基于案例推理的森林抚育智能决策算法研究

为帮助林业基层单位管理者摆脱在决策过程中对技术人员经验的过度依赖,实现森林抚育经理小班智能选取以及抚育方式的智能决策,使森林抚育决策过程更具科学性。以黑龙江省森工总局林口林业局为对象,收集2015-2018年度森林抚育作业设计数据为试验数据构建案例库,结合注水分配算法(water-filling assignment,WFA)对案例中各属性进行权重分配;结合基于“原点距”的KML-CB自组织机制优化推理效率,实现森林抚育经理小班的快速选取;采用归一化欧式距离来计算源案例和目标案例之间的相似度,参考“fish-and-shrink”算法思想进行案例推理。进而寻找与目标案例相似的源案例,以源案例的解作为目标案例的满意解,从而实现抚育方式的辅助决策。案例库中共有4 045条案例数据,从中随机抽取80%进行训练,20%的案例数据进行测试。经多次试验,算法的预测精度达到97.16%。研究提出的算法对传统的相似度推理算法进行了改进,提高了推理的精度和速度。与传统算法相比,计算复杂度从O(M×N)降低到O(M+N+4),在降低计算复杂度、优化推理效率方面有一定的意义。