基于满意度的区间数多属性决策

针对属性权重为实数而属性值为区间数的多属性决策问题,提出了一种基于满意度的多属性决策方法。本文借鉴连续有序加权平均算子中的满意度、区间数的可能度和集对分析联系数的相关知识,将区间数满意度和同异反三元联系数满意度引入了决策信息不确定性消除问题,接着利用OWA算子对满意度信息进行集结并对方案进行排序。最后进行对比实验,实验结果表明了该方法的有效性和可行性。     

区间数动态多属性决策的VIKOR扩展方法

针对各决策阶段的时间权重以及属性权重已知,属性值以区间数形式给出的动态多属性决策问题,提出一种新的决策方法.该方法依据传统多准则妥协解排序法(VIKOR)的基本思路,结合区间数的运算规则,计算各阶段各方案的评价值,进而引入不确定动态加权平均(UDWA)算子进行集成,以获取各方案整体评价值的区间数.借助于区间数两两比较的可能度公式和模糊互补判断矩阵公式,对其进行比较,从而得到整个方案集的排序.最后以第3方逆向物流服务商的选择为实例进行分析,所得结果表明了该方法的可行性和有效性.     

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。     

基于多专家区间数的多属性群决策方法

针对区间数的多专家多属性决策问题,提出了一种基于非线性规划模型的群决策方法。该方法建立如下准则:在不同对象和属性下,当某专家的估计值与所有专家估计值的均值越靠近时,则其专家权重就越大;反之就越小。基于该准则利用区间距离公式和规划模型解决了专家权重难以确定的问题。结合集成算子理论,利用区间数算术平均算子将决策矩阵集成为综合决策矩阵,再利用属性权重将其集成为综合属性值,通过二维可能度建立比较可能度矩阵,然后利用排序向量法进行排序。最后通过实例分析验证了该方法的可行性和合理性。     

一种基于区间灰色语言变量几何加权集成算子的 多属性群决策方法

针对属性值和属性权重均为区间灰色语言变量的多属性群决策问题,提出一种基于区间灰色语言变量的加权几何集成算子的多属性群决策方法.首先,给出区间灰色语言变量的定义和运算规则;然后详细介绍了区间灰色语言变量加权几何集成算子、区间灰色语言变量有序加权几何集成算子、区间灰色语言变量混合加权几何集成算子,以及利用这些算子进行群决策的方法;最后,通过实例说明了所提出方法的决策步骤,并验证了方法的有效性.     

基于改进熵和新得分函数的区间直觉模糊多属性决策

针对决策信息为区间直觉模糊数且属性权重完全未知的多属性决策问题, 提出基于改进的区间直觉模糊熵和新得分函数的决策方法. 首先, 利用改进的区间直觉模糊熵确定属性权重; 然后, 利用区间直觉模糊加权算术平均算子集成信息, 得到各备选方案的综合属性值, 进而指出现有得分函数存在排序失效或排序不符合实际的不足, 同时给出一个新的得分函数, 并以此对方案进行排序; 最后, 通过实例表明了所提出方法的有效性.

     

基于WC-OWA算子的随机多准则决策方法

针对准则权重信息不完全确定且准则值为正态分布随机变量的多准则决策问题，提出一种基于WC—OWA算子的多准则决策方法．该方法根据正态分布3σ原则，将正态分布准则值转化为区间数．并利用连续区间有序加权平均算子集结区间数，通过方案贴近度和加权的连续区间有序加权平均算子建立非线性规划模型，利用遗传算法对模型进行求解，得到准则的最优权系数，进而确定方案的排序．实例分析表明了所提出方法的有效性和可行性．     

基于二元联系数集结算子的多准则群决策方法

定义了二元联系数的加性运算法则, 给出了几种新的算术集结算子, 即二元联系数加权算术平均(BCNWAA)算子、二元联系数有序加权平均(BCNOWA) 算子和二元联系数混合集结(BCNHA) 算子, 提出了一种基于二元联系数的准则权重信息不完全确定的群决策方法. 该方法利用BCNWAA算子和BCNHA算子对二元联系数准则值进行集结; 利用二元联系数准则值的方差和准则权重的随机性, 通过构建优化模型确定最优准则权重. 最后, 通过实例分析表明了该方法的可行性和有效性.

     

基于二次规划的直觉模糊数的多属性决策方法

针对属性权重完全未知且属性值为直觉模糊数的多属性决策问题,提出了一种新的决策方法。首先引入了直觉模糊数的一些运算法则、得分函数和精确函数等概念。然后构建了一个二次规划模型,通过求解该模型获得属性的权重。接着利用直觉模糊加权平均(IFWA)算子对属性值进行集结,得到方案的综合属性值。最后利用得分函数和精确函数对方案进行排序并择优。给出的算例说明了该方法的实用性和可行性。     

基于幂均算子的区间型多属性决策方法

针对决策矩阵元素为区间数的不确定多属性决策问题,提出一种新的决策方法．定义了区间数幂均算子和区间数的相似度,利用一致度矩阵获得每个属性与其他属性的相对一致度．通过区间数幂均算子集成得到方案的综合属性值,进而给出了方案的排序结果．该方法不需要求解属性的权重．应用实例表明了所提出方法的有效性和实用性．     

一类区间粗糙数型多属性决策方法研究

研究属性值为区间粗糙数,具有属性优先序信息的多属性决策问题.首先给出粗糙属性值的规范化公式;然后基于区间粗糙数的相离度定义,建立以极大化属性值的离差为目标的最优化模型来确定各属性权重;进而基于粗糙算术运算以及期望值算子,计算出各方案的期望效用值,从而获得各方案的排序;最后通过数值例子表明了所提出方法的有效性.     

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.     

基于直觉语言集结算子的多准则决策方法

定义了直觉语言数及其运算法则、期望值、得分函数和精确函数以及直觉语言加权算术平均算子和加权几何平均算子.针对准则值为直觉语言数的多准则决策问题,提出了一种基于直觉语言集结算子的决策方法.该方法利用集结算子对准则进行集成,得到再方案的综合直觉语言数,通过比较各方案综合直觉语言数的得分函数值和精确函数值得到方案集的排序.实例分析表明了该方法的有效性和可行性.     

基于半监督学习的启发式值约简

提出一种基于半监督学习的粗糙集知识约简算法(SLRS).SLRS基于对信息论基本概念的引申定义,描述了各条件属性的重要程度以及相互之间的依赖关系.对于数据库中某些记录属性域存在的缺失值,基于半监督学习进行启发式属性值约简,进而求取粗糙集约简决策表,即使在现有知识不足或信息不完备的情况下,也能通过半监督学习构造新的规则补充到知识库中.样例分析及在UCI数据集上的实验结果均表明了所提出算法的合理性和有效性.     

变精度集对势粗糙集模型

为使粗糙集理论能有效处理含噪音的不完备信息系统,将集对势扩充粗糙集模型和Ziarko教授提出的多数包含关系相结合,提出了变精度集对势粗糙集模型.然后,给出了正域相似度的定义,提出了基于正域相似度的启发式属性约简算法,并分析了算法的时间复杂度.仿真实验表明了该方法处理含噪音的不完备信息系统的有效性.     

基于相对熵的多属性决策排序方法

针对逼近理想解排序法(TOPSIS)的不足,从相对熵的概念出发,提出了求解多属性决策问题的新思路.利用被评价方案与理想方案和负理想方案的相对熵,定义了一种新的与理想方案的贴近度.据此给出一种新的排序方法--相对熵排序法,并将此法与TOPSIS方法、夹角度量法和投影法进行对比.结果表明,在传统的TOPSIS方法、夹角度量法和投影算法排序都失效的情况下,相对熵排序法能够准确地给出方案的排序.     

基于二型三角诱导OWA算子的多准则决策方法

定义了二型三角模糊数的相关概念、运算规则和可能度公式,并针对隶属度难以用精确数进行衡量的多准则决策问题,提出了基于二型三角诱导OWA算子的多准则决策方法。该方法通过二型三角诱导OWA算子确定方案的综合准则值,并由二型三角模糊数的可能度公式计算出综合准则值的排序,进而得到方案的排序。最后通过实例分析验证了所提出方法的有效性和可行性。     

基于灰色聚类的群决策方法研究

采用非线性变换对区间灰数形式的决策信息进行规范化处理,并由决策者问差异度最小构建优化模型,确定指标权重.考虑到在决策者较多的情况下对决策者进行聚类处理可以提高决策质量,给出了决策者决策信息的灰色关联度的计算方法,并基于灰色关联度提出了对决策者进行分类的灰色聚类算法.在此基础上,提出了对聚类后各决策者类的决策信息集结的决策模型.最后通过一个实例说明了所提出方法的可行性和有效性.     

多属性群决策中一种基于主观偏好确定属性权重的方法

提出一种多属性群决策中同时考虑专家群体对属性主观赋权的偏好和决策者对决策重要性认识的偏好来确定属性权重的方法,能够兼容专家实数型、区间型和语言型等类型的属性权重赋值.首先建立标准属性重要差异矩阵以实现专家对属性赋权的优劣比较和差异规范,定义统一的决策者偏好映射对其进行调整;然后求解各矩阵的排序向量以量化属性的相对重要程度,并与专家权重聚合得到属性权重向量;最后给出了方法的具体步骤,并通过算例说明了该方法的具体应用.     

基于边界鉴别分析的递归维数约简算法

提出一种基于边界鉴别分析的递归维数约简算法.该算法把已求取边界鉴别向量正交于待求超平面法向量作为支持向量机(SVM)优化问题新的约束条件;然后对改进SVM进行递归求解,得到正交边界鉴别向量基;最后将数据样本在正交边界鉴别向量上投影实现维数约简.该算法不仅克服了现有维数约简算法难以支持小样本数据集、受数据样本分布影响等问题,而且抽取的特征向量具有更优的分类性能.仿真实验说明了算法的有效性.