案例推理(CBR)作为基于规则推理技术的一个重要补充,已受到人工智能研究人员的关注。它是当前人工智能及机器学习领域中的热门课题与前沿方向,案例推理系统是通过检查出案例库中过去同类的相似问题从而获得当前问题的解决方案,它克服了传统知识处理系统对其边界以外的知识处理十分低效、匹配冲突等缺陷。 在案例推理系统中,系统的增量式学习会使案例库无限增大,导致案例推理系统的案例检索速度越来越慢,从而使得整个系统的性能越来越弱。由此可见,案例检索在整个系统中位于重要的位置且是系统的瓶颈。论文基于蚁群算法提出一种新的案例检索方法,并成功实现了系统。 论文首先在基本蚁群算法的基础上,针对其初期信息素匮乏,求解速度慢的缺点,利用文中提出的随机插入式算法和改进的3-opt算法,提出一种蚁群算法的优化方案。然后成功地将聚类问题转换成蚁群求解问题,并使用基于蚂蚁觅食启发的蚁群算法进行聚类分析。最后针对案例检索方法在进行大数据量检索时出现的检索效率低情况,提出用优化型蚁群算法解决案例检索问题。同时建立了基于蚁群算法的案例检索系统,利用国际案例库中的数据对系统进行了两次测试,从算法的时间复杂度和精确度方面来看,系统均达到了良好的效果。