学习的IDSS及基于Agent的IDSS。其中，IDSS ES是目前应用较成熟的一种技术。IDSS ES与IDSS的不同之处在于，它是运用数量化的方法将问题模型化后，再利用数值模型的计算结果来提供决策支持。与IDSS不同，IDSS ESS表达知识是通过非数量化的逻辑语句的方式来进行知识表达，然后再通过自动推理的方式进行问题求解；而基于机器学习的IDSS则是通过计算机模拟人类的学习来获取人类解决问题的知识经验；IDSS Agent是目前人工智能领域的研究热点。同时，基于Agent的计算被看做是软件研发领域的一个重大突破。IDSS Agent主要包括智能型Agent研究、Agent-oriented的程序设计研究、Mufit-Agent系统研究及Agent-oriented的程序设计研究等方面。基于Agent的智能分析系统计算被认为是软件开发的下一个重要的突破。
（2）基于数据仓库、联机分析处理及数据挖掘实现智能分析和辅助决策支持。这些工具的结合使用户可以轻松、快捷地分析大量复杂的数据时，并能针对问题迅速地做出正确的判断。数据仓库通过将多数据源的信息进行概括、聚集和集成，建立一个数据集合，从而为决策者提供可用的信息。
（3）基于范例推理的IDSS。基于范例推理的IDSS是从过去的经验中，找到发现解决当前问题的线索的方法，利用它对过去的求解过程的复用，简化了知识和数据获取的过程，提高了问题求解的效率，对有些难以通过计算推导来求解的问题，能发挥很好的作用。
3 发展趋势分析
企业智能决策支持系统在支持决策方法、决策过程和决策领域都有别于传统的决策支持系统。企业决策问题的多样性、决策环境的易变性、决策过程的复杂性，要求决策者在决策过程中必须充分利用企业内外部的数据资源进行全方位的分析，运用一系列定性、定量分析成果，采用机敏快捷的、可配置的体系结构来为企业决策者的管理决策提供辅助支持。本文基于企业智能决策支持系统的特点，系统性地对企业级决策支持系统的理论进行了分析，并结合相关实践经验构建企业决策支持系统的理论体系，同时对智能决策方法的选择与融合、基于构件的软件体系结构及数据驱动的决策进行了深入研究。
3.1 IDSS发展方向
进入20世纪90年代以来，由于计算机网络技术的快速发展，人工智能、数据库等技术也日趋成熟，这给企业智能决策支持系统的研究和发展提供了相应的技术支持。目前，企业智能决策支持系统主要的研究方向如下。
（1）注重基于知识的人机交互，注重人性化的设计，使知识系统的更新和补充更加方便。
（2）应用分布式并行化的方式进行决策求解。随着计算机网络的发展，在分析、决策中所使用到的数据会分散到不同的地区、部门；同时，在网络环境下，决策支持模型及智能分析处理方法也从集中式处理发展演变为在网络环境下的分布或是分布加上并行的处理方式。同时，由于企业决策支持系统的可行解计算本身存在计算效率的问题，有时IDSS的顺序计算结构在某些情况下也会成为决策的瓶颈。目前，分布式人工智能技术的应用、并行决策计算等已经成为新的研究热点和研究趋势。同时，对企业复杂决策问题的并行求解已得到广泛关注。
（3）注重各种相关技术的集成应用，融入更多的知识，并结合领域信息，对问题进行更深入和透彻的研究。
（4）应用时空与多维决策技术。在决策过程中引入空间和时间等多维准则，可以有效地突破时空限制，优化并改进决策过程，从而提高支持决策的效果。
3.2 基于数据仓库技术的决策支持系统
基于数据仓库技术的决策支持系统包括三大主体。
第一个主体是决策支持的基础——模型库系统和数据库系统的结合。数据仓库从大量的事务性数据中抽取数据为决策问题提供定量分析的辅助决策信息，同时将数据清洗转换为新的数据格式，给智能决策分析提供了数据基础。
第二个主体是数据仓库和OLAP的结合。OLAP从数据仓库中提取综合数据和信息，并对这些数据做进一步的深加工，反映所提取的数据的内在本质，解决了对大量数据进行数值计算的问题。
第三个主体是数据仓库与数据挖掘专家系统的结合。数据挖掘利用数据挖掘技术，从数据库和数据仓库中挖掘知识，然后把挖掘到的知识放入专家系统的知识库中，由进行知识推理的专家系统实现定性辅助决策。
集成系统结构如图1所示。
数据仓库、联机分析处理和数据挖掘技术的发展为克服企业智能决策支持系统建设中所遇到的问题提供了技术上的支持。基于数据仓库的决策支持系统是以数据仓库为基础，以联机分析处理与数据挖掘为工具的新型企业决策支持系统。其中，数据仓库是对源数据库中抽取的数据进行综合、集成和转换，从而得到面向全局的数据视图；联机分析处理以数据仓库中的内数据为发起点，进行多维数据分析；数据挖掘功能是自动地挖掘数据中隐藏的信息模式，并基于此预测未来的发展趋势。数据仓库、联机分析处理和数据挖掘三者是相辅相成的，彼此相互结合，它们相互补充、相互依赖、相互结合，共同支持企业的决策。
基于数据仓库的决策支持系统以知识和模型为主体，结合大量数据，针对决策问题既可以进行定量分析，又可以进行定性分析，形成定量性和定性量相结合的辅助决策支持信息；而数据仓库和数据挖掘技术既能处理来自不同系统、不同数据格式的数据，又能够进行复杂数据的计算，从而能够更好地完成辅助决策任务，促使决策支持系统研究进入到一个新阶段。
随着数据库技术的发展及其应用范围的不断扩大，信息化建设以全新的速度不断发展，大量信息系统的建立，不仅给人们的工作和生活带来了极大的便利，并且累积了大量的信息数据。人们希望对这些数据进行高层次的分析和利用，而不是单纯的占用空间。同时，在信息化建设的过程中，信息技术的应用不仅仅是建立一套信息系统，如何更好地利用手中的资源做好客户的分析、分类、预测等功能，能够在激烈的竞争中快人一步，抢先占领先机，是目前推动数据仓库建立的主要原因。目前，数据库可以有效地管理数据的录入和查询工作，能够很好地支持基础的数据统计功能，但是仍不能对目前具有更高要求的数据挖掘、知识发现提供支持，更不能有效地解决信息孤岛问题。因此，合理地利用现有数据资源是当下亟待解决的问题。
4 结论
智能决策支持系统的开发是基于理论与实践相结合，为企业优化配置、整合资源及提供辅助决策而提出的。
本文总结了企业决策支持系统的发展现状及其存在的问题，分析了企业智能决策支持系统的关键要素与特点，针对以数据挖掘为基础的企业决策支持系統结构进行了分析描述。这种结构的智能决策支持系统是在以定量分析进行辅助决策的传统决策支持系统的基础上，结合数据库和数据仓库，从中挖掘有用的知识，通过对知识的推理以定性分析辅助决策。可以预见，结合数据挖掘的智能决策支持系统会在电子商务领域、数据监测和分析领域有长足的发展，其较好的发展前途和独特的研究方法使之一出现就成为决策支持技术的研究热点。
参 考 文 献
[1]杨善林.智能决策方法与智能决策支持系统[M].北京：科学出版社，2005.
[2]戴芦生.智能决策支持系统（IDSS）的发展现状[J].电脑知识与技术，2004（35）：92-93.
[3]郑颖华，武根友.智能决策支持系统中的模型库及其管理系统[J].科学技术与工程，2006（9）：1312-1315.
[4]任明仑，杨善林，朱卫东.智能决策支持系统：研究现状与挑战[J].系统工程，2002，17（5）：430-439.
[5]高洪深.决策支持系统（DSS）：理论方法案例[M].北京：清华大学出版社，2000.
[6]黄牧，田勇.组合智能决策支持系统研究及其应用[J].系统工程理论与实践，2007（4）：114-119.
[7]郑瑾，陈松乔.DSS中数据仓库的构建技术研究[J].计算技术与自动化，2004，23（2）：77-79.
[责任编辑：钟声贤]
