决策支持系统 (Decision
什么是决策支持系统?决策支持系统(Decision-makingSupportSystem,DSS)是管理信息系统应用概念深化，在管理信息系统基础上发展起来的系统。
DSS是解决非结构化问题，服务于高层决策的管理信息系统,按功能可分为
专用DSSDSS工具DSS生成器人机协同专用DSS是为解决某一领域问题的DSS。
DSS工具是指某种语言、某种操作系统、某种数据库系统。DSS生成器是通用决策支持系统，一般DSS包括数据库(DB)、模型库(MBMS)、方法库、知识库和会话部件。
DSS数据库不同于一般DB,是有很高性能要求，在原基层数据库的基础上建立起来的专用数据库。现在，一般由数据仓库(DataWarehouse)来充当DSS数据库。数据库为决策提供数据能力或资料能力。
模型库为决策提供分析能力的部件,模型能力的定义是转化非结构化问题的程度。会话部件，又称接口部件，它是人和决策支持系统联系的接口。
智能决策支持系统(IDSS)在一般DSS基础上增加了OR/MS深度知识库。
所以,IDSS=DSS+AI(人工智能)。
决策支持系统的架构组成基于双库的决策系统
三库
四库
自从20世纪70年代决策支持系统概念被提出以来，决策支持系统已经得到很大的发展。
1980年Sprague提出了决策支持系统三部件结构（对话部件、数据部件、模型部件），明确了决策支持系统的基本组成，极大地推动了决策支持系统的发展。
20世纪80年代末90年代初，决策支持系统开始与专家系统（ExpertSystem,ES）相结合，形成智能决策支持系统（IntelligentDecisionSupportSystem,IDSS）。
智能决策支持系统充分发挥了专家系统以知识推理形式解决定性分析问题的特点，又发挥了决策支持系统以模型计算为核心的解决定量分析问题的特点，充分做到了定性分析和定量分析的有机结合，使得解决问题的能力和范围得到了一个大的发展。智能决策支持系统是决策支持系统发展的一个新阶段。
20世纪90年代中期出现了数据仓库（DataWarehouse,DW）、联机分析处理（On-LineAnalysisProcessing,OLAP）和数据挖掘（DataMining,DM）新技术，DW+OLAP+DM逐渐形成新决策支持系统的概念，为此，将智能决策支持系统称为传统决策支持系统。
新决策支持系统的特点是从数据中获取辅助决策信息和知识，完全不同于传统决策支持系统用模型和知识辅助决策。传统决策支持系统和新决策支持系统是两种不同的辅助决策方式，两者不能相互代替，更应该是互相结合。
把数据仓库、联机分析处理、数据挖掘、模型库、数据库、知识库结合起来形成的决策支持系统，即将传统决策支持系统和新决策支持系统结合起来的决策支持系统是更高级形式的决策支持系统，成为综合决策支持系统（SyntheticDecisionSupportSystem,SDSS）。
综合决策支持系统发挥了传统决策支持系统和新决策支持系统的辅助决策优势，实现更有效的辅助决策。综合决策支持系统是今后的发展方向。
由于Internet的普及，网络环境的决策支持系统将以新的结构形式出现。决策支持系统的决策资源，如数据资源、模型资源、知识资源，将作为共享资源，以服务器的形式在网络上提供并发共享服务，为决策支持系统开辟一条新路。网络环境的决策支持系统是决策支持系统的发展方向。
知识经济时代的管理——知识管理（KnowledgeManagement,KM）与新一代Internet技术——网格计算，都与决策支持系统有一定的关系。知识管理系统强调知识共享，网格计算强调资源共享。
决策支持系统是利用共享的决策资源（数据、模型、知识）辅助解决各类决策问题，基于数据仓库的新决策支持系统是知识管理的应用技术基础。在网络环境下的综合决策支持系统将建立在网格计算的基础上，充分利用网格上的共享决策资源，达到随需应变的决策支持。
方法库子系统决策分类群决策支持系统（GDSS）群决策支持系统可提供三个级别的决策支持：
第一层次是GDSS旨在减少群体决策中决策者之间的通信，沟通信息，消除交流的障碍，如及时显示各种意见的大屏幕，投票表决和汇总设备，无记名的意见和偏爱的输入，成员间的电子信息交流等。其目的是通过改进成员间的信息交流来改进决策过程，通常所说的“电子会议系统”就属于这一类。
第二层次的GDSS提供善于认识过程和系统动态的结构技术，决策分析建模和分析判断方法的选择技术。这类系统中的决策者往往面对面地工作，共享信息资源，共同制定行动计划。
第三层次的GDSS其主要特征是将上述两个层次的技术结合起来，用计算机来启发、指导群体的通信方式，包括专家咨询和会议中规则的智能安排。
分布式决策支持系统（DDSS）DDSS是由多个物理分离的信息处理特点构成的计算机网络，网络的每个结点至少含有一个决策支持系统或具有若干辅助决策的功能。与一般的决策支持系统相比，DDSS有以下一些特征：
DDSS是一类专门设计的系统，能支持处于不同结点的多层次的决策，提供个人支持、群体支持和组织支持。不仅能从一个结点向其它结点提供决策，还能提供对结果的说明和解释，有良好的资源共享。能为结点间提供交流机制和手段，支持人机交互，机机交互和人与人交互。具有处理结点间可能发生的冲突的能力，能协调各结点的操作，既有严格的内部协议，又是开放性的，允许系统或结点方便地扩展，同时系统内的结点作为平等成员而不形成递阶结构，每个结点享有自治权。
智能决策支持系统（IDSS）智能决策支持系统是决策支持系统（DSS）与人工智能（AI）相结合的产物，其设计思想着重研究把AI的知识推理技术和DSS的基本功能模块有机地结合起来。有的DSS已融进了启发式搜索技术，这就是人工智能方法在DSS中的初步实现。将人工智能技术引入决策支持系统主要有两方面原因：第一是人工智能因可以处理定性的、近似的或不精确的知识而引入DSS中；第二DSS的一个共同特征是交互性强，这就要求使用更方便，并在接口水平和在进行的推理上更为“透明”。人工智能在接口水平，尤其是对话功能上对此可以作出有益的贡献，如自然语言的研究使用使DSS能用更接近于用户的语言来实现接口功能。
智能-交互-集成化决策支持系统（3IDSS）随着DSS应用范围的不断扩大，应用层次的逐渐提高，DSS已进入到区域性经济社会发展战略研究、大型企业生产经营决策等领域的决策活动中来，这些决策活动不仅涉及到经济活动各个方面、经营管理的各个层次，而且各种因素互相关联，决策环境更加错综复杂。对于省、市、县等发展战略规划方面的应用领域，决策活动还受政治、社会、文化、心理等因素不同程度的影响，而且可供使用的信息又不够完善、精确，这些都给DSS系统的建设造成了很大的困难。
在这种情况下，一种新型的、面向决策者、面向决策过程的综合性决策支持系统产生了，即智能-交互-集成化决策支持系统（Intelligent，InteractiveandIntegratedDSS，简称3IDSS）。
智能-交互-集成化决策支持系统（Intelligent，InteractiveandIntegratedDSS，简称3IDSS）
集成化：在这种情况下，采用单一的以信息为基础的系统，或以数学模型为基础的系统，或以知识、规则为基础的系统，都难以满足上述这些领域的决策活动的要求。这就需要在面向问题的前提下，将系统分析、运筹学方法、计算机技术、知识工程、人工智能等有机地结合起来，发挥各自的优势，实现决策支持过程的集成化。
交互性：决策支持系统的核心内容是人机交互。为了帮助决策者处理半结构化和非结构化的问题，认定目标和环境约束，进一步明确问题，产生决策方案和对决策方案进行综合评价，系统应具备更强的人机交互能力，成为交互式系统（Interactivesystems）。
智能化：决策支持系统在处理难以定量分析的问题时，需要使用知识工程、人工智能方法和工具，这就是决策支持系统的智能化（Intelligent）。
怎样实现一个决策支持系统?项目案例案例:企业销售决策支持系统ESDSS案例:模拟人才招聘选拔GDSS参考资料[1]https://baike.baidu.com/item/%E5%86%B3%E7%AD%96%E6%94%AF%E6%8C%81%E7%B3%BB%E7%BB%9F/85457[2]https://wenku.baidu.com/view/37b3b8b8960590c69ec376a6.html[3]https://wenku.baidu.com/view/e7cd387502768e9951e738c3.html[4]https://wenku.baidu.com/view/e7cd387502768e9951e738c3.html
无人驾驶决策控制
近年来，随着人工智能和物联网技术的快速发展，无人驾驶汽车受到学术界、产业界极大关注，无人驾驶概念持续火热。从概念定义来看，智能驾驶汽车是一种自动化载体，能够部分或者全面代替驾驶员进行驾驶行为，无人驾驶汽车是智能汽车发展的最高形态。从原理角度看，无人驾驶控制系统模拟人类的驾驶方式，由传感器、控制器、执行器组成，对应感知、决策、执行三大功能模块。从技术角度看，无人驾驶在实现的过程中需要融合和运用多种技术，涉及到人工智能、云技术以及机器人技术等。任意两种技术的结合，都可算是广义无人驾驶概念的延伸，或是支撑无人驾驶技术的底层基础。
图1无人驾驶系统原理图2无人驾驶核心技术元素Google无人驾驶技术通过“激光雷达为主+高精度地图+人工智能控制系统”实现。Google无人车依托GoogleMap多年来积累的各种道路交通数据以及街景数据提供最基本的数据支持；综合使用多种传感器，包括激光雷达（核心）、摄像头、毫米波雷达、超声波雷达、GPS、车轮位置传感器、速度传感器等进行环境感知及车身姿态感知；计算系统方面，配备GoogleChauffeur人工智能控制系统，综合传感器信息，分析、计算得出决策控制指令。Google一方面基二自身在人工智能方面的技术积累；一方面大量收购AI创业公司，比如深度学习公司DeepMind、图片分析公司Jetpac、机器人公司Holomni、3D视觉系统公司IndustrialPerception等，通过技术融合，提升技术能力。
无人驾驶决策控制系统的任务就是根据给定的路网文件、获取的交通环境信息和自身行驶状态，将行为预测、路径规划以及避障机制三者结合起来，自主产生合理驾驶决策，实时完成无人驾驶动作规划。狭义上来讲，包含了无人驾驶车的行为决策、动作规划以及反馈控制模块；广义上来讲，还紧密依赖上游的路由寻径、交通预测模块的计算结果。路由寻径，属于全层路径规划，为无人驾驶汽车的自主驾驶提供方向性的引导，确定其依次需要通过的路段和区域序列，输出的结果严格依赖于高精度地图的绘制。交通预测，任务是对感知所探测到的物体进行行为预测。要结合物理规律对物体做出预测，还需要结合物体和周边环境，以及积累的历史数据知识，对感知到的物体做出更为宏观的行为预测；行为决策，任务是汇聚分析各种信息，做出行驶的决策，确定无人驾驶汽车应该进入什么行驶模式，比如路口左转模式、超车模式等；动作规划，任务是将行为决策的宏观指令解释成一条带有时间信息的轨迹曲线，来给最底层的反馈控制来进行实际对车的操作；反馈控制，任务是控制车辆尽可能遵循上游动作规划所输出的轨迹，通过控制方向盘转角以及前进速度实现。图3无人驾驶决策规划系统组成图4智能驾驶中任务规划结构决策算法是核心竞争力，也是人工智能应用的重要场景。决策规划是自主驾驶系统智能性的直接体现，无人驾驶系统与ADAS系统的区别就在于是否具有自主的决策能力。目前各公司的传感器配置越来越趋同化，无人驾驶技术上的竞争会更多聚焦在决策环节，Google等公司的核心竞争力就体现在决策算法方面。常见的决策规划体系结构有分层递阶式、反应式以及于者混合式。分层递阶式体系结构是一个串行系统结构，无人驾驶系统的各个模块之间次序分明，上一个模块的输出即为下一个模块的输入，当给定目标和约束条件后，系统根据即时建立的局部环境模型和已有的全局模型决定出下一步行动；反应式体系结构中的每个控制层都可以直接基于传感器的输入进行决策，突出“感知-动作”的特点，易于适应完全陌生的环境；混合式体系结构则结合上述两种方式的优点，在全局规划层次上，生成面向目标定义的分层递阶式行为，在局部规划层次上，生成面向目标搜索的反应式体系的行为分解。图5基于功能和行为分解的混合决策体系结构图6决策算法搭建和测试的不同路线上述体系结构的不同，无人驾驶决策算法技术路线分为多个流派，主要有三大类：基于规则的经典机器人方向，基于深度学习的端对端无人驾驶技术以及因果推理方向。单一基于规则的决策难以完全覆盖所有场景。基于规则的决策，是由人工使用if-then规则覆盖所有可能的情况，对汽车的决策系统进行编程，告诉车辆在各种场景下应该怎么去做。这类方法难点在于很难创建全面的、能够覆盖到无人驾驶汽车可能遇到的所有场景的规则库，不够灵活；同时规则之间相于组合，能产生无数种可能，很难实现对系统的完整测试。单一基于深度学习的端对端决策存在“黑箱”难题。端对端决策采用深度学习神经网络，训练AI根据具体的场景做出适宜的决策。这类方法有所谓“黑箱”问题，就是深度学习的解决方案中复杂的运算和处理都在端和端之间的通道内完成，决策过程是不透明的，系统一旦做出错误的判断，无法定位问题原因，也无法预测下一次会出现什么问题。图7自动驾驶的端到端深度学习决策方案因果推理决策机制是重要发展趋势。我们知道深度学习对感知有非常强的能力，可以理解各种复杂图像的含义，但是并不能把这种感知完美的转化为决策能力。原因在于深度学习，仅仅依赖于概率推理，也就是相关性。为了达到自动驾驶所需要的极高的安全性和可靠性，因果推理将是未来的发展趋势。因果推理使用贝叶斯网络，针对事件发生的概率以及事件可信度进行分类，具有模块化、透明性的优势AI算法融合，助力“智能大脑”能力提升。在开放动态环境下的无人驾驶需要更强壮的AI，需要多种算法结合，将上述的三类决策机制融合。一种提升的思路就是基于强化学习的决策框架，将深度学习包含关中。强化学习是强调如何基于环境而行动，以取得最大化的预期利益，是一种基于环境反馈而做决策的通用框架。理解强化学习有两个关键点：一只看重结果，不关心过程或者动机；二对于每一次行为，及时奖惩，强化认知。AlphaGo在围棋人机大战中的里程碑式胜利，背后的强化学习算法功不可没。Google、Mobileye目前都在使用深度强化学习来研发无人驾驶决策控制。通过深度学习加强化学习的算法可以无限趋近于处理所有场景。在仿真模拟环境中，还可以通过强化学习做虚拟运行，获得最优的决策模型，产生模拟数据，促进决策算法成熟。图8强化学习原理图9强化学习的机器人运动控制一种提升思路就是深度学习结合贝叶斯网络。贝叶斯网络的因果推理逻辑可以在一定程度上处理未知的极端情况，在无人驾驶车遇到陌生的驾驶场景时，能够对事实逻辑深入分析得出理性的决策控制指令。思路是将贝叶斯网络作为整个决策的顶层框架，利用贝叶斯网络的模块化，把深度学习系统作为一个子模块融入关中，专家系统作为另一个模块，这样的多重冗体构成了贝叶斯网络的子节点，将有效强化输出结果的可靠性；同时贝叶斯网络的透明性使得可以对整个决策的过程进行分析，定位问题。图10贝叶斯网络原理图11迁移学习原理未来更进一步，无人车能实现继承和发展过去学到的知识，关键就是迁移学习。迁移学习是指在不同情况之间把知识进行迁移转化的能力，通过将在一个或多个源任务中学习到的知识进行迁移，用在相关的目标任务中以提高其学习性能。