智能管理技术与方法

第一章　智能管理与智能管理系统 1

1.1　智能管理的基本概念 1

1.1.1　管理与管理系统 1

1.1.2　信息系统 4

1.1.3　人工智能 5

1.1.4　人工智能在管理系统中的应用 8

1.2　智能管理系统的基本理论 12

1.2.1　智能管理系统的产生 13

1.2.2　智能管理系统的框架 13

1.2.3　智能管理系统的设计方法与技术 15

1.2.4　智能管理系统的常用技术 18

1.3　智能技术与方法概述 22

参考文献 28

第二章　机器学习 30

2.1　概述 30

2.1.1 引言 30

2.1.2　机器学习的主要策略 31

2.1.3　机器学习的算法理论基础 33

2.2　案例学习 34

2.2.1　CBR的工作特点 34

2.2.2　相似性 35

2.2.3　案例索引与检索 37

2.2.4　CBR的修正技术 38

2.2.5　案例库维护 39

2.3　粗糙集理论 41

2.3.1　粗糙集基本理论 41

2.3.2　决策表达逻辑 43

2.3.3　粗糙集与案例学习系统 47

2.4　神经网络 49

2.4.1　神经网络基本理论 49

2.4.2　神经网络与案例学习 51

2.4.3　神经网络与智能管理系统 52

2.5　基于机器学习的智能管理系统 55

2.5.1　基于机器学习的智能管理系统 55

2.5.2　基于粗糙集的智能决策支持系统 57

2.5.3　一种基于相似粗糙集技术的案例库维护 59

2.5.4　基于多层前馈神经网络的案例学习系统 63

参考文献 67

第三章　多Agent技术 69

3.1　现代管理与多Agent系统 69

3.1.1　组织结构与决策机制的变化趋势 69

3.1.2　现代管理对信息技术的依赖性和要求 72

3.1.3　多Agent技术在现代管理中的作用 73

3.2　Agent和多Agent系统的基本理论 73

3.2.1　Agent的基本概念及发展历程 73

3.2.2　Agent组织的形成 75

3.2.3　MAS中的协商、协调与合作机制 76

3.2.4　MAS的社会性和社会规范 78

3.2.5　Internet环境下的Agent/MAS研究 79

3.3　多Agent系统的问题求解 80

3.3.1　多Agent系统的问题求解能力分析 80

3.3.2　MDP与状态空间搜索 85

3.3.3　基于动态MDP模型的MAS系统合作求解能力分析 88

3.4　证据理论与多Agent合作问题求解 94

3.4.1　D-S证据理论简介 95

3.4.2　基于概念树结构的多Agent合作求解模型 97

3.4.3　多Agent环境下辨识空间的调整 98

3.4.4　多Agent环境下的相关证据问题 102

3.4.5　Agent求解结果的合成 104

3.5　多Agent环境下的决策支持和知识共享 105

3.5.1　分布式环境下多Agent协作决策与知识共享的特点 105

3.5.2　面向任务的知识共享多Agent系统模型 106

3.5.3　分布式环境下多Agent系统的知识发现及共享 109

3.6　多Agent系统中的任务调度和资源配置 114

3.6.1 多Agent系统任务调度机制的设计与评价 114

3.6.2　基于经济学模型的资源配置机制 117

3.6.3　基于均衡市场机制的多Agent系统任务调度算法及效果分析 118

参考文献 122

第四章　智能优化技术 124

4.1　智能优化概述 124

4.1.1　智能优化 124

4.1.2　智能优化技术的类型 125

4.1.3　智能优化技术的特点 126

4.1.4　算法及收敛 127

4.2　禁忌搜索算法 129

4.2.1　禁忌搜索算法 129

4.2.2　禁忌搜索算法关键参数 132

4.2.3　禁忌搜索算法求解TSP问题 137

4.2.4　禁忌搜索算法对图结构案例的检索 141

4.2.5　禁忌搜索算法的改进 145

4.3　遗传算法 146

4.3.1　遗传算法的主要特征 146

4.3.2　遗传算法的关键问题及方法 148

4.3.3　遗传算法在智能管理中的应用 158

4.4　蚁群优化技术 164

4.4.1　蚁群算法 164

4.4.2　蚁群算法的改进 168

4.4.3　蚁群算法与聚类问题 171

参考文献 177

第五章　数据挖掘技术 180

5.1　概述 180

5.2　数据挖掘的功能与方法 181

5.2.1　数据挖掘的功能 181

5.2.2　数据挖掘的方法 183

5.3　聚类分析 184

5.3.1　聚类分析概述 184

5.3.2　基于密度树的网格快速聚类算法的研究 186

5.3.3　一种新的基于网格的聚类算法 189

5.3.4　聚类算法应用前景及发展 191

5.4　文本分类 192

5.4.1 文本的向量空间表示 192

5.4.2　文本分类的常用方法 193

5.4.3　基于交叉覆盖算法的文本分类 194

5.5　时间序列分析 197

5.5.1　概述 197

5.5.2　基于经验模态分解的时间序列相似模式匹配 197

5.5.3　时间序列预测 201

5.6　离群数据挖掘 206

5.6.1　概述 206

5.6.2　基于粗糙集与超图的高维离群数据挖掘研究 207

5.7　基于数据挖掘的智能管理系统 209

5.7.1　概述 209

5.7.2　结合数据仓库、联机分析处理和数据挖掘的智能决策支持系统 212

参考文献 215

第六章　知识管理 217

6.1　知识 217

6.1.1　知识概述 217

6.1.2　数据、信息、知识 220

6.1.3　元知识与知识地图 221

6.2　知识管理 222

6.2.1　知识管理 222

6.2.2　知识管理与信息管理 225

6.2.3　知识管理战略 226

6.2.4　知识管理的运作过程 227

6.3　知识管理技术 229

6.3.1　知识仓库 230

6.3.2　知识地图 232

6.3.3　群件技术 233

6.3.4　人工智能技术 235

6.3.5　数据挖掘技术 238

6.3.6　其他技术 239

6.4　知识管理系统 241

6.4.1　知识管理系统概述 242

6.4.2　知识管理系统的组成及基本功能 242

6.4.3　知识管理系统实现框架 244

6.4.4　知识管理系统的模式 246

6.4.5　知识管理系统的构建原则 250

参考文献 251

第七章　分形管理与技术 253

7.1　分形理论及其发展 253

7.1.1　分形理论 253

7.1.2　分形维数 257

7.1.3　分形理论的研究现状 261

7.2　分形在管理领域中的应用 263

7.2.1　分形在企业管理中的应用 263

7.2.2　分形在经济管理中的应用 264

7.2.3　分形在知识管理中的应用 266

7.3　基于分形的智能技术 267

7.3.1　分形聚类分析 267

7.3.2　分形时间序列分析 272

7.3.3　分形关联规则挖掘 276

7.3.4　分形分类 278

7.3.5　分形神经网络 280

7.4　分形理论的进一步研究方向 283

参考文献 284