基于案例推理(Case-based Reasoning, CBR)是人工智能领域中一项重要的问题求解和学习的推理技术,它采用过去的专家经验解决当前问题。随着案例推理方法的应用和不断发展,案例库的规模会逐渐膨胀,这既能增加案例库中的知识数量,增大了案例推理解决问题的能力,同时案例库的增长导致了案例检索速度的减慢,这又大大影响案例推理系统运行的效率。因此,如何提高案例检索的速度,提高案例推理系统的运行效率,成为了案例推理研究的一个热点问题。本文采用两级案例检索的策略,即第一步利用部分属性实现案例的粗检索,得到初步相似结果集；第二步,对第一步粗检索得到的初步相似结果集进行精确匹配,即可得到我们所需要的案例。这样既提高了案例检索的速度,同时也保证了案例推理解决问题的能力,提高了案例推理运行的效率。第一步,本文采用粗糙集理论,将案例属性进行分类,确定了每一个案例属性的权值,约简掉不重要的属性。采用进行约简后的部分属性,与最近相邻法相结合进行案例检索,得到了初步结果相似集,完成了案例检索的第一步检索。第二步,针对传统案例检索方法的不足,本文引入灰色关联分析加入到案例检索当中。通过分析灰色关联分析的优缺点,合理地和欧几里得距离相结合,并且确立了灰色关联分析中的分辨系数的选择策略,成功地完成了对初步相似结果集的精确匹配,得到了与目标案例最相似的案例。通过以上两步案例检索,大大减少了案例检索的计算量,减少了案例推理的运行时间,也保证了案例检索的精确度,提高了案例推理运行的效率。