一种对方案有偏好的Vague集多属性决策方法

研究了方案属性值和偏好值均为Vague值的多属性决策问题。针对相关文献中,将由Vague值表示的方案属性值与偏好值转化为直觉模糊数,并根据直觉模糊数表示的方案属性值与偏好值之间的偏差建立规划模型并求解属性权重这一过程,分析了建立的规划模型的不合理性。提出通过最小化直觉模糊数表示的方案综合值与偏好值的偏差,建立并求解一个规划模型计算属性权重的改进方法。通过将Vague值转化为模糊值,利用模糊值矩阵的线性序构造模糊优先矩阵,并对其进行分割,从而实现方案的排序择优。通过一个实例说明了该方法的可行性。     

不确定多属性Vague集决策方法

针对指标权重信息未知的Vague集多指标决策问题,通过计算各方案与理想方案的相离度来建立最优化决策模型,求解该模型获得指标的权重,并引入了方案集的最优点和最劣点的概念,给出了Vague集多指标决策的新方法。该方法根据模糊值矩阵得到方案的最优点和最劣点,通过计算各方案到最优点和最劣点的距离对方案进行排序。最后用实例进行了验证。     

对方案有偏好的Vague集多属性决策方法的改进

针对属性权重未知且对方案有偏好的Vague集多属性决策问题,应用直觉模糊集的理论方法,建立了基于最小方差的多目标最优化模型。通过求解该模型,获得各属性的权重。此模型弥补了要瑞璞提出的线性规划模型求解属性权重为负的不足和缺陷。通过计算各方案综合值之间比较的可能度,给出了相应决策分析方法。进行了实例分析,说明了该方法的实用性和有效性。     

区间值模糊随机多准则决策方法

针对不完全信息的区间值模糊随机多准则决策问题,提出了两种求解方法。第一种方法利用离差最大化构建区间参数线性规划,通过区间数运算法则和定位规划求得最优准则权重向量、状态集结值区间决策矩阵与期望值区间决策矩阵,根据决策者风险偏好水平得到各方案的期望集结值从而确定排序。第二种方法将区间值模糊数决策矩阵转化为直觉模糊数决策矩阵,利用不完全的准则权重,通过规划模型求解,获取各方案在各自然状态下的加权记分函数值与加权精确函数值的区间,利用不完全的状态概率,得到各方案的记分函数期望值与精确函数期望值的区间,根据决策者风险偏好水平,求得各方案的记分函数与精确函数的期望集结值,进而确定方案的排序结果。算例分析验证了两种方法的有效性和可行性。     

区间型多属性决策的心态指标法

针对决策者偏好信息和属性值均为区间数的多属性决策问题,提出一种新的决策方法.该方法将区间型决策矩阵转化为带心态指标的决策矩阵,通过求解主、客观偏好的总绝对偏差最小与各方案综合属性值差距最大的双目标规划问题,客观地确定了属性的权重,从而给出各方案的排序结果.当决策者处于不同心态时,可以通过调整其心态指标来进行决策,因而更加符合实际.应用实例表明了该方法的有效性和实用性.     

Vague集多指标决策的模糊值线性序法

就Vague集的多指标决策问题,提出了一种新的多指标决策方法。该方法首先将Vague值转化为模糊值,从而建立模糊值矩阵,由模糊值矩阵按各指标对应值的大小对方案进行排序,形成多个线性序,进而由线性序来构造模糊优先矩阵,然后通过对模糊优先矩阵进行截割,得到方案的优劣程度排序,从而选出最优方案。最后通过一个实例说明此方法的具体决策过程。     

考虑偏好信息的动态双边匹配决策方法

针对主体给出偏好信息的动态双边匹配问题,提出了一种匹配决策方法。给出了基于偏好信息的动态双边匹配问题的描述;依据广义优序法将双边主体给出的偏好信息转化为满意度;给出了指数衰减模型确定时序权重的方法,进而将满意度集成为综合满意度;在此基础上,通过建立并求解优化模型,得出最优匹配方案;以风险投资商与风险企业的匹配实例说明了所提决策方法的有效性和实用性。     

基于云模型与PROMETHEE方法的语言型Z-number多属性决策

针对属性权重未知,属性值为语言型Z-number的多属性决策问题,提出了一种基于云模型与丰富度评估的偏好排序组织方法（Preference ranking organization method for enrichment evaluation, PROMETHEE）的决策方法。首先,引入语言尺度函数,然后利用其建立转化模型完成语言型Z-number向云模型的转化。此外,通过定义云可能度函数,建立属性权重求解公式及构建正弦偏好函数,进而计算方案的优先指数,通过计算方案的正负方向优序级别值得到备选方案综合优序级别值,进而得到方案排序。最后通过算例及比较分析验证本方法的有效性和可行性。     

一种模糊偏好排序的多目标粒子群算法*

为了将决策者对各目标属性的模糊评判信息转换为目标偏好信息,首先将模糊语义转换为三角模糊数,利用模糊数的广义加法、近似乘法和标量乘法进行计算, 从而将决策者对目标属性的离散意见转换为对各目标的综合意见;然后采用多指标模糊排序法确定决策者权重,通过定义一种模糊综合排序指标来确定各目标偏好权重,依据目标权重构建判断多目标Pareto解的适应度函数,并采用粒子群算法对多目标问题进行求解;最后通过一个算例来说明该算法的实用性和有效性。     

区间型多属性决策的心态指标法

针对决策者偏好信息和属性值均为区间数的多属性决策问题,提出一种新的决策方法.该方法将区间型决策矩阵转化为带心态指标的决策矩阵,通过求解主#客观偏好的总绝对偏差最小与各方案综合属性值差距最大的双目标规划问题,客观地确定了属性的权重,从而给出各方案的排序结果.当决策者处于不同心态时,可以通过调整其心态指标来进行决策,因而更加符合实际.应用实例表明了该方法的有效性和实用性.

     

Vague集多属性决策的可能度法

给出了Vague集比较的可能度定义,并研究了其所具有的性质。针对属性权重已知和完全未知的Vague集多属性决策问题,应用最优点方案来建立最优化决策模型。应用Vague集间比较的可能度公式,提出了解决Vague集多属性决策问题的新方法。最后以应用实例对该方法进行说明和验证。     

一种信息不完全确定的多准则语言群决策方法

针对权系数信息不完全确定且方案的准则值为确定语言等级或位于两个连续语言等级之间，甚至缺失的群决策问题，提出一种群体语言决策方法．该方法利用证据推理算法得到方案属于各语言等级的信任度，利用二元语义对方案进行语言集结；然后结合决策者和准则权重的不完全确定信息及方案与理想方案的二元语义问的距离构建非线性规划模型．利用遗传算法求解所得模型，计算得到各方案的排序．实例计算表明了该方法的可行性和有效性．     

考虑碳限额的制造/再制造混合系统生产优化决策

针对属性权重部分未知且专家权重完全未知的多粒度语言大群体决策问题,提出一种基于云模型的决策方法.首先,构建一种基于信任关系的专家权重求解模型来计算专家权重;其次,将多粒度语言转换为云模型并进行聚类;然后,构建一致性优化模型来求解属性权重,从而得到各个方案的综合评价值并对方案进行排序.所构造的专家赋权模型可以有效解决大群体决策过程中决策人数众多、无法客观给出专家权重信息的问题,而且通过定义的直觉信任函数,还可以对专家之间的信任关系进行刻画,充分挖掘专家之间的信息;将多粒度语言转换为云模型,可以有效刻画语言信息的模糊性和随机性,从而避免信息的丢失和失真.     

不同语言值集下的多属性群决策方法

针对属性权重、偏好信息集及专家权重取自不同的语言值集的群决策问题,给出了“程度”语言值集的选择准则,给出了转换函数,讨论了其性质,提出了不同语言值集下的多属性群决策方法。该方法不仅简洁、直观,而且在决策过程中不丢失任何信息,所得到的结果合理。实例验证了该方法的有效性和实用性。     

一种多准则纯语言群决策方法

针对权系数信息和方案的准则值为确定语言等级,或位于两个语言等级之间,甚至缺失的群决策问题,提出一种新的决策方法.该方法利用证据推理算法对准则权系数和方案值在准则下进行群体集成,采用二元语义对方案进行语言集结,并用方案与理想方案的二元语义间距离和群体集成信息等构建非线性规划模型,使用遗传算法求解优化模型,进而得到方案的排序.最后通过实例说明该方法的可行性和有效性.     

An interactive method for fuzzy multiple attribute group decision making

In this paper, we develop an interactive method for multiple attribute group decision making under fuzzy environment. The method can be used in situations where the information about attribute weights is partly known, the weights of decision makers are expressed in exact numerical values or triangular fuzzy numbers, and the attribute values are triangular fuzzy numbers. The method transforms fuzzy decision matrices into their expected decision matrices, constructs the corresponding normalized expected decision matrices by two simple formulas, and then aggregates these normalized expected decision matrices into a complex decision matrix. Moreover, the decision makers are asked to provide their preferences gradually in the course of interactions. By solving linear programming models, the method diminishes the given alternative set gradually, and finally finds the most preferred alternative. By using the method, the decision makers can provide and modify their preference information gradually in the process of decision making so as to make the decision result more reasonable. The method can not only reflect the importance of the given arguments and the ordered positions of the arguments, but also relieve the influence of unfair arguments on the decision result. Finally, a practical problem is used to illustrate the developed method.