基于联系数的区间粗糙数多属性决策方法

定义了正态分布的区间粗糙数,补充联系数的运算法则。利用集对分析的不确定性理论,建立了区间粗糙数的均值-方差联系数模型,针对属性值为区间粗糙数且权重已知的区间粗糙数多属性决策问题,提出了一种基于联系数的区间粗糙数多属性决策方法,并给出了决策的步骤。最后,通过实例分析,表明该方法的有效性和实用性,且计算简单易行。     

基于核和灰度的区间灰数多属性决策方法

针对属性值为区间灰数且部分权重信息已知的多属性决策问题, 提出一种基于区间灰数的核和灰度的决策方法. 根据专家评价值的取值范围设置区间灰数的取值论域, 给出了区间灰数的基于核和灰度的简化形式, 建立了普通区间灰数到标准区间灰数的转化方法, 分别基于标准灰数的核和灰度分别求取属性的权重, 进而得到属性的综合权重, 并提出了一种基于标准区间灰数相对核的排序方法对方案进行排序. 最后通过一个算例验证了所提出方法的有效性和可行性.

     

多属性决策方法在高校科技产业风险评价中的应用研究

针对属性权重完全未知且属性值为三角模糊数的多属性决策方法,所求出的所有方案综合属性值所在的区间一般并不是使用同一个属性权重向量,使得所有的方案评价不具有可比性。提出一种基于线性规划和投影模型的区间型多属性决策方法,该方法基于加权属性值离差最大化建立一个线性规划模型,通过求解此模型得到属性的权重,计算各方案的加权属性值在模糊正理想点和负理想点上的投影,进而计算相对贴近度,并据此对方案进行排序,最后,通过高校科技产业风险评价的仿真算例说明了模型及方法的可行性和有效性。     

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.     

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.     

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.

     

基于可能度矩阵的区间型多属性决策方法

研究了几组可能度公式之间的关系,提出一种基于可能度矩阵的区间型多属性决策(MADM)方法。对决策矩阵中各指标下的属性区间值两两比较并建立各指标的可能度矩阵,通过各个可能度矩阵的排序向量把属性值为区间数的决策矩阵转化为以精确数为测度的矩阵,把求解区间型多属性决策中指标权重的不确定性问题转化为确定性问题处理,随后利用区间数排序的可能度法获得最优方案。实验结果表明了所提方法的可行性和有效性。最后对多属性决策问题中由不确定性转化为确定性的求解策略及其可能产生的问题作了必要讨论。     

灰色优势关系下不完备不一致决策表属性约简

针对属性值为三参数区间灰数不一致决策表的属性约简问题,根据灰信息间的偏好关系,以三参数区间灰数间的优势程度为基础,构建灰色优势关系,考虑决策表不完备性与不一致性的影响,设计基于辨识矩阵的上、下近似分配约简算法。为降低约简过程复杂性,定义2种属性重要性的概念,并提出基于2种属性重要性的启发式约简算法。实验结果表明,与基于1种属性重要性的算法相比,该算法能够有效处理三参数区间灰数不一致决策表的属性约简,且算法的复杂度较低。     

结构化P2P上的高效多属性区间查询

在结构化P2P上的多属性区间查询中,查询算法所需的跳数和消息数依赖于节点个数和被查询的区间大小,属性值改变时会产生大量的消息。针对这些问题,提出结构化P2P上基于节点动态分组(PDG)的多属性区间查询机制。仿真结果表明,PDG中解析每个查询所需的跳数和消息数与被查询的区间大小和节点个数无关,更新属性值所产生的消息数减少,并且节点分组的维护开销较低。     

基于分式规划的区间直觉梯形模糊数多属性决策方法

针对属性值为区间梯形直觉模糊且属性权重为区间数的多属性决策问题,提出一种基于分式规划的决策方法.定义了区间梯形直觉模糊数的Hamming距离和Euclidean距离,采用优劣解距离法构建了相对贴近度的非线性分式规划模型,并通过Charnes and Cooper变换转化为线性规划模型求解,得到各方案相对贴近度的区间数,进而提出了决策方法.数值算例分析验证了所提出方法的有效性.     

基于正态分布区间数的信息不完全的群决策方法

针对属性值为正态分布区间数而属件权重信息不完全的多属性群决策问题,定义了一些新的集成算子,即正态分布区间数的加权算术平均(NDINWAA)算子、正态分布区间数的有序加权平均(NDINOWA)算子和正态分布区间数的混合加权平均(NDINHA)算子,进而提出一种幕于正态分布区间数的信息不完全的多属性群决策方法.该方法利用NDINWAA算了和NDINHA算子对正态分布区间数属性值进行集成,利用正态分布区间数属性值的方差,通过建立优化模型确定最优属性权重,利用期望-方差准则对方案进行排序并择优.实例分析表明了该方法的可行性和有效性.     

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.     

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.     

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.     

代价敏感概率神经网络及其在故障诊断中的应用

针对传统的分类算法人多以误分率最小化为目标,忽略了误分类型之间的差别和数据集的非平衡性的问题,提出代价敏感概率神经网络算法.该算法将代价敏感机制引入概率神经网络,用期望代价取代误分率,以期望代价最小化为目标,基于期望代价最小的贝叶斯决策规则预测新样本类别.采用工业现场数据和数据集German Credit验证了该算法的有效性.实验结果表明,该算法具有故障识别率高、泛化能力强、建模时间短等特点.     

具有多粒度不确定语言评价信息的多属性群决策方法

针对具有多粒度不确定语言评价信息的多属性群决策问题,提出了一种决策分析方法.首先给出了不确定语言短语两两比较的优势度描述及其性质分析;然后根据优势度、属性权重向量及专家权重向量,通过运用简单加权法,建立两两方案比较的群体综合优势度矩阵,基于群体综合优势度矩阵,给出了一种基于优于次数的方案排序方法;最后,通过一个算例说明了该方法的可行性和有效性.     

一种基于多神经树集成的分类模型

针对数据挖掘领域分类问题的特点.提出了基于多神经树集成的分类模型(CMBNTE).该模型利用改进遗传规划算法和粒子群算法,实现单个神经树模型的优化;借鉴集成学习思想,将多个神经树模型组合成最终的分类模型.在6个UCI数据集上的实验结果表明,该模型能较好地解决分类问题,尤其适用于多分类属性的复杂分类问题.