可拓策略生成系统与Agent结合的研究
摘 要:为了提高可拓策略生成系统的能力，探讨了可拓策略生成系统与Agent技术结合的问题。介绍了Agent在可拓策略生成中可以结合的几个方面，重点介绍Agent控制可拓变换发散与收敛过程的作用，以克服计算中容易出现的“组合爆炸”困难，使可拓策略生成系统得到效率较高的策略输出。
关键词：可拓策略生成; Agent; 发散; 收敛
根据基元的可拓性，对其进行拓展，然后利用合适的评价方法进行筛选，从而收敛少量基元，这种思维方式称为菱形思维方法[1]。菱形思维的特点是发散与收敛，可拓策略生成系统[2]采用了菱形思维方法解决矛盾。它将定性分析方法与定量计算方法相结合,根据基元的可拓性，在解决矛盾的过程中，当目标实现与约束条件之间发生冲突时，运用基元的发散性、共轭性、相关性、蕴含性和可扩性等，拓展出候选策略集，然后进入收敛阶段，通过优度计算评价出较优的策略推荐给决策者参考。人工控制发散与收敛过程是比较灵活的，但是，普通计算机系统缺乏自主性，控制不好发散过程就容易产生计算“组合爆炸”问题，计算效率大大降低。Agent是有一定自主性的计算实体，如何运用可拓学和Agent技术这两种不同领域的知识,发挥各自的优势，克服“组合爆炸”问题而有效地生成策略，是本文探讨的主要议题。
1 Agent与可拓策略生成系统结合的几个方面
可以结合可拓学与Agent两种学科领域的技术优势,在可拓学的菱形思维方法中加入软件Agent技术，使其具有策略生成机制,在无人的情况下自主代替人解决问题。利用Agent的自主性和预动性以确保在变化多端的客观环境下生成解决问题的较优策略，增强策略生成的灵活性和科学性。
Agent与可拓策略生成系统结合可以有界定问题、协助分析核问题、维护知识库(本体进化)、控制发散与收敛及其他几个方面。
本节只介绍前三个方面。
1.1 利用Agent界定问题的方法
为了用软件Agent解决问题，必须首先建立问题的数学模型，把问题数值化，再界定问题是否矛盾。然而，问题的表述经常是用自然语言完成的，如果直接让软件理解这些自然语言信息是很困难的。该方案是让Agent处理半结构化信息，而不涉及自然语言理解。可以研究如何利用Agent的通信能力和反应性在人机交互界面设法将人们用自然语言描述的问题引导出目标和条件,从而建立可拓模型。
可以采用如下方法实现其目的：
(1)建立以复合元为基本结构的本体，作为Agent的知识库。利用本体支持语义互操作的优势,使Agent能够在本体的支持下对语义模糊的问题信息进行分析处理,排除语义冲突，得到语义正确的待求解问题后再建立其可拓模型。
(2)建立人机交互界面，让用户与Agent进行交互，试图发现表层问题，作为Agent解决问题的开始。利用Agent的通信能力和反应性界定问题,需要设定会话策略。
1.2 协助分析核问题
让Agent根据可拓模型识别问题类型和核问题(关键问题)，减轻人的劳动，让Agent从表层问题推出深层核问题,复杂问题转换为可计算的简单问题。
以旅游问题为例,如果用户告诉Agent他想在40 min内到达大学城，同时Agent问清楚用户目前位置（如东风路)与交通工具（自行车)，而Agent的知识库里说明东风路距大学城20多公里,计算机计算之后就知道问题的核心是距离与速度矛盾，那么提高速度就可以解决问题。
计算机需要有领域知识，才能解决某个领域问题。本文利用信息-知识-策略形式化体系来提高系统分析问题的能力[3]。
1.3 维护知识库(本体进化)
