模糊偏好关系一致性改进算法及其决策应用

模糊偏好关系是处理决策问题的一种有效工具。针对模糊偏好关系,研究了加性一致性模糊偏好关系的若干判定条件,构造了满足加性一致性的特征模糊偏好关系,并提出一致性指数、满意加性一致性等概念。在此基础上,构建了不满足加性一致性模糊偏好关系的改进算法,论证了算法的收敛性,该算法使得改进后的模糊偏好关系具有满意一致性条件,进而使得决策者获得合理可靠的决策结果。最后建立了基于模糊偏好关系加性一致性的决策模型。实例分析说明提出的模糊偏好关系决策模型是可行和有效的。     

具有偏好关系网络结构稳定的群决策协商控制模型

挖掘群决策偏好关系结构信息,提出决策者个体偏好与群体偏好关系以及网络结构稳定的群决策协商控制模型.根据模型提供个体偏好参考基准,计算决策者及群体的偏好相容性测度.通过决策者建立、取消(断开)或加强与其他决策者的链接以及对偏好信息进行调整的策略建议,促使决策者个体偏好、群决策偏好关系网络结构正向演化,在模型框架下保证群体偏好网络结构稳定,达到群体偏好信息相容性极大的目的,为进一步信息集结提供依据.     

基于偏好不一致熵的有序决策

针对多规则有序决策系统中的偏好决策问题,根据有序决策的偏好不一致特性,提出了一种基于偏好不一致熵的偏好决策方法。首先,定义了样本的偏好不一致熵（PIEO）,用来度量特定样本相对于样本集的偏好不一致程度;然后,根据偏好决策中不同属性对决策的重要性不同的特点,提出了一种加权的样本偏好不一致熵,并结合属性偏好不一致熵在度量属性重要性方面的能力,给出了一种基于属性偏好不一致熵的权值的计算方法;最后,提出了一种基于样本偏好不一致熵的偏好决策算法。采用Pasture Production和Squalsh两个数据集进行仿真实验,基于全局偏好不一致熵分类后,各属性的偏好不一致熵普遍比基于向上和向下偏好不一致熵分类后的熵值小,而且更接近原始决策的偏好不一致熵,这说明基于全局偏好不一致熵的分类比其他两种情况的分类效果好。分类偏离度最小低至0.1282,这说明分类的结果比较接近原始决策。     

加型Pythagorean模糊偏好关系的多属性决策方法

考虑Pythagorean模糊偏好关系的多属性决策问题,提出了加性Pythagorean模糊偏好关系的多属性决策方法。基于加性一致性Pythagorean模糊偏好关系提出一种新的Pythagorean模糊权重确定模型。给出了可接受加性一致性Pythagorean模糊偏好关系的定义,并针对不满足可接受加性一致性的Pythagorean模糊偏好关系,提出一种加性一致性调整算法。给出基于Pythagorean模糊偏好关系加性一致性的多属性决策方法,并通过实例分析提出的新方法的可行性和合理性。     

基于模糊偏好关系的多智能主体决策

多智能主体决策在决策支持系统中的应用越来越广泛,但也带来了各智能主体决策一致性,以及选择最优决策方案的问题,为解决以上问题,该文提出了基于模糊偏好关系的多智能主体决策方法,该方法利用模糊聚合算子对多智能主体的决策结果进行聚合,并利用模糊偏好关系对决策方案进行排序,从而选择最优决策方案。     

偏好关系的表示和收缩

针对偏好经常会改变的问题,提出偏好的舍弃操作——偏好收缩,而对于偏好收缩来说,偏好收缩的最小化和保持严格偏序性是很重要的。给出可用于表示有限和无限偏好关系的框架,并针对偏好的收缩问题提出算法,计算偏好关系对基本收缩的全收缩,使收缩后的偏好满足严格偏序,对全收缩进行最小化,得到修正后的偏好全收缩。仿真结果表明,修正后的全收缩小于修正前的全收缩。     

基于优势关系的粗糙集应用研究

基于优势关系的粗糙集定义能够弥补经典粗糙集中不能表达出数据属性值偏好关系的劣势,使得到的"if…then…"推导规则更符合实际情况,具有推广性.本文首先介绍基于优势关系的粗糙集的产生背景;然后综述其在数据挖掘中的应用,包括规则生成和属性约简;最后讨论了进一步的研究内容和发展方向.     

多偏好逻辑GMPL

针对缺乏多类型偏好共存的偏好逻辑系统的现状,MPL(logic of many kinds of preference)被构造为一种能够表示和推理四类型偏好的偏好逻辑,但是MPL的语义基于全前序偏好结构,因而不能表示不完全偏好.为此,提出了偏好逻辑GMPL(a generalized edition of MPL).此外,通过常见逻辑偏好的GMPL重写表明GMPL较强的表达能力和实际应用前景.并提出一种将GMPL的SAT问题归结为命题逻辑的SAT问题的方法.     

犹豫模糊群共识实现算法及其数据系统优选

针对犹豫模糊偏好关系（HFPR）可以在复杂的管理环境下全面描述专家的犹豫评价信息的优势,基于HFPR构建了一种犹豫模糊群共识实现算法,并将其应用于银行数据系统的选购过程中。引入一种新的一致性指数方法来衡量个体HFPR的一致性水平;为了提升群体专家对决策结果的满意度,设计了一种犹豫模糊群共识实现算法,该算法能够在群体HFPR达到共识水平的情况下保证个体HFPR仍然具有满意一致性;通过银行数据系统的选购实例和对比分析实验说明了提出的方法的实用性和有效性。     

一种基于多类型偏好的偏好逻辑

针对目前缺乏多类型偏好共存的偏好逻辑系统的现状,提出并构造了一个能够描述和推理多种类型偏好的逻辑系统MPL(logic of many kinds of preference).在进一步提出MPL语言L_MPL基于最粗糙/最细致描述原则的非单调语义基础上,通过分级知识库这种常用偏好表示方法的L_MPL重写,初步考察了L_MPL表示能力,最后进行总结并提出需要进一步研究解决的问题.     

CP-nets 的完备性及一致性研究

CP-nets是一种简单而又直观的图形化偏好表示工具,成为近几年人工智能的一个研究热点.然而,任意二值CP-nets上的强占优算法还没有给出,CP-nets可表示的偏好的完备性还无人研究,CP-nets所能表示的偏好是否一致也还未彻底解决.基于CP-nets上的强占优运算研究CP-nets的完备性和一致性.首先,通过构造CP-nets导出图及其性质的研究,得出强占优的本质是求取翻转关系的传递闭包,从而利用Warshall算法求出可判断任意CP-nets的强占优;其次,通过求取3种不同结构(可分离的、链表结构和树形结构)的CP-nets的偏好个数,给出了CP-nets可表达的偏好的不完备性定理,并给出了可分离的CP-nets中偏好的计数公式;最后,研究CP-nets的一致性,给出了CP-nets的一致性判定定理及其算法.所做工作不仅解决了Boutilier和Goldsmith提出的一些难题,还深化了CP-nets的基础理论研究.     

多准则决策中的鲁棒有序回归方法综述

根据决策者提供的偏好信息推断决策模型的参数时,通常会有不止一组参数满足条件.针对传统有序回归方法在处理此类问题上存在的不足,鲁棒有序回归可提供一种新的考虑所有可行解的解决方案.为此,总结了鲁棒有序回归在排序和有序分类问题中的应用;分析了“必然”和“可能”偏好关系在不同决策问题和不同决策模型中的定义和求解方法;介绍了随机多准则可接受性分析理论与鲁棒有序回归的结合;归纳了不同应用背景下的最具代表性模型的选择方法;最后,展望了鲁棒有序回归在多准则决策中的未来研究方向.     

犹豫模糊环境下准则具有偏好关系的TODIM方法

针对智慧制造评估时专家的决策信息具有犹豫模糊不确定性问题，提出了一种关于准则具有犹豫模糊偏好关系的改进交互式多准则决策（TODIM）方法。首先提出了准则间的犹豫模糊偏好关系概念，并证明了其基本性质。在TODIM方法优势度的计算过程中，将准则权重犹豫模糊偏好关系替代原有的精确值权重，使信息的准确性最大化。将该方法用于智能制造的评估上，实例分析结果表明所提方法是可行和有效的。     

基于语言信息一致性调整算法的数据产品选择

针对语言评价信息环境下的数据产品选择问题，设计了一种基于语言偏好关系加性一致性改进算法的数据产品选择模型。以专家提供的语言偏好关系信息为基础，引入了衡量语言偏好关系一致性水平的计算方法，提出了完全加性一致语言偏好关系的构造模型。构建了一种具有收敛性的基于语言偏好关系一致性改进算法的数据产品选择模型。通过数据产品选择实例，发现构建的决策算法更为可靠有效。     

网格环境下一个用户偏好的计算方法及应用

为满足用户的按需服务需求,首先提出用户QoS属性判断矩阵来表示用户偏好的方法,同时定义了相应的用户偏好函数和QoS满意度。应用用户偏好的矩阵表示和计算方法,提出一个网格服务选择算法,该算法能反映用户的QoS偏好,实现按需服务。对该算法的有效性进行了理论分析和测试,结果表明应用了用户偏好的选择算法,能可靠地选择出反映用户QoS偏好的相对最优服务,且具有良好的稳定性,该方法可用于在网格环境中进行用户个性化需求的保障。     

基于Agent技术的智能导购系统的设计

考虑到目前网上购物站点繁多,客户无法做到货比三家、择优购买,本文提出了设计一种智能导购系统,该系统能根据客户的购买倾向来自动搜索网上的主要购物站点,并能根据客户的购买过程来自动获取客户个人购物偏好,从而使得商家能有针对性地为客户提供个性化服务。     

犹豫模糊语言PROMETHEE方法在川酒品牌评价中的应用

基于犹豫模糊语言集理论,提出一种犹豫模糊语言信息环境下的PROMETHEE多属性决策方法,并应用于川酒品牌评价决策问题中.研究表明,犹豫模糊语言集能够很好地描述和处理复杂定性信息环境下的川酒品牌评价与决策问题;所提出的犹豫模糊语言PROMETHEE算法简便, 且改进的偏好函数允许决策者根据其对方案的严格优于偏好对参数进行选择,可保证决策过程的科学性和决策结果的准确性.