群体判断矩阵排序的简便算法及其统计检验法

本文提出了群体判断矩阵排序的简便算法和检验判断矩阵一致阵的统计地。该方法集中反映了专家们的意见，没有损失任何信息，对一致性较差的判断矩阵可以隐含其中进行计算。实例表明，该方法简单，使用方便。     

与判断矩阵一致性无关的单准则排序法

通过“标度变换”把不具“可加性”的比例标度转化为评分标度,利用评分标度的“可加性”可计算比较对象的得分、并按得分率对比较对象排序.与已有单准则排序方法的实质性区别是,勿需进行一致性检验.     

群体判断矩阵的建立及权重计算

本文用区间数表示群体判断，建立了上三角形式的区间数群体判断距阵，从而利用文［１］的结果计算相应的区间数权重，并对文［１］中群体判断［ａｊｉ，ａｊｉ］的置信度λｉｊ的确定方法进行了改进，使权重的计算更科学，决策结果更符合客观实际。     

层次分析法应用中非一致性判断矩阵的修正及其计算机实现

应用层次分析法时,要求判断矩阵具有较好的一致性,而在实际应用中很难保证一次构造出具有较好一致性的判断矩阵。本文提出对不一致性判断矩阵的修正方法及其在计算机上的实现。     

改进AHP中判断矩阵一致性的一种新方法

提出了一种新的改进判断矩阵一致性的方法,即通过逐步修改原判断矩阵中的一对元素,并利用通用的一致性检测方法,使其一致性得到不断改进,最终达到一致性,并通过实验说明该算法简便,实用。     

粒子群优化算法惯性权重的一种动态调整策略

为了有效地调整粒子群优化算法的全局开拓和局部搜索能力,提出一种基于Logistic模型动态调整惯性权重的粒子群优化算法.该算法在初期保持较大的惯性权重,使其具有较大的全局开拓能力,在进化后期保持较小的惯性权重,有利于局部搜索,加速算法的收敛.通过标准测试函数的仿真实验表明：该调整策略优于线性递减的调整策略,且对于优化多峰值函数具有一定的优越性.     

判断矩阵一致性两种调整方法的比较

对层次分析法(AHP)中改进判断矩阵一致性的两种调整方法进行了探讨,举例说明它们的实施过程,比较它们的权重和排序结果,分析它们包含原专家判断矩阵信息的多少,与原判断矩阵的偏离程度。结果表明:第一种方法比第二种方法更多地保留了原判断矩阵的信息,用曲线图说明了这一点。     

判断矩阵不一致性的一种处理方法

目的 研究判断矩阵不一致性的一种处理方法。方法 给出并利用修正偏导数矩阵。结果与结论给出了改进判断矩阵一致性的一种处理方法。该方法对AHP的灵敏性研究有重要意义。     

判断矩阵不一致性的一种处理方法

目的　研究判断矩阵不一致性的一种处理方法 .方法　给出并利用修正偏导数矩阵 .结果与结论给出了改进判断矩阵一致性的一种处理方法 ,该方法对 AHP的灵敏性研究有重要意义 .     

判断阵一致性检验的另一种方法

借用相关系数的概念给出了层次分析法中判断阵一致性检验的另一种方法.它计算方便,与目前用特征根检验判断阵一致性的结果大体一致.此外,这种方法还可用于广义层次分析法的判断阵一致性检验.     

一种改进的粒子群算法

粒子群算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优.为了克服这个缺点,提出了一种新的粒子群算法,算法对粒子的速度和位置更新公式进行了改进,使粒子在其最优位置的基础上进行位置更新,增强了算法的寻优能力.通过对5个基准函数的仿真实验,表明了改进算法的有效性.     

一种基于粒子群算法的聚类算法

提出一种基于粒子群算法的聚类算法,该算法利用粒子群算法随机搜索解空间的能力找到最优解．首先,将样本所属类号的组合作为粒子,构成种群,同时引入极小化误差平方和来指导种群进化的方向．其次,通过对全局极值的调整,搜索到全局最优值．最后,通过仿真实验的对比,验证了该算法在有效性和稳定性上要好于K-means算法．     

粒子群优化人工免疫粒子滤波器

为解决粒子滤波算法中存在的粒子退化和样本枯竭问题,提出一种新的粒子滤波算法.利用粒子群优化思想促使采样粒子向高似然区域移动,减缓粒子权值的退化;再通过人工免疫算法中的变异操作扩大算法寻找最优值的范围并增加粒子的多样性,避免算法陷入局部最优,增强算法的全局搜索能力,进而缓解样本枯竭.实验表明,该算法比标准粒子滤波的状态估计精度提高近40倍,比扩展卡尔曼粒子滤波提高近28倍,比无迹卡尔曼粒子滤波提高近6倍,滤波效率为37.523％,是标准粒子滤波的37倍,该算法具有更好的实时性和更高的状态估计精度,能有效缓解粒子的退化和样本的枯竭.     

一种改进的粒子群算法

针对粒子群算法搜索精度不高的问题,提出了一种改进的粒子群算法。该算法一方面通过跟踪个体极值、全局极值和周围极值来搜索解空间的最优值;另一方面通过引入3种非线性递减函数对惯性权重进行调整,仿真结果表明改进的粒子群算法具有更强的寻优能力及更高的搜索精度。     

利用微粒群优化算法求解非线性规划问题

针对过程系统优化中的非线性规划 (NLP)问题 ,应用微粒群优化算法 (ParticleSwarmOptimization ,PSO)对其进行求解。系统介绍了PSO算法的基本思想和解题步骤 ,通过引入罚函数把PSO算法应用到NLP问题的求解中 ,可以对一般的NLP问题和非凸的NLP问题进行有效地求解。利用两个测试函数和一个过程系统优化的实例对其进行了测试并与其它算法所得的结果进行了比较。结果表明 ,PSO算法在使用的普遍性、求解的准确性方面都优于一般的算法 ,是一种有效的求解NLP问题的方法     

微粒群优化算法

微粒群算法是继蚁群算法之后提出的又一种新型的进化计算技术。具有典型的群体智能的特性．介绍了微粒群算法的基本原理及其改进算法。从群体组织与进化以及混合微粒群算法等方面对国内外微粒群算法的研究进展进行综述．     

微粒群算法在结构优化设计中的应用

结构优化设计对于实际工程具有重要的意义.通过对现有优化方法进行分析,将微粒群算法应用到结构优化设计中,提出了结构优化设计的微粒群算法,并建立了相应的优化模型.介绍了微粒群算法的基本思想、结构优化微粒群模型及其实施的具体步骤,最后通过一个算例验证了该方法的效率和有效性.结果表明该方法科学可行,具有很好的应用前景.