决策支持系统发展现状与趋势分析，本文主要内容关键词为：支持系统论文,发展现状论文,趋势论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
1 决策支持系统的兴起与发展
决策是人类社会发展中人们在为实现某一目的而决定策略或办法时，时时处处存在的一种社会现象。任何行动都是相关决策的一种结果。正是这种需求的普遍性，人们一直致力于要开发一种系统，来辅助或支持人们进行决策，以便促进提高决策的效率与质量。尤其是随着现代信息技术和人工智能技术的发展和普及应用，更有力地推动了决策支持系统（Decision Support System，简称DSS）的发展。
简要说来，DSS大致经历了这样几个发展历程：20世纪60年代后期，面向模型的DSS诞生，标志着决策支持系统这门学科的开端；20世纪70年代，DSS的理论得到长足发展，80年代前期和中期，实现了金融规划系统以及群体决策支持系统(Group DSS)；20世纪80年代中期，通过将DSS与知识系统相结合，提出了发展智能决策支持系统(IDSS)的设想[1]；此后，开始出现了主管信息系统（executive informationsystem，简称EIS指为了满足无法专注于计算机技术的领导人员的信息查询需求，而特意制定的以简单的图形界面访问数据仓库的一种应用）、联机分析处理(OLAP)等。到了20世纪90年代中期，人们开始关注和开发基于Web的DSS，随着Internet的革命性发展和深入应用，基于分布式的、支持群体网络化和远程化协同的情报分析与综合决策支持系统逐步浮出水面并开始走向应用；随着人工智能技术的不断发展，DSS的智能化程度越来越高，对人们决策的支持能力也越来越强大。
2 决策支持系统的主要类型
自20世纪70年代提出决策支持系统(DSS)以来，DSS已经得到了很大发展。从目前发展情况看，主要有如下几种决策支持系统：
(1)数据驱动的决策支持系统(Data-Driven DSS)[2]。这种DSS强调以时间序列访问和操纵组织的内部数据，也有时是外部数据。它通过查询和检索访问相关文件系统，提供了最基本的功能。后来发展了数据仓库系统，又提供了另外一些功能。数据仓库系统允许采用应用于特定任务或设置的特制的计算工具或者较为通用的工具和算子来对数据进行操纵。再后发展的结合了联机分析处理(OLAP)的数据驱动型DSS则提供更高级的功能和决策支持，并且此类决策支持是基于大规模历史数据分析的。主管信息系统(EIS)以及地理信息系统(GIS)属于专用的数据驱动型DSS。
(2)模型驱动的决策支持系统(Model-Driven DSS)[2]。模型驱动的DSS强调对于模型的访问和操纵，比如：统计模型、金融模型、优化模型和／或仿真模型。简单的统计和分析工具提供最基本的功能。一些允许复杂的数据分析的联机分析处理系统(OLAP)可以分类为混合DSS系统，并且提供模型和数据的检索，以及数据摘要功能。一般来说，模型驱动的DSS综合运用金融模型、仿真模型、优化模型或者多规格模型来提供决策支持。模型驱动的DSS利用决策者提供的数据和参数来辅助决策者对于某种状况进行分析。模型驱动的DSS通常不是数据密集型的，也就是说，模型驱动的DSS通常不需要很大规模的数据库。模型驱动的DSS的早期版本被称作面向计算的DSS[3]。这类系统有时也称为面向模型或基于模型的决策支持系统。
(3)知识驱动的决策支持系统(Knowledge-Driven DSS)。知识驱动的DSS可以就采取何种行动向管理者提出建议或推荐。这类DSS是具有解决问题的专门知识的人—机系统。“专门知识”包括理解特定领域问题的“知识”，以及解决这些问题的“技能”。与之相关的一个概念是数据挖掘工具——一种在数据库中搜寻隐藏模式的用于分析的应用程序。数据挖掘通过对大量数据进行筛选，以产生数据内容之间的关联。构建知识驱动的DSS的工具有时也称为智能决策支持方法[4][5]。
(4)基于Web的决策支持系统(Web-Based DSS)[6]。基于Web的DSS通过“瘦客户端”Web浏览器 （诸如Netscape Navigator或者Internet Explorer）向管理者或商情分析者提供决策支持信息或者决策支持工具。运行DSS应用程序的服务器通过TCP/IP协议与用户计算机建立网络连接。基于Web的DSS可以是通讯驱动、数据驱动、文件驱动、知识驱动、模型驱动或者混合类型。Web技术可用以实现任何种类和类型的DSS。“基于Web”意味着全部的应用均采用Web技术实现。“Web启动”意味着应用程序的关键部分，比如数据库，保存在遗留系统中，而应用程序可以通过基于Web的组件进行访问并通过浏览器显示。
(5)基于仿真的决策支持系统(Simulation-Based DSS)。基于仿真的DSS可以提供决策支持信息和决策支持工具，以帮助管理者分析通过仿真形成的半结构化问题。这些种类的系统全部称为决策支持系统。DSS可以支持行动、金融管理以及战略决策。包括优化以及仿真等许多种类的模型均可应用于DSS。
(6)基于GIS的决策支持系统(GIS-Based DSS)。基于GIS（地理信息系统）的DSS通过GIS向管理者或商情分析者提供决策支持信息或决策支持工具。通用目标GIS工具，如ARC/INFO、MAPlnfo以及ArcView等是一些有特定功能的程序，可以完成许多有用的操作，但对于那些不熟悉GIS以及地图概念的用户来说，比较难于掌握。特殊目标GIS工具是由GIS程序设计者编写的程序，以易用程序包的形式向用户组提供特殊功能。以前，特殊目标GIS工具主要采用宏语言编写。这种提供特殊目标GIS工具的方法要求每个用户都拥有一份主程序（如ARC/INFO或者ArcView）的拷贝用以运行宏语言应用程序。现在，GIS程序设计者拥有较从前丰富得多的工具集来进行应用程序开发。程序设计库拥有交互映射以及空间分析功能的类，从而使得采用工业标准程序设计语言来开发特殊目标GIS工具成为可能，这类程序设计语言可以独立于主程序进行编译和运行（单机）。同时，Internet开发工具已经走向成熟，能够开发出相当复杂的基于GIS的程序让用户通过World Wide Web进行使用。
(7)通信驱动的决策支持系统(Communication-Driven DSS)。通信驱动型DSS强调通信、协作以及共享决策支持。简单的公告板或者电子邮件就是最基本的功能。组件比较FAQ（常见问题解答）定义诸如“构建共享交互式环境的软、硬件”，目的是支撑和扩大群体的行为。组件是一个更广泛的概念——协作计算的子集。通信驱动型DSS能够使两个或者更多的人互相通讯、共享信息以及协调他们的行为。
(8)基于数据仓库的决策支持系统(DataWare-Based DSS)[7]。数据仓库是支持管理决策过程的、面向主题的、集成的、动态的、持久的数据集合。它可将来自各个数据库的信息进行集成，从事物的历史和发展的角度来组织和存储数据，供用户进行数据分析并辅助决策，为决策者提供有用的决策支持信息与知识。基于数据仓库理论与技术的DSS的主要研究课题包括：①数据仓库(Dw)技术在DSS系统开发中的应用以及基于DW的DSS的结构框架；②采用何种数据挖掘技术或知识发现方法来增强DSS的知识源；③DSS中的DW的数据组织与设计及DW管理系统的设计。总的说来，基于DW的DSS的研究重点是如何利用 DW及相关技术来发现知识并向用户解释和表达，为决策支持提供更有力的数据支持，有效地解决了传统 DSS数据管理的诸多问题。
(9)群体决策支持系统（Group Decision Supporting System，简称GDSS）[8]。群体决策支持系统是指在系统环境中，多个决策参与者共同进行思想和信息的交流以寻找一个令人满意和可行的方案，但在决策过程中只由某个特定的人做出最终决策，并对决策结果负责。它能够支持具有共同目标的决策群体求解半结构化的决策问题，有利于决策群体成员思维和能力的发挥，也可以阻止消极群体行为的产生，限制了小团体对群体决策活动的控制，有效地避免了个体决策的片面性和可能出现的独断专行等弊端。群体决策支持系统是一种混合型的DSS，允许多个用户使用不同的软件工具在工作组内协调工作。群体支持工具的例子有：音频会议、公告板和网络会议、文件共享、电子邮件、计算机支持的面对面会议软件以及交互电视等。 GDSS主要有四种类型：决策室、局域决策网、传真会议和远程决策。
(10)分布式决策支持系统（Distributing Decision Supporting System，简称DDSS）。这类DSS是随着计算机技术、网络技术以及分布式数据库技术的发展与应用而发展起来的。从架构上来说，DDSS是由地域上分布在不同地区或城市的若干个计算机系统所组成，其终端机与大型主机进行联网，利用大型计算机的语言和生成软件，而系统中的每台计算机上都有DSS，整个系统实行功能分布，决策者在个人终端机上利用人机交互，通过系统共同完成分析、判断，从而得到正确的决策。DDSS的系统目标是把每个独立的决策者或决策组织看作一个独立的、物理上分离的信息处理节点，为这些节点提供个体支持、群体支持和组织支持。它应能保证节点之间顺畅的交流，协调各个节点的操作，为节点及时传递所需的信息以及其它节点的决策结果，从而最终实现多个独立节点共同制定决策。
(11)智能决策支持系统（Intelligence Decision Supporting System，简称IDSS）[9]。智能决策支持系统(IDSS)是人工智能(Artificial Intelligence)和DSS相结合，应用专家系统(Expert System)技术，使DSS能够更充分地应用人类的知识或智慧型知识，如关于决策问题的描述性知识、决策过程中的过程性知识、求解问题的推理性知识等，并通过逻辑推理来帮助解决复杂的决策问题的辅助决策系统。IDSS的系统目标是：将人工智能技术融于传统的DSS中，弥补DSS单纯依靠模型技术与数据处理技术，以及用户高度卷入可能出现意向性偏差的缺陷；通过人机交互方式支持决策过程，深化用户对复杂系统运行机制、发展规律乃至趋势走向的认识，并为决策过程中超越其认识极限的问题的处理要求提供适用技术手段[10]。根据IDSS智能的实现可将其分为：基于ES的IDSS；基于机器学习的IDSS；基于智能代理技术Agent的IDSS[11]；基于数据仓库、联机分析处理及数据挖掘技术的IDSS等。
(12)自适应决策支持系统（Adaptive Decision Support System，简称ADSS）。自适应决策支持系统是针对信息时代多变、动态的决策环境而产生的，它将传统面向静态、线性和渐变市场环境的DSS扩展为面向动态、非线性和突变的决策环境的支持系统，用户可根据动态环境的变化按自己的需求自动或半自动地调整系统的结构、功能或接口。对ADSS研究主要从自适应用户接口设计、自适应模型或领域知识库的设计、在线帮助系统与DSS的自适应设计四个方面进行，其中问题领域知识库能否建立是ADSS成功与否的关键，它使整个系统具有了自学习功能，可以自动获取或提炼决策所需的知识。对此，就要求问题处理模块必须配备一种学习算法或在现有DSS模型上再增加一个自学习构件。归纳学习策略是其中最有希望的一种学习算法，可以通过它从大量实例、模拟结果或历史事例中归纳得到所需知识。此外，神经网络、基于事例的推理等多种知识获取方法的采用也将使系统更具适应性。
3 阻碍决策支持系统发展的关键技术问题
1980年，Sprague就曾提出了决策支持系统的三部件结构，即对话部件、数据部件（数据库Data Base和数据库管理系统DBMS）、模型部件（模型库MB和模型库管理系统MBMS）。该结构明确了DSS的组成，也间接地反映了DSS的关键技术，即模型库管理系统、部件接口、系统综合集成[12]。
1981年，Bonczak等又提出了DSS三系统结构，即语言系统(LS)、问题处理系统(PPS)、知识系统(KS)[13]。从这些系统总体架构的概括与设计思路看，开发一个实际的高性能DSS需要解决如下关键技术问题：
(1)模型库系统的设计和实现：它包括模型库的组织结构、模型库管理系统的功能、模型库语言等方面的设计和实现。
(2)部件接口：各部件之间的联系是通过接口模块完成的，部件接口包括：①对数据部件的数据存取；②对模型部件的模型调用和运行；③对知识部件的知识推理。
(3)系统综合集成：根据实际决策问题的要求，通过集成语言完成对各部件的有机综合，形成一个完整的系统。
模型库系统虽然已经不再是一个新概念、新技术，但它不同于数据库系统。数据库系统有成熟的理论和产品，模型库系统还没有形成很成熟的产品工具，它需要系统开发者自己根据需要自行设计和开发。这样就不可避免地阻碍了决策支持系统的发展。
决策支持系·统需要对数据、模型、知识、交互四个部件进行集成。目前，专家们公认的事实是，计算机语言的支持能力还相当有限，数值计算语言（如FORTRAN、Pascal、C等）不支持对数据库的操作，而数据库语言（如FoxPro、Oracle、Sybase等）的数值计算能力又很薄弱。而决策支持系统既要进行数值计算又要进行数据库操作。这个问题一直是决策支持系统发展的技术障碍，成为决策支持系统发展缓慢的主要原因。
另外，要提高决策支持系统的智能化水平和决策支持能力，还需要在其它一些相关技术上有所突破，如建模技术、系统快速原型开发技术、数据库仓库和数据挖掘技术、知识仓库技术、知识发现技术、知识分析技术、知识描述技术、公式发现技术、智能代理技术、神经网络技术、可视化技术等等。
4 决策支持系统的未来发展
从目前决策支持系统的发展及未来需求趋势来看，大致反映出了这样一些明显的发展动向：
(1)不断强化知识管理的功能，提升系统的知识管理与知识综合应用能力。例如具有知识学习能力的IDSS的智能主要体现在系统能利用专家知识辅助决策，并能够随着决策环境的变化改变自己的行为，要求其知识处理系统能随环境变化学习新知识、更新知识库。知识管理与应用则涉及到推理知识、描述知识和过程知识，从而支持问题求解过程。另外，将知识管理理论与方法应用于DSS的实现中，可以实现专家经验（隐性知识）的分享，提高系统的决策支持水平与能力。
(2)日益强调多种数据、知识的综合、集成运用。在技术不断更新的条件下，准确数据信息和高效率的工具是决策者以更低的成本、更加快捷的方式做出及时的科学决策的前提与保证[14]。因此，在DSS的设计与开发中充分考虑对众多数值数据资源、事实数据资源、先验知识、推理知识等的综合、集成运用，构建有丰富的数据仓库、机构知识仓储等，并配置和开发众多的数据挖掘和知识发现及分析工具。丰富的资源基础保证了系统支持决策的效率与水平。
(3)在支持一般决策的基础上，引进和集成电子商务平台的功能，形成与电子商务的集成、融合发展的态势。电子商务是信息时代和网络环境下越来越流行的一种商业运作模式，是商务电子化和信息化的结果。电子商务的发展不仅强烈地冲击着传统的管理模式和商务运作模式，同时也产生了许多新的管理决策问题。所以DSS的设计与开发越来越多地考虑电子商务这一重要应用背景，向决策者提供多种分析模型和多种分析角度，在市场—客户—产品等多种条件下进行多维度分析。例如目前开发的基于Web的DSS和基于GIS的DSS都面向这类应用提供支持。
(4)不断谋求技术及应用上的突破，关注和重视对决策过程中的不确定信息的组织和处理。尽管现代科学的认识是“世界是物质的，物质是运动的，运动是有规律的”，但是，在现实世界中还是普遍存在许多的不确定性。为了有效地解决这类问题，专家们发展了“软计算方法”。所谓软计算主要包括模糊逻辑、神经计算、概率推理、遗传算法、混沌系统、信任网络及其它学习理论。现有的人工智能技术主要致力于以语言和符号来表达和模拟人类的智能行为，软计算方法则通过与传统的符号逻辑完全不同的方式，解决那些无法精确定义的问题决策、建模和控制[15]。软计算方法已在很多领域的决策问题中得到应用。如王光远的不确定信息及其建模方法[16]；任守榘等提出利用遗传算法实现处于混沌与湍流环境下具有重构自身的先进制造系统的决策模式及其决策支持系统[17]。
(5)系统功能的日臻完善，推动了DSS的应用向更广领域扩展。DSS将不再仅仅是某些特殊人使用或特殊领域使用的工具，随着其功能的扩充，应用面将越来越广泛，将成为社会发展中任何决策者都可以使用的有效工具与手段。
(6)重视界面的设计与优化，提供越来越友好的客户端管理功能支持。用户向系统输入参数或请求信息时，IDSS支持图形用户界面，客户端管理更加友好，同时系统的响应速度加快，维护和管理简化，系统的应用范围得到更大拓展。
总之，DSS是一个融多种学科知识和技术于一体的集成系统，随着管理理论、行为科学、心理学、人工科学等相关学科的不断发展，尤其是计算机技术、网络技术等现代信息技术的不断发展，DSS的应用研究将不断深入，逐步向着高智能化、高集成化和综合化方向发展，并将深入到社会生活的各个领域，成为人们决策活动中不可缺少的有力助手。
收稿日期：2006-10-24
标签：dss论文; 决策支持系统论文; 数据集成论文; 决策能力论文; 用户分析论文; 信息集成论文; 功能分析论文; 信息发展论文; 数据分析论文;