基于案例的推理(case-based reasoning,简称CBR)是人工智能领域中较新崛起的一种重要的基于知识的问题求解和学习方法。它以其独特的推理风格和成功的应用,向人们展示了很强的生命力,在国际AI届引起了广泛的兴趣。基于案例的推理可以理解为使用先前的经验来解决新问题,推理者必须能够记得和当前问题相似的先前案例,然后尝试着修改它们的解决方案以适应当前的新案例。 决策支持系统是在传统的综合部件、数据部件和模型部件“三部件”上发展起来的,而后决策支持系统引入了知识系统,从而包含了人工智能的成分。 案例式推理的在决策支持系统中有着重要的应用,论文研究了案例式推理的原理,分析了案例式推理动作的循环流程、案例式推理的案例描述、案例式推理的索引方式,案例式推理的储存方式、案例的改写与调整。 然后,对城市应急系统进行了研究,分析了城市应急系统的研究背景,调查了城市应急系统的国内外研究现状,分析了现存城市应急系统的缺点。在此基础上,介绍了构建的城市应急决策支持系统的系统网络构架和各个功能模块。 其次,试探性的把CBR的理论引入到城市应急系统中,使预案自动产成。对基于预案库的决策支持系统作了分析,首先研究了预案库,调查了预案库的现状,对他提出了改进,并对预案的内容进行了形式化的描述。其次进行了预案相似度的研究,说明了一些距离函数,文章采用了引入权重的相似性计算方法和基于HEOM(Hetetogeneous Euclidean-Overlap Metric)的方法,来计算灾害预案的相似性。 最后,本文通过实验,对引入权重相似性的计算方法和基于HEOM的相似性的计算方法做了分析与比较,认为基于HEOM的相似性的计算方法更适于计算灾害预案的相似性。