.
经典案例的调整方法有:基于逆距离加权平均法(inverse distance weighted mean,IDWM)[18]和基于相似度倒数法(reciprocal of similarity, RS)[19].近来, HU等[10]提出了一种基于灰色关联分析的案例调整方法(grey relational analysis, GRA).为了说明本文方法的有效性,将其与GRA等方法进行了比较,得到4种方法在10个案例上的精确度,如表 3所示,并对4种方法的调整精确度进行了排名,见图 3.
由表 3知,本方法在案例(C21, C23, C24, C26, C27, C28, C30)上的调整精确度高于IDWM和RS,只有在案例C22上比IDWM低0.003 5,在案例C25上比IDWM低0.016 4,比RS低0.007 4,在案例C29上比RS低0.010 2.本方法在案例(C21, C24, C25, C26, C29, C30)上的调整精确度高于GRA,在案例C22上比GRA低0.013 5,在案例C23上比GRA低0.003 6,在案例C27上比GRA低0.004 8,在案例C28上比GRA低0.003 8.本文方法在平均案例调整精确度上较IDWM、RS和GRA分别提高了0.4%,1.0%和1.7%.在最大案例调整精确度上较IDWM和RS分别提高了0.6%和0.8%.在最小案例调整精确度上较IDWM降低了0.4%,较RS提高了0.3%.
由图 3可知,本方法在案例(C21, C24, C26, C30)上的精确度排名第1,虽然GRA方法亦有4个案例的精确度排名第1,但其他案例的排名多为第4,而本文方法在案例(C23, C27, C28, C29)上的排名为第2. IDWM和RS方法的排名几乎都为第2~4名.
综上所述,本文提出的考虑多角度效用的应急案例调整方法能够调高预测方法的精确度.
5 结论案例调整是案例推理的重要步骤,目前尚缺乏系统研究,特别是在突发事件情形下,研究更显得不足.本文提出了考虑多角度效用的应急案例调整方法,在确定案例权重时,从综合相似度、灰色关联度和实施效果3个角度生成一个集结的权重值;对历史案例采用证据推理进行集结,解决了突发事件方案中存在不确定甚至数据缺失的问题.最后,用算例说明了方法的可行性和有效性.
[1] | FAN Z, LI Y, WANG X, et al. Hybrid similarity measure for case retrieval in CBR and its application to emergency response towards gas explosion[J]. Expert Systems with Applications, 2014, 41(5): 2526–2534. DOI:10.1016/j.eswa.2013.09.051 |
[2] | LIAO Z, MAO X, HANNAM P M, et al. Adaptation methodology of CBR for environmental emergency preparedness system based on an improved genetic algorithm[J]. Expert Systems With Applications, 2012, 39(8): 7029–7040. DOI:10.1016/j.eswa.2012.01.044 |
[3] | FAN Z, LI Y, ZHANG Y, et al. Generating project risk response strategies based on CBR: A case study[J]. Expert Systems with Applications, 2015, 42(6): 2870–2883. DOI:10.1016/j.eswa.2014.11.034 |
[4] | ZHANG B, LI X, WANG S, et al. A novel case adaptation method based on an improved integrated genetic algorithm for power grid wind disaster emergencies[J]. Expert Systems with Applications, 2015, 42(21): 7812–7824. DOI:10.1016/j.eswa.2015.05.042 |
[5] | SHEPPERD M, SCHOFIELD C. Estimating software project effort using analogies[J]. IEEE Transactions on Software Engineering, 1997, 23(11): 736–743. DOI:10.1109/32.637387 |
[6] | ANGELIS L, STAMELOS I. A simulation tool for efficient analogy based cost estimation[J]. Empirical Software Engineering, 2000, 5(1): 35–68. DOI:10.1023/A:1009897800559 |
[7] | KWONG C K, SMITH G F, LAU W S, et al. Application of case based reasoning injection molding[J]. Journal of Materials Processing Technology, 1997, 63(1): 463–467. |
[8] | JI S, PARK M, LEE H, et al. Case adaptation method of case-based reasoning for construction cost estimation in Korea[J]. Journal of Construction Engineering and Management, 2012, 138(1): 43–52. DOI:10.1061/(ASCE)CO.1943-7862.0000409 |
[9] | QI J, HU J, PENG Y, et al. Incorporating adaptability-related knowledge into support vector machine for case-based design adaptation[J]. Engineering Applications of Artificial Intelligence, 2015, 37: 170–180. DOI:10.1016/j.engappai.2014.09.010 |
[10] | HU J, QI J, PENG Y, et al. New CBR adaptation method combining with problem-solution relational analysis for mechanical design[J]. Computers in Industry, 2015, 66: 41–51. DOI:10.1016/j.compind.2014.08.004 |
[11] | BUTDEE S. Adaptive aluminum extrusion die design using case-based reasoning and artificial neural networks[J]. Advanced Materials Research, 2012, 383: 6747–6754. |
[12] | QI J, HU J, PENG Y, et al. A new adaptation method based on adaptability under k-nearest neighbors for case adaptation in case-Based design[J]. Expert Systems with Applications, 2012, 39(7): 6485–6502. DOI:10.1016/j.eswa.2011.12.055 |
[13] | XIE X, LIN L, ZHONG S, et al. Handling missing values and unmatched features in a CBR system for hydro-generator design[J]. Computer-Aided Design, 2013, 45(6): 963–976. DOI:10.1016/j.cad.2013.02.004 |
[14] | LI H, SUN J. Gaussian case-based reasoning for business failure prediction with empirical data in China[J]. Information Sciences, 2009, 179(1): 89–108. |
[15] |
邓聚龙. 灰色控制系统[J].
华中工学院学报, 1982, 10(3): 9–18.
DENG J L. Grey control system[J]. The Journal of Huazhong University of Science and Technology, 1982, 10(3): 9–18. |
[16] |
李永海, 樊治平, 李铭洋. 解决广义不确定型决策问题的案例决策方法[J].
系统工程学报, 2014, 29(1): 21–29.
LI Y H, FAN Z P, LI M Y. Case-based decision analysis method for general uncertain decision making problem[J]. Journal of Systems Engineering, 2014, 29(1): 21–29. |
[17] | WANG Y M, YANG J B, XU D L, et al. The evidential reasoning approach for multiple attribute decision analysis using interval belief degree[J]. European Journal of Operational Research, 2006, 175(1): 35–66. DOI:10.1016/j.ejor.2005.03.034 |
[18] | LI S, HO H. Predicting financial activity with evolutionary fuzzy case-Based reasoning[J]. Expert Systems with Applications, 2009, 36(1): 411–422. DOI:10.1016/j.eswa.2007.09.049 |
[19] | YU W, LIU Y. Hybridization of CBR and numeric soft computing techniques for mining of scarce construction databases[J]. Automation in Construction, 2006, 15(1): 33–46. DOI:10.1016/j.autcon.2005.01.007 |