知识工程：基于Agent的专家系统推理模型

第8卷第2期 智能系统学报 Vol.8 No.2 2013年4月 CAAI Transactions on Intelligent Systems Apr.2013 D0I:10.3969/i.issn.16734785.201210043 网络出版t地址：htp://www.cnki.net/kcma/detail/23.1538.TP.20130409.1436.003.html 基于Agent的专家系统推理模型 陶倩，马刚2，史忠植2 (1.上海体育学院体有赛事研究中心，上海200438；2.中国科学院计算技术研究所智能信息处理重点实验室，北京 100190) 摘要：针对传统专家系统推理模型结构在知识获取方面适应性差的现状，从系统科学的视角，运用复杂适应系统 理论，对传统专家系统的结构及运行机制进行了改进.引入Aget来模拟人脑中的神经元，用来承载专家系统中相互 作用的知识，然后，基于Mli-Aget之间的相互作用来构建复杂适应的专家系统推理模型.从而，将专家系统中的知 识获取机制、知识库、推理机三者统一于由Mt-Agt进行相互作用的复杂适应系统之中.通过设计体育赛事申办 决策专家系统的原型，进行了专家系统推理模型的验证.原型运行结果表明：基于Muli-Aget的专家系统推理模型 结构能够有效地提高专家系统知识获取的适应性.这为研究更加接近人脑智能的专家系统提供了崭新的研究思路。 关键词：Agent:推理模型；专家系统；体育赛事 中图分类号：TP391.6文献标志码：A文章编号：16734785(2013)02-013508 Research on the expert system reasoning model based on Agent TAO Qian',MA Gang2,SHI Zhongzhi2 (1.The Sports Event Research Center of Shanghai University of Sport,Shanghai 200438,China;2.Key Laboratory of Intelligent In- formation Processing,Institute of Computing Technology,Chinese Academy of Sciences,Beijing 100190,China) Abstract:The traditional expert system reasoning model structure has poor adaptability in acquiring knowledge. From the viewpoint of system science,the complex adaptive system theory is used to improve the structure and oper- ation mechanism of a traditional expert system.Firstly,an Agent was introduced to simulate neurons in the human brain and load the knowledge interacting in the expert system reasoning model.Then an expert system reasoning model of complex adaptation was constructed based on the Multi-Agent interaction.Consequently,the knowledge acquiring mechanism,knowledge base and reasoning engine were unified into the Agents interaction in the complex adaptive expert system.Finally,by designing the expert system reasoning model prototype in decision-making of in- ternational sporting events bidding,the effectiveness of the expert system reasoning model based on Agent was veri- fied.The results of the prototype running show that the expert system reasoning structure based on Multi-Agent model can effectively improve the adaptability of expert system knowledge acquisition.That provides a new idea for studying the expert system closer to human intelligence. Keywords:Agent;reasoning model;expert system;sporting events 专家系统推理模型是对人类专家推理能力的建 进展和成果[19.然而，随着研究的不断深入，人们 模，其经过50余年的发展，已经取得了许多重要的 发现，目前的专家系统推理模型并不能很好地模拟 人类专家的推理能力，尤其是在对知识的获取上，还 收稿日期：2012-10-21.网络出版日期：2013-0409 需依靠知识工程师先去理解领域专家的知识，并预 基金项目：国家“973”计划资助项日(2013CB329502):国家“863”计 先输入到专家系统的知识库中.专家系统推理模型 划资助项目(2012AA011003);国家自然科学基金资助项 目(61035003,61202212,60933004)：国家科技支撑计划 的推理机制与知识库中的具体知识密切相关.因而， 资助项目(2012BA107B02). 通信作者：陶情.E-mail:taoqian_101010@163.com 在专家系统后续运行的过程中很难进行适应性的补

·136 智能系统学报 第8卷 充完善和发展创新！ 1 目前，国内外大部分的研究成果在专家系统知 多Agent专家系统推理模型的构建 识推理能力的建模上，都是采用知识获取机制、知识 1.1模型结构 库、推理机这三大部件分离设计的结构.这种分离的 基于多Agent专家系统推理模型的结构与传统 结构是传统专家系统推理模型的重要特征， 专家系统推理模型的结构不同，在其模型中没有明 然而，需要思考的问题是：将知识获取机制、推 确设定推理机和知识库两大功能结构.而是仿真人 理机、知识库三大部件分离设计的结构是否能仿真 脑神经系统中不同的神经功能区，分为4个系统功 人脑的知识获取过程呢？众所周知，人类是通过其 能部分：任务感知单元、任务求解单元、结果综合单 大脑神经元中所承载的知识进行相互作用、相互关 元和智能引擎.其中，都是由多个Agent的相互作用 联，并构建神经网络通路来实现知识的获取及推理 所构成的.这些Agent被分别称为：任务感知Agent、 的.在人脑中并不存在静态的知识获取机制、知识库 任务求解Agent、结果综合Agent和控制Agent.. 以及专门的推理机，也没有相互的调用关系.进一步 感知单元中的Agent用于承载感知决策任务时 的研究发现，人脑中的神经元作为知识的载体，其承 所需的经验和知识，结果综合单元中的Agent用于 载的知识在大脑中通过相互作用，来完成知识推理 承载对任务求解结果进行综合并输出的知识，而任 的过程9，神经元所承载的知识之间的相互作用是 务求解单元中的Agent则主要承载进行任务求解时 通过刺激信号来进行的，而推理过程则是通过刺激 所需的相关经验和知识，智能引擎用于承载对任务 信号在神经元之间进行传递、构建动态的神经网络 感知单元、任务求解单元、结果综合单元三大单元中 来完成的.人脑神经网络系统就是一个复杂的适应 Agent的运行进行控制的相关知识. 系统2,0 在基于Multi-Agent专家系统推理模型的结构 根据贝塔朗菲一股系统论的定义“系统是相互 中，所需的全部知识都被分散在相关的任务感知A 联系、相互作用的诸元素的综合体”可知：虽然系统 gent、任务求解Agent、结果综合Agent和控制Agent 是由许多基本元素所组成的，但是，如果不考虑基本 中，而具体的推理逻辑就如大脑中各神经元的相互 元素之间的相互作用，只是将这许多的基本元素简 作用那样，是由相关Agent间的相互作用来动态决 单地组合在一起，根本无法还原出原来的系统， 定的，同时，能够通过相关的控制Agent激活各A- 在传统专家系统推理模型的设计中，知识获取机 get中的适应控制规则，来进行适应性改变.由此， 制、知识库、推理机这三大部件是分离设计的，它们之 与传统专家系统的结构相比，本文设计的结构增加 间没有动态的相互作用，只能按照预先规划好的静态 了专家系统推理模型在知识获取方面的适应性， 程序进行相互调用.由此可知，这三大部件的组合体 1.2模型的推理运行机制 不是一个真正仿真人类专家推理机制的系统 在基于Multi-.Agent的专家系统推理的模型中， 近年来，随着人们对大脑神经网络认识的不断 推理过程是由智能引擎开始的.具体运行流程如下： 深入，许多研究成果运用人工神经网络技术来模拟 当某个决策任务被提交到推理模型时，将首先 人脑的神经网络，以构建专家系统的推理模型69]。 触发智能引擎中的相关控制Agent运行，控制Agent 然而，这种人工神经网络推理模型是黑箱推理，其全 将发出相应的触发信号去激活感知单元中相应的任 部知识和推理过程都隐性地存储在人工神经网络的 务感知Agent..在某一时刻，可能会有多个任务感知 内部，很难解释其推理的过程和推理依据， Agent被同时激活，因此，控制Agent会根据任务感 本文从系统科学的角度出发，应用复杂适应系 知Agent信用度的大小，经过相互竞争，决定哪个任 统理论，对传统专家系统的结构及运行机制进行了 务感知Agent被真正激活.而被激活的任务感知A- 改进.首先，引入Agent来模拟人脑中的神经元，用 gent,将依据其承载的相应知识，进一步触发相关的 来承载专家系统中相互作用的知识，然后，基于 其他任务感知Agent..控制Agent会将任务感知A- Multi-Agent之间的相互作用构建复杂适应的专家系 get的运行轨迹记录到其结果表中，并根据感知的 统推理模型02.从而，将专家系统中的知识获取 结果触发相关的任务求解Agent..任务求解Agent同 机制、知识库、推理机三者统一于由Multi-.Agent进 样会根据其承载的知识进一步触发相关的其他任务 行相互作用的复杂适应系统之中，最后，本文通过设 求解Agent.同时，控制Agent将任务求解Agent运 计体育赛事申办决策专家系统的原型，进行了专家 行的结果记录到其结果表中.进一步，控制Agent会 系统推理模型的验证， 根据任务求解的结果去触发结果综合Agent..控制

第2期 陶倩，等：基于Agent的专家系统推理模型 ·137· Agent也会将结果综合Agent综合分析的结果输出 的索引；Strengh表示规则的信用度，在Agent中，其 给用户.当每次决策任务完成后，控制Agent还将负 规则具有相应的信用度，该信用度是在智能引擎的 责接收用户对各Agent运行结果的反馈信息，并激 控制下，由相应的信用分派算法进行赋值的；Activa-- 活Agent中的适应控制规则： ion表示当前规则是否被激活. 1.3 Agent结构 规则参数索引表中参数的形式化描述为 在基于Muli-Agent的专家系统推理模型中，每 Parameter::=〈Paid,Paras〉 个Agent都相当于人类大脑中的神经元，用于承载 式中：Paid表示参数的索引；Paras表示具体参数的 相关的知识.Agent结构由4部分构成，即标识、感应 集合 器、规则和效应器.规则表示Agent中所承载的知 规则参数索引表的形式化描述为 识，在每个Agent中都有2类规则，一类是求解规 Parameter._Table:=〈Parameters）. 则，另一类是适应控制规则；感应器用于感应触发信 式中：Parameters表示参数的集合.执行过程索引表 号，有激活状态和非激活状态2种状态；效应器用于 中具体执行过程的形式化描述为： 产生激活其他Agent的触发信号， Process::=〈Proid,Pros） Agent结构的形式化描述为 式中：Poid表示执行过程的索引，Pos表示指向具体执 Agent::=〈id,percep,rule,effector〉. 行过程的指针.执行过程索引表的形式化描述为 式中：id表示Agent的标识，percep表示Agent的感 Process_Table::=〈Processes〉. 应器，rule表示Agent中的规则，effector表示为A- 式中：Processes表示执行过程的集合 gent的效应器. 1.5 Agent间的信号传递 Agent的感应器所接受的信号可由二进制字符 在本研究中，当一个Agent需要和其他Agent 串表示，即由集合{0,1，#}构成，L表示二进制字 进行相互作用的时候，它会向系统中所有的Agent 符串的长度，#表示在此位置上可以接收任意字符 发出一个触发信号，系统中的各个Agent在接收到 串.Agent感应器接收的输人信号有2类：一类是求 这个触发信号后，首先进行感知，以判定自己是否将 解信号，另一类是适应控制信号. 被触发.当某个Agent被触发后，该Agent就处于激 Agent的感应器接收触发信号后，将根据感应 活状态.如果有多个Agent被同时激活时，系统会根 规则判断自己是否被激活，若被激活，则进一步判断 据被激活Agent的信用度大小，经过相互竞争，决定 是求解信号还是适应控制信号.如果是求解信号，运 哪些Agent被真正激活， 行相应的求解规则，并将结果输出到结果表中，同时 产生相应的触发信号；如果是适应控制信号，则运行 2基于Multi-Agent的体育赛事申办 相应的适应控制规则，进行适应性进化， 决策专家系统的推理模型分析 1.4 Agent中知识的表示 在Agent的结构模型中，Agent承载的知识是用 2.1体育赛事的申办决策 规则来表示的，规则的形式化描述为 体育赛事的申办决策是指申办主体对某项体育 Rule:=(Rid,Do,Dflag,Strengh,Activation). 赛事是否申办进行选择的决策过程.这个过程是指从 式中：d表示规则的标识；Do表示如果满足触发 申办主体有了举办某项体育赛事的意向到具体确定 条件，需要做的工作，且Do的内容由集合{0,1}构 举办该项体育赛事，且在进行申办签约之前的过程。 成，K表示二进制字符串的长度，D0内容的具体性 随着城市营销理念的开展，作为城市营销实践 质则由Do属性来决定.Do中的内容有2种可能：1) 的重要工具和载体的体育赛事越来越受到各大城市 产生一个要执行过程的索引，这个执行过程既可以 的青睐.然而，随着体育赛事举办规模的不断扩大， 是一个固定的算法，也可以是一个具有学习适应功 其申办决策所需的知识也越来越复杂.因此，对体育 能的程序，而具体执行过程的详细定义，由执行过程 赛事申办决策专家系统可持续的知识获取能力的要 索引表来说明；2)产生具体参数的索引，而具体参 求也越来越高. 数的详细定义，由规则参数索引表来说明.D1lag表 目前，申办主体对体育赛事的申办决策主要是 示Do的属性，如果D1ag=O,表明Do中的内容是 通过对赛事的宏观环境条件、赛事资源条件、赛事市 执行过程索引表中具体过程的索引；如果Dlag= 场竞争环境、赛事经济影响、赛事社会影响、赛事环 1,表明Do中的内容是规则参数索引表中具体参数 境影响等指标体系进行效益评估，来决定某项赛事

·138 智能系统学报 第8卷 是否需要申办 的风险评估Agent..这8个任务求解Agent承载了对 本文将以体育赛事的申办决策为例，设计基于 体育赛事申办决策一级理论指标的求解知识。 Multi-Agent的体育赛事申办决策专家系统推理模型 另外设置了29个任务求解Agent,以代表体育 的原型系统 赛事申办决策的三级理论指标.具体包括：举办地的 2.2推理模型分析 政治环境、举办地的经济环境、举办地的人文环境、 根据前述基于Muli-Agent的专家系统推理模 举办地的城市发展、举办地的自然环境、举办地对赛 型的理论框架，本原型系统的结构可分为4个功能 事的规划和布局、举办地政府的支持、城市基础设施 部分：任务感知单元、任务求解单元、结果综合单元 建设、体育场馆设施建设、举办赛事所需的资金、赛 和智能引擎。 事运作团队与赛事运作经验、媒体转播条件、接待条 在原型的任务感知单元中，每个感知Agent都 件、赛事的安保能力、志愿者队伍、赛事的品牌知名 代表体育赛事申办决策的某个一级理论指标，用于 度、赛事与居民需求的契合度、赛事期间其他城市举 感知求解任务.本原型共设置了3个感知Agent,即： 办大型活动的可能性、赛事举办期内举办地其他的 体育赛事申办可行性评估的感知Agent、赛事申办 活动、体育赛事的吸引力、举办城市的其他旅游资 必要性评估的感知Agent和赛事申办风险评估的感 源、体育赛事的赛程时间、体育赛事的门票价格、举 知Agent..这3个感知Agent承载了对体育赛事申办 办城市的物价水平、增强举办地居民自豪感、改善举 决策一级理论指标感知的知识 办地居民生活质量、促进举办地体育发展、塑造举办 在任务求解单元中首先设置了8个任务求解 地城市形象和对举办地城市环境进行治理等.这29 Agent来分别代表体育赛事申办决策的二级理论指 个任务求解Aget承载了对体育赛事申办决策二级 标，用于对一级理论指标的求解具体包括：体育赛 理论指标的求解知识. 事申办的宏观环境影响求解Agent、体育赛事申办 在结果综合单元中设置了2个结果综合Agent,. 的资源条件求解Agent、.体育赛事申办的市场条件 一个用于承载求解结果输出的格式的知识：另一个用 求解Agent、体育赛事申办的竞争环境求解Agent、 于承载各任务求解Agent求解结果综合的知识. 体育赛事申办对经济积极影响的求解Agent、体育 在智能引擎中设置了4个控制Agent、分别用于 赛事申办对社会积极影响的求解Agent、体育赛事 任务感知Agent、任务求解Agent、.结果综合Agent和 申办对环境积极影响的求解Agent和体育赛事申办 Agent的适应控制. 决策输出 感 综合分析 知 界 任务求解 可性分析 必要性分析 风险分析 蒜事宏观 赛事资源 巾场竞争 经济影 补会影 环境影 风险提 环境分析 条件分析 环境分析 分析 响分析 不分析 子系统 子系统 子系统 子系统 子系统 子系统 数据库 知识库 模型库 图1决策分析逻辑图 Fig.1 Decision analysis logic diagram

第2期 陶倩，等：基于Agent的专家系统推理模型 ·139· 在原型运行时，任务感知Agent中的一级理论 public output-signal（)/发送触发信号 指标会根据需求被触发，其根据相应的知识规则进 public write_Result_table（)/写结果表 一步触发代表二级理论指标的任务求解Agent,.代 表二级理论指标的任务求解Agent同样会根据其内 感知Agent类继承基本Agent类，用类似Java 的知识规则来决定具体触发哪个代表三级理论指标 的语言描述如下： 的任务求解Agent.如果专家系统还需要有四级理 public class sensing Agent extends Agent{/感知 论指标，同样可以很方便地增加、设置代表四级理论 Agents 指标的任务求解Agent.由此可知，Agent中的知识 public int Agent_.id;/Agent标识 规则不仅代表专家的知识，同时还决定了专家知识 public Vector crules;/规则表 推理的逻辑.这样的设计与人脑的思维方式更为接 public Vector signs_.table;/当前信号表 近.而且，知识的获取也可以通过Agent规则的增加 public Vector parameter;/参数索引表 或修改进行.从而，将专家系统中的知识获取机制、 public Vector process;//过程索引表 知识库、推理机三者统一于Agent的相互作用之中. public Vector signs_relation;/信号关系表 这样的设置不仅提高了专家系统推理机制的灵活 public Vector Result_table;/结果表 性，也改进了专家系统的适应性， public sensing Agent(){//结构函数 如果原型中还需要增加新的理论指标系统时， set sensing Agent initialization 只需要再增加新的感知Agent,并同时在任务求解 } 单元增加相应的任务求解Agent,结果综合单元中 public receive-signal()/接收信号 增加新的结果综合Agent即可.各Agent之间的相 public set transform_.function()/执行规则 互作用是根据Agent中的相关规则而进行的.整个 public self_evolution（)/规则自适应 系统决策过程的逻辑图如图1所示， public output-signal()/发送触发信号 public write-result_.table（)/写结果表 3基于Multi-Agent的体育赛事申办 不年”不年号 决策专家系统推理模型原型设计 任务求解Agent类也是继承基本Agent类，用 3.1原型设计 类似Java的语言描述如下： 本文在原型设计中，设计了最基本的Agent模 Public class task solving Agent extends Agent/ 板类，它是基于Multi-Agent的体育赛事申办决策专 求解Agents 家系统推理模型中所有Agent的基础类.其他Agent public int Agent_id;/Agent标识 类可以对它进行继承. public Vector crules;/规则表 其基本结构可描述如下： public Vector signs_.table;/当前信号表 public class Agent{/基本Agent类 public Vector parameter;/参数索引表 public int Agent_.id;/Agent标识 public Vector process;/过程索引表 public Vector crules;/规则表 public Vector signs_relation;/信号关系表 public Vector signs_.table;/当前信号表 public Vector result_.table;//结果表 public Vector parameter;/参数索引表 public task solving Agent(){/结构函数 public Vector process;/过程索引表 set task solving Agent initialization public Vector signs relation;/信号关系表 public Vector result_.table;/结果表 public receive-signal()/接收信号 public Agent(){/结构函数 public set transform_function()/执行规则 set Agent initialization public self_.evolution()/规则自适应 public output-signal()/发送触发信号 public receive-_signal()/接收信号 public write-result_.table（)/写结果表 public set transform_function()/执行规则 ▣0g。甲 public self_evolution()/规则自适应

·140. 智能系统学报 第8卷 结果综合Agent类也是继承基本Agent类，用 它既能够对体育赛事申办决策的二级理论指标进行单 类似Java的语言描述如下： 项指标的评估决策，也能够综合整个理论指标体系进 public class results comprehensive Agent extends 行综合的体育赛事申办决策.这些决策的执行不像传 Agent{/结果综合Agents 统专家系统，预先设置好功能模块，而是由感知Agent public int Agent_id;/Agent标识 感知后通过触发相应的Agent来完成的. public Vector crules;/规则表 public Vector signs_table;/当前信号表 public Vector parameter;/参数索引表 public Vector process;/过程索引表 public Vector signs_relation;/信号关系表 public Vector result_.table;/结果表 套于茶积有有形停方流带期转部对托读时院 public results comprehensive Agent(){/结构 函数 经新0有 set results comprehensive Agent initialization 图2决策结果输出界面I public receive-signal()/接收信号 Fig.2 The decision result output interface I public set transform_function()/执行规则 在图2的输出界面中，给出了体育赛事申办决 public self_.evolution()/规则自适应 策专家系统对整个理论指标体系进行综合决策后的 public output_signal()/发送触发信号 文字性输出结果.其中显示了专家系统对体育赛事 public write_Result_table()/写结果表 申办决策的所有二级理论指标的评估分值，并给出 … 了该指标适合申办决策时的理论参考值范围. 图3的输出界面则是将体育赛事申办决策专家 智能引擎类也是继承基本Agent类，用类似Ja 系统综合决策的文字性输出结果用图形来显示 va的语言描述如下： public class intelligent engine extends Agent 智能引擎 public int Agent_id;/智能引擎 public Vector crules;/规则表 public Vector signs_table;/当前信号表 public Vector parameter;/参数索引表 public Vector process;/过程索引表 public Vector signs_relation;/信号关系表 public Vector result_.table;/结果表 图3决策结果输出界面Ⅱ public intelligent engine(){/结构函数 Fig.3 The decision result output interface II set intelligent engine initialization 4 结束语 public receive-signal()/接收信号 本文通过快速原型法，实现了基于Muli-Agent public set transform_function()/执行规则 的体育赛事申办决策专家系统的推理模型.运行结 果表明：所设计的基于Multi-Agent的专家系统推理 public self_evolution()/规则自适应 public output-signal（)/发送触发信号 模型结构能够有效地提高专家系统的适应性.这为 public write-Result_table()/写结果表 研究更加接近人脑智能的专家系统提供了崭新的研 究思路 参考文献： 3.2原型的实现与运行 [1]史忠植，王文杰。人工智能[M].北京：国防工业出版社， 图2的输出界面显示，是本文所设计的专家系统

第2期 陶倩，等：基于Aget的专家系统推理模型 ·141· 2007:21-30. [11]陶倩，徐福缘，黄平.基于Agent的计算金融学建模方 [2]邵艳华，张明生，一类复杂适应系统的建模研究[J].计 法研究[J].系统仿真学报，2008,20(11)：3004-3007. 算机工程，2012,38(1)：253-255， TAO Qian,XU Fuyuan,HUANG Ping.Agent-based com SHAO Yanhua,ZHANG Mingsheng.Research on a class of putational finance modeling[J].Journal of System Simula- complex adaptive system modeling[].Computer Engineer- tion,2008,20(11):3004-3007. ing,2012,38(1):253-255. [l2]金士尧，黄红兵，范高俊.面向涌现的多Aget系统研 [3]韩业红.基于粗集理论的专家系统中知识的获取、更新 究及其进展[J].计算机学报，2008,31(6)：881895. 与推理[D].济南：山东师范大学，2007：29-35. JIN Shiyao,HUANG Hongbing,FAN Gaojun.Emergence- HAN Yehong.Knowledge acquisition,modification and rea- oriented research on multi-agent systems and its state of soning in expert system based on rough set theory D]. arts[J].Chinese Journal of Computers,2008,31(6): Ji'nan:Shandong Normal University,2007:29-35. 881-895. [4]钟秀琴，符红光，余莉，等.基于本体的几何学知识获取 [13]Agent based modeling[EB/OL].[2012-08-13].http:// www.cadre.calpoly.edu/pdf/JSVoss_120400.pdf. 及知识表示[J].计算机学报，2010,33(1)：167-174. ZHONG Xiuxin,FU Hongguang,SHE Li,et al.Geometry [14]ROBERT A.Advancing the art of simulation in the social knowledge acquisition and representation on ontology[]. sciences[J].Complexity Magazine,1987,3(2):189- 194. Chinese Joural of Computers,2010,33(1):167-174. [15 ]CLAUDIA P W,EBENOTH E.An adaptive toolbox mod- [5]陈明亮，李怀祖.基于规则的专家系统中不确定性推理 el:a pluralistic modelling approach for human behaviour 的研究[J].计算机工程与应用，2000(5)：50-53. based on observation[J].Journal of Artificial Societies CHEN Mingliang,LI Huaizhu.Study on the non-accurate and Social Simulation,2004,7(1):176-181. inference in expert system based on rule[J].Computer En- [16]BOERO R.Some methodological issues of agent based mod- gineering and Application,2000(5):50-53. els in social sciences EB/OL].[2012-07-26].http:// [6]曹珊，贺正洪。基于神经网络的专家系统研究及应用 www.unisi.it/santachiara/aree/conf phd econ2003/confer- [J].战术导弹控制技术，2007,56(1)：52-55， ence siena/papers/boero.pdf. CHAO Shan,HE Zhenghong.Application of expert system [17]SUN R,NAVEH I.Simulating organizational decision- based on artificial neural network[J].Control Technology of making using a cognitively realistic Agent model[J]. Tactical Missile,2007,56(1):52-55. Joumal of Artificial Societies and Social Simulation, [7]徐敏，施化吉，基于神经网络集成的专家系统模型[J]: 2004,7(3):253-258. 计算机工程与设计，2006,27(7)：1216-1220. [18 TESTATSION L.Agent-based computational economics: XU Min,SHI Huaji.Expert system model based on neural growing economies from the bottom up[J].Artificial Life, network ensembles[J].Computer Engineering and Design, 2002,8(1):55-82. 2006,27(7):1216-1220. [19]PIERRE M J,CHRISTINE B,GABRIEL L,et al.Bio-in- [8]巩文科，李心广，赵洁.基于BP神经网络与专家系统的 spired mechanisms for artificial self-organized systems[J]. 故障诊断系统[J].计算机工程，2007,33(8)：199-203. Informatica,2006,30(1):55-62. GONG Wenke,LI Xinguang,ZHAO Jie.Fault diagnosis [20]WAGNER G,TULBA F.Agent-oriented modeling and A- system based on BP neural network and expert system[J]. gent-based simulation[C]//Proceedings of 5th Int Work- Computer Engineering,2007,33(8):199-203. shop on Agent-Oriented Information Systems(AOIS-2003). [9]陈德礼，程羽.基于神经网络和规则的专家系统的应用 [S.1.]Springer-Verlag,2003:57-63. [21]MILLER J H,PAGE S E.Complex adaptive systems:an 研究[J].计算机工程与科学，2004,26(6)：70-75. CHEN Deli,CHENG Yu.Application research of the ESs introduction to computational models of social life M]. Princeton,USA:Princeton University Press,2007:25- based on neural networks and rules[J].Computer Engi- 28. neering Science,2004,26(6):70-75. 作者简介： [10]陈禹.复杂性研究的新动向一基于主体的建模方法及 陶情，女，1966年生，副教授，主要 其启迪[J].系统辨证学学报，2003,11(1)：4350. 研究方向为复杂适应系统建模、智能信 CHEN Yu.A new trend in complexity studies-Agent 息处理.曾主持和参与省部级科研项 based modelling and its implication[J].Journal of System- 目，以及横向课题项目多项.发表学术 ic Dialectics,2003,11(1):43-50. 论文多篇，其中2篇被EI检素

·142. 智能系统学报 第8卷 马刚，男，1986年生，硕士研究生 史忠植，男，1941年生，研究员，博 主要研究方向为机器学习、数据挖掘、 士生导师.主要研究方向为智能科学 神经计算.曾参与国家“973”项且子课 人工智能、机器学习、知识工程等.1979 题、国家自然科学基金项目以及其他横 年、1998年、2001年均获中国科学院科 向课题的研究，完成了多个基于多智能 技进步二等奖，1994年获中国科学院科 体专家系统的研发工作. 技进步特等奖，2002年获国家科技进步 二等奖.发表学术论文400余篇，出版专著15部. 2013中国自动化大会暨自动化领域协同创新大会 2013中国自动化大会暨自动化领域协同创新会议(CAC2013)将于2013年11月7-8日在湖南省长沙 市召开，同时召开“自动化技术与装备”展览会，开展自动化领域“产学研”的互动交流 一、征文范围 根据大会程序委员会安排，本次大会将设立8个专题、22个征文领域.热烈欢迎全国各高等院校、科研 院所和企事业单位从事自动化理论与技术研究的科技工作者积极投稿，特别希望征集能反映各单位在自动 化领域研究特色的学术论文。 大会专题： 专题1：智能制造装备与测控技术（负责人：王耀南，褚健） 专题2：碳效优化与环境控制（负责人：吴敏） 专题3：复杂系统建模与控制（负责人：王宏，李少远） 专题4：无人系统自主控制（负责人：沈林成）》 专题5：空天飞行器控制技术（负责人：包为民） 专题6：生物信息与认知计算（负责人：胡德文，李远清） 专题7：Cyber-Physical Systems（负责人：王飞跃，关新平，陈积明) 专题8：控制系统运行安全性（负责人：周东华，阳春华） 二、投稿要求 1、来稿未曾公开发表过，具备真实性和原创性，论文摘要及全文请勿涉及国家秘密！ 2、凡投稿论文被录用且未作特殊声明者，视为已同意授权出版 3、论文篇幅不限，中英文均可，特别欢迎能反映本单位研究特色的长文，征稿截止日期为2013年8月 31日，录用通知日期为2013年9月30日. 4、论文投稿请通过登录中国自动化学会网站（网址http://www.caa.org.cn)在线投稿系统会议投稿专 栏投稿.投稿时请务必注明论文投稿的专题或者征文领域. 三、论文出版 出版会议论文集，被EEE Xplor©检索，部分优秀论文拟推荐到国内外SCI、EI检索的重要期刊以专辑形 式发表，各专题论文会后将组织出版专著.同时，大会还将讨论自动化领域在“十三五”期间重点研究方向， 形成报告并向国家有关部门提交 联系人：黄振华，余洪山，梁桥康 电话：18374966022（黄振华）、18374966028（余洪山）、18374966011（梁桥康）0731-84573323 地址：湖南省长沙市国防科技大学机电工程与自动化学院 邮编：410073 E-mail:2013CAC@gmail.com