一种基于Rough集的属性值约简算法

文章将Rough集理论应用于不同类型的决策表(一致决策表和不一致决策表)的约简,给出了广义决策、决策规则的一致程度、属性值重要性等定义,在此基础上提出了一种基于Rough集的属性值约简算法。该算法不仅能得到更为简洁的决策规则,而且能保持决策规则的一致程度不变。实例分析表明该算法是可行的。     

一种连续条件属性值的决策表的归纳学习方法

对由连续条件属性值和离散决策属性值组成的决策表，提出了一种归纳学习方法。把决策表中的连续条件属性值看作一矩阵，进行矩阵的奇异值分解，以确定决策表条件属性的数目。用模糊C均值聚类的方法对连续条件属性值进行不同聚类数目的聚类，得到不同聚类数目下的离散决策表，对这些决策表进行条件属性简化，从而得到不同的条件属性数目。比较矩阵奇异值分解后决策表条件属性的数目和上述不同聚类数目下的离散决策表简化后的条件属性的数目，并考虑决策属性的数目，确定最终的聚类数目。在此基础上，给出了由连续条件属性值和离散决策属性值组成的决策表的归纳学习方法，并验证了其有效性。     

广义犹豫正态模糊信息集成及其多属性群决策

定义了犹豫正态模糊元及其运算法则、得分函数、Euclidean距离等概念;提出了广义犹豫正态模糊有序加权平均算子,并研究其性质,该算子不仅尽可能多地保留决策者的偏好信息,还可依据决策者的主观意愿选择不同的参数和属性权重,使得决策结果达到决策者的期望值;紧接着对属性权重和算子参数赋予不同的数值,获取广义犹豫正态模糊有序加权平均算子的若干种特殊算子,并探讨两个常用算子的大小关系;针对属性权重完全未知的多属性群决策问题,构建一种基于广义犹豫正态模糊有序加权平均算子的群决策方法。该方法利用同一属性下所有方案属性值间的距离求得最优权重,然后将同一方案下各属性值集结成为综合属性值,进而得到方案优劣排序。通过实例分析说明该方法的可行性和有效性。     

一种改进的规则分辨矩阵及其属性值约简方法

属性值约简是粗糙集理论的重要研究内容之一,针对利用分辨矩阵求值约简的错误,提出了一种改进的规则分辨矩阵和值约简方法,主要考虑属性值约简可能导致新的不一致性问题。该矩阵区分与不一致规则的决策值相同的规则,从而避免了值约简出现错误规则的可能。     

广义依赖型不平衡语言集结算子及其在多属性决策中的应用

针对属性值是不平衡语言的多属性决策问题,提出了广义依赖型不平衡语言有序加权平均算子和加权广义依赖型不平衡语言有序加权平均算子.该类算子相关联的权重向量赋权的特点是对有偏见的评价赋予较小的权重,从而削弱不公平性对评价结果的影响,使决策结果更加合理.推导其数学表达式,探讨相关性质,并将其应用到多属性决策中.同时,分析了参 数$\lambda$的变化对决策结果的影响.最后通过比较分析结果表明了所提出算子的有效性.     

三角直觉模糊决策的权重函数方法

研究了属性值为三角直觉模糊数的多属性决策问题,提出了一种基于权重函数的决策方法。给出了三角直觉模糊数的定义、运算法则和截集;定义了三角直觉模糊数关于隶属函数和非隶属函数的精确值和模糊度,以及精确值的指标和模糊度的指标,给出了三角直觉模糊数的排序方法,并将其应用到属性值为三角直觉模糊数的多属性决策问题中;给出了属性值为三角直觉模糊数的多属性决策的步骤;通过数值算例分析和验证了该方法的有效性。     

针对Naive Scaler的改进

决策表离散化要求决策表中原有的分类结果不变,而NaiveScaler算法在离散化时,有些根据不可分辨关系应该得到的断点很可能被丢掉,造成决策表信息的丢失.针对这一问题,对其进行了研究并改进.原算法在扫描相同条件属性值而决策值不同的对象时,由于这些对象的排序不同可能造成离散的结果不同.主要是在这里某些断点可能被遗漏,并引进新的冲突.为此,当条件属性值变化时查看其决策属性值,若有不同决策属性值则追加断点以消除断点被丢掉的可能.进而使得到的初始断点集更可靠.最后给出实例表明该算法有效.     

不协调广义多尺度决策系统的最优尺度组合的层次关系

多尺度信息系统是一类特殊的对象-属性值系统,数据集中的每个对象在每个属性下根据不同的尺度或粒度可呈现出不同的值,并从细粒度属性值域到粗粒度属性值域间存在粒信息变换函数.从多尺度数据集中的每个属性中选择一个满足预设条件的尺度用于最终的决策分析(这个过程称为最优尺度组合选择)是多尺度决策系统知识获取的关键问题.针对不协调广义多尺度决策系统的最优尺度组合选择问题,首先,通过引入三层思维提出广义决策类最优尺度组合和对象最优尺度组合的概念,讨论两者间的层次关系;然后,提出属性约简诱导的最优尺度组合和关键尺度组合的概念,讨论对象关键尺度组合与广义决策类关键尺度组合间的层次关系;最后,依据对象关键尺度组合与广义决策类关键尺度组合间的层次关系给出两者间互相计算的方法.     

区间值模糊决策序信息系统的部分一致约简

实际问题中,事物的一些属性值介于某个范围之间,常被用来刻画信息系统中的不确定信息。为了表达这种情况,属性值通常用模糊区间来表示,这种信息系统就是区间值模糊信息系统。本文通过在带有决策的区间值模糊信息系统中引入优势关系,建立区间值模糊决策序信息系统。在此基础上构造部分一致函数来简化知识的表达,并获得部分一致约简的判定定理,通过可辨识属性集和可辨识矩阵提供不协调的区间值模糊序信息系统的部分一致约简的具体方法,并结合投资风险这一具体案例的求解分析,进一步阐述了对部分一致约简研究的意义,丰富了区间值模糊序决策信息系统中的粗糙集方法。     

基于优势关系的多属性决策问题研究

针对属性权重未知的多属性决策问题,指出决策对象与理想对象之间的优势度与其属性值的概率测度及属性值大小之间有等价关系;借鉴博弈决策中的极大极小算法,提出用属性值的优势关系确定属性权重,并利用优势关系对决策对象进行排序并择优:最后,对属性值为区间数的多属性决策实例进行了分析,同时将该算法与离差最大化算法的异同点进行了对比,表明了算法的有效性.     

基于属性值分类的多层次粗糙集模型

传统的粗糙集理论主要是针对单层次决策表的属性约简和决策规则获取研究.然而,现实中树型结构的属性值分类是普遍存在的.针对条件属性具有属性值分类的情况,结合全子树泛化模式,提出一种多层次粗糙集模型,分析决策表在不同层次泛化空间下相关性质.结合基于正区域的属性约简理论,提出属性值泛化约简概念讨论二者之间的关系,同时证明求解泛化约简是一个NP Hard问题.为此,提出一种基于正区域的的启发式泛化约简算法,该算法采用自顶向下逐步细化搜索策略,能够在保持原始决策表正区域不改变的前提下,将决策表所有属性值泛化到最佳层次.理论分析和仿真实验表明,泛化约简方法能提高知识发现的层次和泛化能力.     

Multiple attribute group decision making methods based on intuitionistic linguistic power generalized aggregation operators

With respect to multiple attribute group decision making (MADM) problems in which attribute values take the form of intuitionistic linguistic numbers, some new group decision making methods are developed. Firstly, some operational laws, expected value, score function and accuracy function of intuitionistic linguistic numbers are introduced. Then, an intuitionistic linguistic power generalized weighted average (ILPGWA) operator and an intuitionistic linguistic power generalized ordered weighted average (ILPGOWA) operator are developed. Furthermore, some desirable properties of the ILPGWA and ILPGOWA operators, such as commutativity, idempotency and monotonicity, etc. are studied. At the same time, some special cases of the generalized parameters in these operators are analyzed. Based on the ILPGWA and ILPGOWA operators, two approaches to multiple attribute group decision making with intuitionistic linguistic information are proposed. Finally, an illustrative example is given to verify the developed approaches and to demonstrate their practicality and effectiveness.     

基于广义直觉语言算子的多属性群决策方法

针对属性权重未知,属性值为直觉语言数的多属性决策问题,提出了一种基于直觉语言熵和广义直觉语言算子的群决策方法.定义了直觉语言熵,并利用直觉语言熵确定属性权重,提出了三种直觉语言算子:广义直觉语言加权几何平均(GILWGA)算子、广义直觉语言有序加权几何(GILOWG)算子及广义直觉语言混合几何(GILHG)算子.利用GILWGA和GILHG算子集结信息,采用基于直觉语言数的得分函数及精确函数进行方案排序与择优,最后通过一个算例说明了该方法的有效性和合理性.     

不同信任结构下约简的证据特征及其一致性

不一致性决策表中广义决策约简与相对约简不完全一致.文中给出划分和覆盖2种信任结构下的广义决策约简和相对约简的概念,研究这2种约简的证据结构特征,分别证明广义决策约简和相对约简是保持广义决策值的似然函数之和与信任函数之和不变的最小属性集合.在此基础上,提出划分和覆盖结构中的广义信任约简,进而分析这2种结构中广义决策约简、广义信任约简及相对约简的一致性,证明广义决策约简必为相对约简协调集且广义决策约简与广义信任约简等价,得出相对约简的核蕴含于广义决策约简的结论.最后分别给出2种信任结构下广义决策约简与相对约简相同的充分必要条件,完善不同信任结构中的约简理论.     

基于前景理论的具有指标期望的多指标决策方法

针对决策者给出单一与组合指标期望情形的多指标决策问题, 提出一种基于前景理论的决策分析方法. 首先, 依据前景理论将决策者给出的指标期望视为参照点, 分别计算各方案针对各单一与各组合指标期望的前景价值,并构建各方案的综合前景价值向量; 然后, 将原始决策问题转化为相应的广义优序模糊约束满意问题(GPFCSP), 进而计算各方案针对相应推理准则的总体满意度, 并据此对各方案进行排序; 最后, 通过算例表明了该方法的可行性.     

基于矩阵的最简决策规则获取

获取决策表规则时,通常需要进行属性约简和属性值约简。该文分析属性值约简,针对协调决策表提出一种通过构造决策矩阵直接获取最简规则的方法。将原来考虑条件属性集和决策属性集决定的等价类之间的关系,转变为仅考虑决策矩阵同行元素之间的代数关系。通过实例验证了该方法的可行性。     

Some generalized aggregating operators with linguistic information and their application to multiple attribute group decision making

With respect to multiple attribute group decision making problems with linguistic information, some new decision analysis methods are proposed. Firstly, we develop three new aggregation operators: generalized 2-tuple weighted average (G-2TWA) operator, generalized 2-tuple ordered weighted average (G-2TOWA) operator and induced generalized 2-tuple ordered weighted average (IG-2TOWA) operator. Then, a method based on the IG-2TOWA and G-2TWA operators for multiple attribute group decision making is presented. In this approach, alternative appraisal values are calculated by the aggregation of 2-tuple linguistic information. Thus, the ranking of alternative or selection of the most desirable alternative(s) is obtained by the comparison of 2-tuple linguistic information. Finally, a numerical example is used to illustrate the applicability and effectiveness of the proposed method.