下面给出一个基于决策问题智能识别模型的问题理解和求解过程的实例。为方便分析，这里仍然沿用第二章的决策问题实例，同时简化了求解过程，省略了子问题产生的部分。
该问题的中文自然语言表述为：
本公司生产N种产品，在2006年内为实现R元的目标利润，公司应如何安排这些产品的产量？
根据我们提出的决策问题智能识别机制和相应的识别模型，其处理过程如下：
（1）输入该问题。
（2）问题表层属性的识别。
首先，通过适当的中文分词算法对输入的问题切词，切词后问题描述如下：
本/公司/生产/N/种/产品/，/在/2006/年内/为/实现/R/元/的/目标/利润/，/公司/应/如何/安排/这些/产品/的/产量/？/
再进行适当组词，得到一系列词组：
｛本，公司，生产，N种，产品，在，2006年内，为实现，R元的，目标利润，应如何，安排，这些，产品的，产量｝
其次，通过问题表层属性识别模型识别出问题的条件和目标。
S=“本”，S=“公司”，S=“生产”，S=“N种”，S=“产品”；
S=“在”，S=“2006年内”，S=“为实现”，S=“R元的”，S=“目标利润”；
D=“应如何”，D=“安排”，D=“产品的”，D=“产量”。
然后，利用基于松弛匹配迭代算法的句法分析器得到问题表层属性识别的三元组集合表示：
1：｛（本，公司，偏正），（公司，生产，主语），（产品，生产，宾语），（N种，产品，偏正）｝；S
2：｛（在，为实现，状语），（2006年内，在，介宾），（目标利润，为实现，宾语），（R元的，目标利润，偏正）｝；S
1：｛（应如何，安排，状语），（产量，安排，宾语），（这些，产量，偏正），（产品的，产量，偏正）｝。D
最后，经过相似性分析判断无相似问题的存在。
（3）问题隐含属性的识别。
首先通过目标D 1找到识别问题类型的双关键词，在D1的三元组关系表示中，找到问题的宾语和谓语分别为：“安排”、“产量”，得到双关键词为“产量安排”。
然后匹配问题类型知识库中的“对应的关键词集合”，得到问题类型为“生产计划类”。
再通过问题类型找到“对应的求解方法集合”，由用户选择得出求解方法为“线性规划”。
最后匹配求解方法“线性规划”的“求解条件—值—相关说明”：
该求解条件的值中，属性值未知的有目标约束、产能约束、产品成本和产品售价，通过问题表层属性中已知条件的匹配和其他数据源的查找，可得出目标约束为R，并得到｛Q 1，Q2，……，Qn｝，｛C1，C2，……，Cn｝和｛P1，P2，……，Pn｝的取值，并将已识别的问题表层条件目标利润R填入defaí1t的目标约束值中。这样，除了问题的目标属性值未知，求解条件的所有属性值均已识别。
（4）子问题识别。由于只有目标属性值未知，因此，不产生子问题。
（5）调用模型库中的线性规划模型及算法库中相应的算法求解该问题。
