孙宝贵，车文刚，廖江福

(1.昆明理工大学信息工程与自动化学院，云南 昆明650500；2.昆明理工大学云南省计算机技术应用重点实验室，云南 昆明650500)

1 引言

案例推理CBR(Case-Based Reasoning)是人工智能领域中一种基于现有知识的问题求解与学习方法，其通过重用或修改与目标案例相似性高的历史案例解决问题[1]。目前，对CBR的应用与研究非常广泛[2 -5]，应用最为广泛的CBR模型是Aamodt等[6]提出的“4R循环”，包括以下4个环节：(1)案例检索(Retrieve)：从案例库中检索与目标案例相似性最高的一个或多个相似源案例；(2)案例重用(Reuse)：将检索得到的相似源案例作为建议解；(3)案例修正(Revise)：对建议解进行评估。若评估合格，则不需要修正；若评估不合格，则对建议解进行相应的修正；(4)案例保存(Retain)：将目标案例及其解决方案作为新案例存储到案例库中。

案例检索是案例推理的中心环节，因此，检索算法的性能直接影响案例推理检索结果的精度和执行时间[7]。目前常用的案例推理检索算法有：知识引导法(Knowledge-Guided)、归纳索引法(Induce Indexing)和K-最近邻KNN(K-Nearest Neighbor)算法等。其中，由于K-最近邻算法通过欧氏距离实现相似性计算，所以被广泛应用于案例推理。

但是，传统的KNN算法在检索案例时存在2处缺陷：(1)计算量大，效率低。传统KNN算法需要对案例库中所有的案例进行相似度计算。因此，对于海量案例库而言，计算量巨大，会降低效率。(2)近邻K值影响最终的输出结果。当K值较小时，容易发生过拟合；当K值较大时，会将噪声点划分为相似源案例，导致输出结果的误差增大，质量下降[8]。……