智能決策系統的案例
大數據智能決策.
智能決策支持系統(Intelligent decision support system,IDSS) 是由DSS 不斷升級和演化得來.20 世紀80 年代,專家系統(Expert system,ES)廣泛流行,Bonczek 等[24] 將決策支持系統與專家系統相結合,充分發揮DSS 的數值分析能力和ES 的符號知識的處理能力,用于解決定量與定性問題以及半結構化、非結構化問題,有效擴大了DSS 處理問題的范圍.這種DSS 與ES 結合的思想即構成智能決策支持系統的初期模型.智能決策支持系統利用人工智能和專家系統技術在定性分析和不確定推理上的優勢,以及人類在問題求解中的經驗和知識,為決策問題的求解提供了更加廣闊的思路.近年來,幾乎所有有關決策支持系統的研究都是圍繞著人工智能技術的應用而展開的.人工智能方法已經逐漸滲透到IDSS 的體系結構、問題求解方法等各個方面.綜合來看,智能決策系統的研究逐漸由過去的決策部件功能的擴展發展到部件的綜合集成,由過去的定量模型發展到基于知識的智能決策方法[25].
和許多正在發展中的事物一樣,智能決策支持系統是一個發展中的概念.隨著社會的發展,信息量的激增,管理、決策日趨復雜,單純依靠某一個決策者做出的決策往往不夠完善,于是Gray 將群決策理論引入DSS,提出了群決策支持系統(Group decision support system,GDSS) 的概念[26],旨在吸收群體的經驗和智慧,實現群體對決策問題的共同求解.GDSS 為企業的組織決策提供一種開放與協同的決策環境,達到提高決策質量的目的.GDSS是智能決策支持系統的一個重要研究方向,目前分布式環境下的GDSS 和基于人工智能的群決策方法仍然是該領域的研究熱點[27].
展開 戴西iDWS智能化研發平臺 V2026發布，“支撐系統”進化為“智能決策中樞”
隨著工業研發向多學科協同與規?；⑿醒葸M，企業普遍面臨工具分散、算力與許可資源難以統一調度，以及國產化與智能化同步推進的現實挑戰。同時，人工智能正在重塑研發范式，企業對數字化轉型的期待，正從“支撐工具”轉向具備過程理解與智能輔助能力的研發系統。
戴西 iDWS 智能化研發平臺 V2026，正是依托全棧自研的國產化研發協同架構、工業級算力調度體系、高性能圖形桌面云與 NexAI 智能體融合技術，面向復雜工程研發場景，提供的一體化智能化解決方案。
PART/1
從研發支撐平臺到“智能研發中樞”
在 iDWS 智能化研發平臺 V2026 （后稱iDWS平臺）版本中，戴西圍繞“智能化、工程化、國產化”三條主線，對平臺進行了系統級升級。本次版本迭代新增數十項核心功能能力，并對既有功能進行了大規模修復與性能優化，覆蓋研發協同、算力調度、許可管理、數據治理與 AI 應用等多個關鍵模塊。
其中，licMonitor（許可監控與優化能力）的正式引入，以及 NexAI 智能體在研發全流程中的深度嵌入，成為 V2026 區別于以往版本的兩項標志性升級。
這標志著 iDWS 平臺開始從“資源與流程管理平臺”，向具備智能感知、分析與輔助決策能力的研發平臺邁進。
展開 實用級北斗+AI道路智能巡檢系統，看千尋馳觀如何助力精細化公路養護決策
進入“十四五”時期，國家高度重視科技創新與公路交通發展深度融合，大力推進養護設施數字化，推動智慧養護體系建設，行業發展處于高質量轉型提升新階段，加之傳統的人工道路巡檢無法滿足高密度、長里程的路網的養護任務，智能道路巡檢應運而生。
應勢而生，實用級北斗+AI道路智能巡檢系統千尋馳觀輔助精細化公路養護決策
針對智能道路巡檢這一專業領域，千尋位置進行北斗+AI+邊緣計算的創新性技術融合，推出千尋馳觀道路巡檢系統，全面實現公路管養行業的標準化、精細化和智能化，更好地輔助公路養護決策。千尋馳觀是一款真正達到實用級別的北斗+AI道路智能巡檢系統。
千尋馳觀-道路智能巡檢系統包括了北斗+AI感知終端、HMI人機界面和高性能AI邊緣計算平臺3大核心部件，系統整體集成能力高，可靈活適配各種車型。
依托北斗時空智能及AI視覺智能能力，千尋馳觀實現了邊緣端聯合精準識別，像素級病害面積計算、巡檢結果秒級上報，是一款具有低成本、高效率、高精度優勢的輕量化智能車載采集平臺。
技術創新，千尋馳觀應用優勢顯著
千尋馳觀的核心功能包括可實現巡檢結果的結構化輸出，根據需求定制相應的業務報表，并支持物聯網無線傳輸，直接將邊緣計算結果上報到平臺，同步實時識別結果與巡檢畫面。與傳統的道路巡檢系統相比，千尋馳觀具有顯著優勢：
千尋馳觀的公路表面病害+基礎與附屬設施 “端側聯合”智能識別能支持六大類公路表面病害，以及三大類八小類公路基礎與附屬設施巡檢速度大于80 km/h，可支持高速公路的巡檢養護需求。
展開 面向智能決策的軍事數據工程建設
軍事運籌學是決策的量化表達，一般包含決策者、決策目標、決策變量、環境變量(狀態變量)、決策后果等要素。在一定環境變量條件下，選擇特定的決策變量后，最終得到結果，實現決策目標。決策的一般描述可表示為
式中，d為決策變量，z為環境變量，Z為決策后果，U為評價變量［1］。由于變量之間的關聯，特別是主客觀因素之間的交互，給決策分析帶來前所未有的困難。
1.2 軍事智能決策
軍事智能決策是智能決策在軍事領域的具體實踐，主要針對快速和綜合信息處理等方面需求，為人腦提供輔助建議，應用于軍事領域的各個層次，如戰略決策、計劃制定、指控設計等方面。它能夠通過對歷史數據、相似性數據等方面的學習，不斷完善知識庫，優化搜索路徑，給出輔助策略建議。由于軍事決策的對抗特性，軍事智能決策學習過程主要是對手和自我經驗總結的學習，需要大量的數據支撐，通常采用基于前饋貝葉斯網絡與神經元網絡的深層學習方法［5］。
2 軍事數據工程及現狀分析
2.1 數據工程和軍事數據工程
20世紀80年代，美國電氣及電子工程師學會(IEEE)將數據工程定義為“關于數據生產和數據使用的信息系統工程”［7］。從應用角度看，它是生產者將制造的規范、語義清晰數據提供給數據消費者使用的信息系統工程;從生命周期角度看，是強調對數據的定義、采集、標準化、存儲、處理、運用和容災備份等過程進行全壽命管理的信息系統工程。其主要內容包括數據建模、數據標準化、數據管理、數據應用和數據安全等。
參考數據工程定義，軍事數據工程是針對軍事需求，綜合運用數據技術方法，對軍事數據進行建設、管理和運用的軍事信息系統工程。它主要包括軍事數據需求捕獲、標準化、管理、分析、產品、安全等內容。
展開 
加快人工智能融入現代指揮決策，推動軍事指揮決策水平提升
我們必須緊跟世界潮流，聚焦頂層設計，充分認識并發揮智能技術對指揮決策的輔助支持作用，探索符合我軍特色的人機協同決策模式，引導指揮能力體系建設。要堅持系統指導，優化結構設計人機協同路徑。按照戰略、戰役、戰術層級作戰指揮的決策主旨、容量要求，區分指揮、控制、通信等任務領域，兼顧“有人、無人”各自的優勢特點，充分論證人工智能在軍事指揮決策領域中應用的適應性及可能存在的問題，系統設計人工智能融入的領域、方式和集成程度。要堅持人為主導、機器為輔、取長補短、協同配合的分工原則，設計各自的探觸邊界，實現從輔助決策向智能決策的轉變。
來源：www.chinaai.org.cn
關注微信公眾號人工智能技術與咨詢了解更多！
展開 智能網聯汽車智能決策技術的認知
決策技術結構體系
決策層是自主駕駛系統智能性的直接體現，對車輛的行駛安全性和整車性能起著決定性作用，以谷歌和斯坦福等為代表的眾多企業和高校做出了大量研究。
常見的決策體系結構有分層遞階式、反應式以及二者的混合式。
分層遞階式體系結構
決策層是自主駕駛系統智能性的直接體現，對車輛的行駛安全性和整車性能起著決定性作用，以谷歌和斯坦福等為代表的眾多企業和高校做出了大量研究。
常見的決策體系結構有分層遞階式、反應式以及二者的混合式。
反應式體系結構
混合式體系結構
先進決策理論
2. 智能決策技術未來發展趨勢
基于機器學習的非結構化道路檢測框架
基于人工智能的車云協同自動駕駛系統構建方案示意圖
智能計算平臺
自動駕駛汽車從交通運輸工具逐步轉變為新型移動智能終端。
汽車功能和屬性的改變導致其電子電氣架構隨之改變，進而需要更強的計算、數據存儲和通信能力作為基礎，車載智能計算平臺是滿足上述要求的重要解決方案。
展開 從狼群智能到無人機群協同決策
生物群集行為是自然界存在的一種普遍現象
,
先前的研究已表明人們可以通過模仿鳥群、魚群、蜂群等行為, 研究其群體性決策機制, 進而用于構建集群系統的決策系統框架. 狼群在認知、分工, 以及復雜環境適應性等方面具有突出的優勢, 尤其在群集行為中體現出主動學習、緊密配合, 以及快速響應等特征, 呈現出群智能的獨特性質。表
1
列舉了狼群、鳥群、魚群, 以及蟻群在幾種行為方面的不同特點
.
在空戰格斗等對抗環境下, 無人機集群所面臨的是高動態的拒止環境. 與一般飛行環境相比, 對抗環境普遍存在敵方目標的信號干擾和火力威脅, 這使得無人機集群必須具備在有限探測能力下的快速精確的動作響應. 狼群群集行為體現出較強的應變能力和組織能力, 使得狼群系統即使在危險環境下也不會出現失控和崩潰, 面對比自身體型更大、力量更強的獵物能夠采取靈活的配合與決策將其制服, 面對食物或領地競爭等突發事件也能夠及時組織成員參與化解. 由此可見, 狼群群集行為與對抗環境下的無人機集群機動飛行緊密契合, 將狼群智能應用于無人機集群協同決策與控制過程, 對提升無人機集群對抗能力具有重要借鑒意義。
狼群智能與無人機集群協同決策在映射機理上存在一致性。首先, 兩者行為特征相似。狼群系統在狩獵等威脅環境下的群集行為是典型的動態演變過程, 面對威脅目標需要利用快速準確的決策手段選擇性地采取有利于自身的行動策略以實現對目標的牽制。對抗環境下的無人機集群則是在高動態的拒止環境下, 面對對抗目標需要進行分布式決策與控制
,
通過協同配合完成小組范圍內對目標的夾擊或追蹤。其次, 兩者在環境認知方面的需求相似。狼群需要借助團隊配合和互助進行大范圍狩獵環境的搜捕, 掌握圍捕環境和狩獵目標的典型特征。
展開 感知（視覺）→決策（具身智能）→執行（自動化）
展會名稱：2026深圳（國際）具身智能創新展覽會
同期聯動展會：第 29 屆華南國際工業自動化展、華南國際機器視覺及工業應用展、華南國際工業博覽會
時間：2026 年 6 月 10-12 日
地點：深圳國際會展中心（寶安新館）12 號館（銜接自動化 / 機器視覺展區）
一、核心參展價值
1、政策 + 產業雙重紅利
緊扣《深圳市具身智能行動計劃》窗口期，2027 年產業規模將破千億。展會匯聚 90%+ 核心部件國產化供應鏈，可快速實現技術落地，坐享粵港澳大灣區 “機器人谷” 核心紅利。
2、同期多展聯動
與工業自動化展、機器視覺展同期舉辦，形成 “
感知（視覺）→決策（具身智能）→執行（自動化）” 的完整鏈路。共享 10 萬 + 精準觀眾，聯合展示、跨界論壇、技術對接會降低獲客成本，直達上下游合作伙伴。
3、政企研頂流齊聚
特邀政府主管部門、高校 / 科研院所帶頭人、產業鏈龍頭企業決策者，圍繞 “感知 / 決策 / 控制 / 交互” 核心技術、商業化路徑、政策支持等熱點展開深度對話，一鍵嵌入產業生態。
展開 感知·決策·執行——“2026北京具身智能技術展覽會”即將啟幕
聚焦機器人產業“感知-決策-執行”技術閉環，“感知·決策·執行——2026北京國際機器人技術展覽會”將于2026年6月10日至12日在北京舉辦。展會以技術解構為核心、開發者賦能為支撐、供需對接為目標，打造覆蓋全技術鏈條的專業交流平臺，助力機器人產業核心技術迭代與供應鏈協同升級。
作為本年度北方地區最具影響力的機器人專業展會，本次展會將匯聚來自全球20多個國家和地區的400余家參展企業，展覽面積達4萬平方米，預計吸引逾10萬名專業觀眾、行業專家及投資者蒞臨現場，涵蓋工業制造、醫療健康、應急救援、智慧物流等多個機器人核心應用領域，構建起“技術展示-交流研討-供需對接-成果轉化”的全鏈條生態體系。
展會將緊扣“感知-決策-執行”技術閉環核心，設置三大核心展區，實現全技術鏈條全覆蓋。感知技術展區聚焦多模態傳感器、激光雷達、力覺反饋系統等核心部件，集中展示機器人環境感知、數據采集的前沿成果，其中包括可實現0.1秒級地面坡度計算的TOF深度相機與IMU慣性單元，以及能精準識別0.02mm細微缺陷的視覺檢測系統，彰顯感知層作為機器人“感官”的核心支撐作用。決策技術展區重點呈現具身大模型、深度學習算法、路徑規劃系統等創新成果，多家企業將發布集成大語言模型與具身智能的解決方案，讓機器人實現常識推理與動態任務規劃，推動機器人從“自動化工具”向“自主化伙伴”加速演進。執行技術展區則匯聚高精度機械臂、仿生靈巧手、高效電機控制組件等產品，展示毫米級操作精度、高靈活性的執行部件，其中不乏握力高達28.7千克的仿生靈巧手、51個自由度的全尺寸人形機器人等重磅新品，破解機器人“最后一厘米”操作難題。
展會期間，除核心展品展示外，還將同步舉辦30余場配套活動，包括機器人產業發展高峰論壇、“感知-決策-執行”技術創新研討會、中歐機器人產業合作論壇、供需對接會及開發者訓練營等。
展開 一文解析自動駕駛汽車決策控制系統技術
* 來源：智駕最前沿
自動駕駛系統是一個集環境感知、決策控制和動作執行等功能于一體的綜合系統，是充分考慮車輛與交通環境協調規劃的系統，也是未來智能交通系統的重要組成部分。本文著重分析自動駕駛決策控制的相關技術，探索未來的發展方向。
自動駕駛系統簡介
通常意義上，自動駕駛系統可以分為感知層、決策層、執行層。
感知層
感知層
被定義為環境信息和車內信息的采集與處理，涉及道路邊界檢測、車輛檢測、行人檢測等多項技術，可認為是一種先進的傳感器技術，所采用的傳感器包括激光雷達、攝像頭、毫米波雷達、超聲波雷達、速度和加速度傳感器等。由于單一傳感器存在感知的局限性，并不能滿足各種工況下的精確感知，自動駕駛汽車要實現在各種環境下平穩運行，需要運用多傳感器融合技術，該技術也是感知層的關鍵技術。
決策層
決策層
可以理解為依據感知信息來進行決策判斷，確定適當工作模型，制定相應控制策略，替代人類駕駛員做出駕駛決策。這部分的功能類似于給自動駕駛汽車下達相應的任務。例如在車道保持、車道偏離預警、車距保持、障礙物警告等系統中，需要預測本車及相遇的其他車輛、車道、行人等在未來一段時間內的狀態。先進的決策理論包括模糊推理、強化學習、神經網絡和貝葉斯網絡技術等。由于人類駕駛過程中所面臨的路況與場景多種多樣，且不同人對不同情況所做出的駕駛策略應對也有所不同，因此類人的駕駛決策算法的優化需要非常完善高效的人工智能模型以及大量的有效數據。這些數據需要盡可能地覆蓋到各種罕見的路況，而這也是駕駛決策發展的最大瓶頸所在。
執行層
執行層
是指系統在做出決策后，按照決策結果對車輛進行控制。
展開 一文解析自動駕駛汽車決策控制系統技術
3、實現行駛路徑的規劃與決策
決策規劃處理是人工智能技術在自動駕駛中的另一個重要應用場景?，F階段主流的人工智能方法包括狀態機、決策樹、貝葉斯網絡等。伴隨著深度學習與增強學習技術的發展，現已實現了對復雜工況的決策并能進行在線優化學習。由于在實際道路中影響駕駛路徑規劃的因素非常多，勢必會占用較多的計算資源。為提高計算效率，日本研究學者提出了“安全場”的研究思路，即形成典型交通場景作為深度學習神經網絡的輸入，以提高自動駕駛汽車的決策效率，提升路徑規劃能力。
圖3 基于機器學習的非結構化道路檢測框架
智能網聯
結合通訊技術的發展，運用車與車、車與路、車與人、車與云之間的實時通訊技術，可為人工智能技術在自動駕駛技術應用過程中的數據、計算與算法等三大要素提供進一步支持，還可面向多車型、多場景智能駕駛需求，提供解決群體智能駕駛系統協同駕駛所面臨的問題?；?em>智能網聯的車云協同自動駕駛系統的具體架構如下圖4所示。
圖4 基于人工智能的車云協同自動駕駛系統構建方案示意圖
該架構方案分為基于AI的自動駕駛智能終端和基于大數據分析的自動駕駛云端系統兩部分，共同形成了一種集復雜環境精確感知、通行智慧決策與行車控制優化執行的車云協同一體自動駕駛系統。車云協同技術在不同的行車工況與應用場景中，可實現精準的行車環境感知、智慧通行決策與優化行車動作控制，并實現車端與云端之間的信息數據交互與協同。
展開 
面向預期功能安全的決策規劃系統仿真測試方法
自動駕駛系統的SOTIF觸發來源
為了更好地理解這兩大類系統在依照ISO21448開展從Clause6到Clause7的分析工作時，所面臨的不同狀況，我們先簡單地從系統的工任務、過程和目標等三方面對比一下環境感知系統和決策規劃系統：
「環境感知系統」
任務：信息提取與加工（任務以片段為主）
過程：物理→數字→信息（實現的功能包括：檢測與跟蹤等）
目標：正確、準確（以物理世界為真值）
「決策規劃系統」
任務：創造行駛的價值（安全、舒適、高效、節能地從A到B，任務以連續過程為主）
過程：信息→控制信號（實現的功能包括：場景理解、預測、價值計算等）
目標：好壞（價值高低）
可以看出
，決策規劃系統
的任務是創造行駛的價值，其結果分優劣好壞，但沒有真值作為參照；且工作過程連續，無法以切片化（時刻）的方式進行評價。
進一步地說，環境感知系統的任務大都是基于、圍繞特定對象的，比如動靜態障礙物、交通設施等；感知任務有一個絕對真值，所以感知求解的問題是盡量接近這個真值“點”；而決策規劃系統的真值難以定義，甚至不存在絕對真值，決策規劃求解的問題只需要一個可行解，而可行解是一個“集”。
故而，開展從Clause6到Clause7的分析工作，找尋觸發條件的話，
「環境感知系統」：是比較可行的。因為，觸發機制可分析、觸發源可尋、觸發條件與所產生的危害對應關系可判（控制執行系統，同理）
「決策規劃系統」
：
比較不可行。
展開 關于給水系統基于可靠度的最優決策
關于給水系統基于可靠度的最優決策
關于給水系統基于可靠度的最優決策.rar
關于給水系統基于可靠度的最優決策.JPG
數據分析與AI丨從傳感器到智能決策：數據驅動企業發展與 ESG 創新的全鏈路實踐
</p><p class="ql-align-justify">后續我們可基于這些三元組做實體消歧、描述標準化與參數噪聲過濾，并將清洗后的數據存入知識圖譜中，構建成 Graph RAG 系統的知識基礎。用戶可以通過自然語言提問，系統會在圖譜中查詢相應信息并結合大語言模型生成答案，實現智能問答。例如，當用戶問：“ABS 背后掛件出現流痕，應如何調整參數？”系統會抽取“ABS”“背后掛件”“流痕”等關鍵詞，匹配知識圖譜，抓取相關關系鏈，并用LLM生成優化建議，滿足大部分搜索場景。</p><p class="ql-align-justify">整個流程不僅支持文本信息的查詢，也可以接入生產數據、銷售數據等多源數據查詢。用戶可自然語言提問，除了產品質量問題，還例如“去年各廠商銷售數據如何？哪些是前五名？如何提升銷售業績？有沒有數據支撐？”系統都能做出有效回答。因此，“圖+大語言模型”的組合真正能夠輔助企業進行智能決策，在很多工業場景中大有可為。</p><h3 class="ql-align-justify"><strong>四、Altair 能提供什么？</strong></h3><p class="ql-align-justify"><strong>1.完整的數據科學流程</strong></p><p><img src="https://mmbiz.qpic.cn/sz_mmbiz_png/EBaibcQicPxgySddksiavBkxiaFrLicZibxnnDAL3RYoeleFvyjoYGxtzXrWia9M2f9qCR8pCYXbp3xibiaWLcRlFmYxHlg/640?
展開 面向預期功能安全的決策規劃系統仿真測試方法
自動駕駛系統的SOTIF觸發來源
為了更好地理解這兩大類系統在依照ISO21448開展從Clause6到Clause7的分析工作時，所面臨的不同狀況，我們先簡單地從系統的工任務、過程和目標等三方面對比一下環境感知系統和決策規劃系統：
「環境感知系統」
任務：信息提取與加工（任務以片段為主）
過程：物理→數字→信息（實現的功能包括：檢測與跟蹤等）
目標：正確、準確（以物理世界為真值）
「決策規劃系統」
任務：創造行駛的價值（安全、舒適、高效、節能地從A到B，任務以連續過程為主）
過程：信息→控制信號（實現的功能包括：場景理解、預測、價值計算等）
目標：好壞（價值高低）
可以看出
，決策規劃系統
的任務是創造行駛的價值，其結果分優劣好壞，但沒有真值作為參照；且工作過程連續，無法以切片化（時刻）的方式進行評價。
進一步地說，環境感知系統的任務大都是基于、圍繞特定對象的，比如動靜態障礙物、交通設施等；感知任務有一個絕對真值，所以感知求解的問題是盡量接近這個真值“點”；而決策規劃系統的真值難以定義，甚至不存在絕對真值，決策規劃求解的問題只需要一個可行解，而可行解是一個“集”。
故而，開展從Clause6到Clause7的分析工作，找尋觸發條件的話，
「環境感知系統」：是比較可行的。因為，觸發機制可分析、觸發源可尋、觸發條件與所產生的危害對應關系可判（控制執行系統，同理）
「決策規劃系統」
：
比較不可行。
展開 