群决策中随机信息的贝叶斯集结与统计模拟方法

针对方案属性值和权重都为随机变量的群决策问题,结合贝叶斯理论和随机模拟,提出一种集成专家主观概率分布集结和随机多属性决策方案选优的方法.该方法首先构建一个多元正态集结模型,将多个专家估计的属性值分布集结成单一分布,然后用随机模拟算法,生成不完全权重信息,并通过计算各方案获得特定排名的可信度因子,以及反映决策者风险偏好的整体排名可信度因子,得到各方案排序.实例分析验证了方法的有效性.     

一种基于多粒度语言偏好矩阵的多属性群决策方法

针对决策专家以多粒度语言偏好矩阵形式给出偏好信息的多属性群决策问题,提出一种基于二元语义一致化的多属性群决策方法.首先,构建一个基本语言偏好集作为多粒度语言一致化的参考集合;然后,采用基于二元语义的一致化处理方法将不同粒度的语言偏好信息均统一转化为相同粒度的二元语义形式,再通过二元语义的相关集结算子,对各决策专家给出的偏好信息进行集结并进行方案优选,得到满意结果;最后,通过算例说明了该方法的有效性.     

群决策中随机信息的贝叶斯集结与统计模拟方法

针对方案属性值和权重都为随机变量的群决策问题,结合贝叶斯理论和随机模拟,提出一种集成专家主观概率分布集结和随机多属性决策方案选优的方法.该方法首先构建一个多元正态集结模型,将多个专家估计的属性值分布集结成单一分布,然后用随机模拟算法,生成不完全权重信息,并通过计算各方案获得特定排名的可信度因子,以及反映决策者风险偏好的整体排名可信度因子,得到各方案排序.实例分析验证了方法的有效性.

     

基于重要度引导偏好识别修正的多粒度语言共识模型

研究多粒度语言偏好信息下的群体共识决策问题. 首先, 从个体和群体两个角度充分挖掘偏好信息下隐含的专家重要度信息, 基于个体一致度及个体与群体的相似度构建确定专家重要度的优化模型; 其次, 以专家重要度引导非共识偏好的识别和修正过程, 提出一种自适应的语言共识模型; 然后, 给出一种群决策方法, 确保在集结专家意见前群体达成一定程度的共识; 最后, 通过算例验证所提出方法的可行性和有效性.

     

一种基于多粒度语言偏好矩阵的多属性群决策方法

针对决策专家以多粒度语言偏好矩阵形式给出偏好信息的多属性群决策问题,提出一种基于二元语义一致化的多属性群决策方法.首先,构建一个基本语言偏好集作为多粒度语言一致化的参考集合;然后,采用基于二元语义的一致化处理方法将不同粒度的语言偏好信息均统一转化为相同粒度的二元语义形式,再通过二元语义的相关集结算子,对各决策专家给出的偏好信息进行集结并进行方案优选,得到满意结果;最后,通过算例说明了该方法的有效性.

     

基于权重集结和相对优势关系的多属性决策方法

分析多属性决策方法中决策矩阵规范化和属性权重计算等步骤可能对决策方法合理性造成的不良影响,为克服这些不良影响,提出一种新的多属性决策方法.该方法采用群决策模式进行赋权,在对专家意见进行一致性分析的基础上,集结各位专家给出的属性权重,通过定义备选方案在属性值为实数、区间数和语言值等不同类型属性上的相对优势关系构造判断矩阵,并以此建立方案效用值计算的线性目标规划模型,从而实现备选方案的评价和排序.实例研究表明了所提出方法的可行性和有效性.     

一种具有区间数信息的多属性大群体决策方法

针对属性值为区间数的多属性多方案大群体决策问题,提出一种区间数聚类算法.通过该聚类算法将方案的属性值聚类,得到方案的群体偏好矩阵,再利用诱导有序加权平均算子集结确定属性的权重,根据方案的综合评价值给出方案排序,进而提出大群体决策方法.该方法较好地避免聚类阈值选取的经验性,提高决策结果的可信度.实例分析验证了方法的有效性和实用性.     

区间数信息下的多属性群决策研究

随着决策系统的不断扩大以及复杂化,评价指标以实数值描述稍显欠妥。研究属性权重为实数值、区间数信息下的多属性群决策问题,建立集结区间数信息的非线性规划模型,采用模拟植物生长算法集结各方案中多位专家给出的区间数偏好,并利用得到的偏好区间数构成群决策偏好矩阵。结合已知权重,引入投影理论得到各方案的综合评价值,从而选出最优决策方案。算例结果表明,模拟植物生长算法不仅计算简便、灵活,并且尊重每个专家的意见,较好地保留了信息的完整性,显示出人工智能算法在信息集结方面的有效性。     

一种改进的非常规突发事件应急决策集结算法

针对非常规突发事件应急决策集结问题,分析了集结过程中的冲突问题,构建了非常规突发事件应急决策集结框架,在集结过程中通过群体冲突程度指标修正决策偏好信息并提出一种改进的非常规突发事件应急决策集结算法,构建应急决策群体冲突程度指标,并通过该指标来修正决策组成员的偏好信息,改善偏好修正时的主观性和随意性问题,最终获得冲突程度能够接受的应急群体决策方案。最后通过算例验证了该算法的有效性。     

专家权重完全未知的区间直觉不确定语言多属性群决策方法

针对专家权重信息完全未知且属性值为区间直觉不确定语言数的模糊多属性群决策问题,提出一种基于混合权重信息及决策者风险态度的群决策分析方法。在定义区间直觉不确定语言数差异度的基础上,分别利用专家在方案评价值上的贴近度以及方案排序上的一致度来计算两类专家权重,并基于均衡度得到专家的客观综合权重。进而通过融合专家客观综合权重以及基于相似度的个体综合评价值权重,提出一种混合加权集结方法,从而得到方案的群体综合评价值,并通过定义带有风险态度因子的期望值与精确函数实现对方案的比较和排序。最后,通过实例分析证明所提方法的有效性和合理性。     

一种基于前景随机占优准则的随机多属性决策方法

针对属性值为随机变量的随机多属性决策问题,提出一种决策分析方法.该方法将决策者的行为因素引入随机多属性决策,将具有随机变量的决策矩阵转化为关于参考点的收益和损失矩阵,依据前景随机占优准则判断并确定两两方案之间比较所具有的占优关系,并构建相应的前景随机占优关系矩阵.在此基础上,运用PROMETHEE Ⅱ方法得到了方案的排序结果.通过一个算例验证了所提出方法的可行性和有效性.     

新的可分辨矩阵及其约简方法

为了解决因决策表存在不相容性造成求核和属性约简的错误,首先通过增加一个属性列,将原始决策表相容化;然后创建可分辨矩阵,并给出核属性和属性约简的性质,同时证明了由该性质获得的核和属性约简与正区域的核和属性约简是等价的;最后设计属性约简算法及其改进算法,并通过实例验证了该方法的正确性.     

一种基于C-Tree的属性约简增量式更新算法

针对以往文献为克服基于差别矩阵的属性约简算法存储代价高的不足而提出的基于浓缩树(C-Tree)的高效属性约简算法仅考虑决策表不变的情况,提出了一种基于C-Tree的属性约简增量式更新算法,主要考虑对象动态增加情况下属性约简的更新问题.该算法可通过快速更新C-Tree,在动态求解核的基础上,利用原有的属性约简有效地进行属性约简的增量式更新.理论分析和实验结果表明,所提出的算法是有效可行的.     

指标期望为随机变量情形的多指标决策方法

针对指标期望为随机变量情形的多指标决策问题, 提出一种决策分析方法. 该方法首先通过计算指标值相对于指标期望的损益值, 将决策矩阵转化为关于指标期望的损益矩阵; 然后运用随机占优准则, 通过判断针对每个指标两两方案之间的随机占优关系, 进而构建两两方案的随机占优关系矩阵, 并使用PROMETHEE II 方法对方案进行排序; 最后以某研究所移动硬盘采购问题为例, 对所提出方法的实用性进行说明.

     

基于前景M-V准则的正态三角模糊随机多属性决策方法

针对具有正态三角模糊随机变量且属性权重未知的多属性决策问题, 提出基于前景均值-方差(M-V) 准则的正态三角模糊随机多属性决策方法. 该方法首先构建正态三角模糊随机决策矩阵, 进而通过运算得到属性值的期望与方差, 并将其转化为M-V 决策矩阵; 然后, 通过定义前景效应构建前景M-V 决策矩阵, 利用改进灰色系统理论模型求解属性权重值, 获取综合前景M-V 决策矩阵; 最后, 定义前景序关系, 两两比较前景M-V 价值获取方案排序. 在此基础上, 通过案例验证了所提出方法的可行性及有效性.

     

铜转炉吹炼过程熔剂加入量的模糊操作模式挖掘方法

将包含条件参数和需要决策的操作参数组成一个操作模式向量,采用Sugeno模型构造一类基于操作模式的模糊推理系统以进行操作参数的决策.首先利用先验知识对海量数据集进行初步分类;然后采用一种基于模式相似度和相似矩阵的无监督聚类方法来辨识模糊操作模式决策的结构,自动确定模式的数量和模式的值.实例仿真表明,利用该方法进行操作参数优化决策时简便有效,可应用于PS转炉熔剂加入量的优化决策.     

基于粗糙集的犹豫模糊多属性决策方法

针对属性值为犹豫模糊元的决策问题,提出一种基于粗糙集理论的多属性决策方法.首先,依据属性值与理想点的贴近度和给定的阀值得到判断矩阵;然后,根据判断矩阵对属性集进行约简,确定属性权重;最后,基于TOPSIS思想,计算各方案与理想点的综合贴近度,得到方案的优劣次序,并通过算例分析表明了该方法的有效性.     

两种基于个体偏好集结的多属性群决策共识方法

针对多属性群决策中的共识问题, 提出两种使群体达成共识的方法. 假设群体决策的结果以从个体偏好通过集结得到的群体偏好为基础, 在使用算术加权集结算子和几何加权集结算子的条件下, 分别设计相应的共识达成算法, 并对算法的收敛性进行分析. 与已有方法相比, 所提出算法能够体现决策个体的差异和决策个体对群体的影响. 通过某市政图书馆空调系统安装方案的选择表明了所提出方法的合理性和可行性.

     

An automatic approach to reaching consensus in multiple attribute group decision making

In this work, we consider the problem of consensus of multiple attribute group decision making, and develop an automatic approach to reaching consensus among group opinions. In the process of group decision making, each expert provides his/her preferences over the alternatives with respect to each attribute, and constructs an individual decision matrix. The developed approach first aggregates these individual decision matrices into a group decision matrix by using the additive weighted aggregation (AWA) operator, and then establishes a convergent iterative algorithm to gain a consentaneous group decision matrix. Then based on the consentaneous group decision matrix, the approach utilizes the AWA operator to derive the overall attribute values of alternatives, by which the most desirable alternative can be found out. Finally, we detailedly expound the implementation process of the approach with a practical example.