基于讨论原理模型的群体决策支持系统的分析与改进

讨论原理模型(DiscussionRationaleModel,DRM)在群体决策支持系统中的应用具有重要意义。以系统化的决策过程为背景,对基于DRM的GDSS进行了分析,并指出了其不足之处。进一步提出了一种改进方法,将讨论原理模型与多准则决策方法相结合来支持方案的选择,以支持群体决策过程,具有重要的理论和实际意义。     

GDSS在异步指挥控制中的应用研究

随着军事高新技术的发展和应用,军队指挥决策的样式也出现了很多变化,未来的军事行动将会越来越依赖异步指挥控制环境中的群体决策.对群体决策支持系统的基本概念进行了介绍;然后针对决策者在异步指挥控制环境中进行交互时存在的问题,提出了信息组件的概念,并将它们运用到异步指挥控制群体决策支持原型系统的设计当中.该方法节省了决策信息为所有决策者共享的时间,简化了对主观决策信息的量化过程,提高了群体决策的时效性.     

社会网络环境下基于公众行为大数据属性挖掘的大群体应急决策方法及应用

针对社会网络环境下复杂大群体应急决策中决策属性信息难以获得问题,提出社会网络环境下公众行为大数据驱动的大群体应急决策方法.首先,通过挖掘社交平台上的公众行为大数据,利用TF-IDF、Word2vec技术进行关键词提取、聚类及其影响力分析,从大量行为数据中挖掘大群体决策属性信息以辅助专家决策,使决策结果具有更高的科学性和有效性;其次,构建决策者间基于信任关系和观点相似度的社会网络,采用同时考虑信任和相似度的聚类方法对决策者进行聚类,并基于社会网络分析获得决策者权重;然后,提出基于决策者间信任关系的共识调整方法进行共识调整以获得最终群体决策矩阵和方案排序,通过引入决策者客观自信度避免个别决策者过分自信行为的影响;最后,通过一个新冠疫情案例分析说明方法的可行性和有效性.     

考虑偏好与合作的供应链网络设计与优化

提出了考虑核心企业决策偏好与成员企业合作意愿的双目标供应链网络设计与优化问题。应用模糊多目标规划方法,将决策者对各个目标的不精确期望水平考虑到供应链网络的设计与优化模型中。研究了集中决策模式下核心决策者的不同目标偏好与分散决策模式下各组织成员群体决策的合作意愿,对供应链的各个目标及网络优化配置的影响。结果表明,“极大极小”算子体现了核心决策者对各个目标的偏好,但大权重目标以牺牲小权重目标的值为代价的。新的“模糊与”补偿算子能使供应链的各个目标值获得理想的均衡效果,体现了供应网络中核心企业与其他成员企业群体协商决策的管理思想与行为特征。     

深度不确定环境下的决策分析方法—–研究现状与展望

复杂、重大的决策活动经常会面临深度不确定的决策环境,其决策难度和风险远超一般不确定环境下的决策。自21世纪以来,对深度不确定环境下决策分析方法的研究已成为决策分析领域新的重要方向之一。对此,首先梳理了该领域的研究现状,总结了深度不确定环境下决策问题的特征和难点,分类阐述了4种主要方法的起源与发展、核心思想、实现步骤和典型应用;然后进行了案例分析;最后展望了该领域未来的研究方向。     

二型模糊决策理论与方法研究综述

二型模糊集(type-2 fuzzy set, T2FS)是将模糊集中的隶属函数拓展为一型模糊集而产生的集合,其具有表示更深层次不确定性的优势,能够极大程度地增强对客观世界不确定性的刻画能力.因此,近年来围绕二型模糊环境下的决策理论与方法研究得到了蓬勃发展.鉴于此,对二型模糊决策理论与方法进行系统性综述,梳理该领域的发展脉络,阐明现有工作的研究态势,总结二型模糊信息集成与决策的主要研究成果.首先,介绍二型模糊集的发展历程和基础理论研究现状;然后,分别针对基于二型模糊信息的决策基础理论(信息融合理论、偏好关系理论和测度理论)以及决策方法的研究现状进行概述;最后,对二型模糊决策理论与方法的未来研究方向进行展望.     

概率犹豫模糊决策理论与方法综述

概率犹豫模糊集是在犹豫模糊集的基础上为每个隶属度添加与之相对应的概率值.与犹豫模糊集相比,它可以更加准确和全面地表达专家给出的初始决策信息,因此,基于概率犹豫模糊集的决策理论与方法更加可靠且符合实际.这里对概率犹豫模糊决策理论与方法进行综述.首先介绍其发展过程;然后分别对它的信息融合理论、偏好关系理论以及决策方法等进行阐述;最后展望了概率犹豫模糊决策理论与方法的未来研究方向.     

基于博弈论的多车智能驾驶交互决策综述

智能驾驶是交通和汽车领域未来发展的重要方向,决策规划作为智能驾驶系统中的关键模块,一直是其重点研究领域之一.当前的研究热点正在从单车智能驾驶决策向混行交通场景下的多车智能驾驶决策进行拓展,因此,需要在复杂动态场景和多并行任务下生成符合车辆动力学且不与道路边界和其他交通参与者发生碰撞的高质量轨迹.多车混行驾驶是对道路时空资源的竞争性使用,博弈论可为多车交互决策提供重要的理论与技术手段.对此,应用博弈论方法进行智能驾驶决策研究的综述,基于滚动时域、微分博弈和马尔科夫博弈这3类常用的博弈模型,对现有相关研究进行归类总结和分析.首先简要介绍博弈论基础知识;其次,总结常见的智能驾驶场景并分析各场景下交互决策的核心问题;然后,通过3种不同的博弈模型对多车交互决策进行建模,分别介绍它们的求解算法和思路及相关的研究工作;最后,介绍相关的仿真实验和测试方法,同时也对未来的技术发展和挑战给出见解.     

基于熵理论的多属性群决策专家权重的调整算法

研究多属性群决策中决策者权重的调整问题.在得到决策者主观权重的基础上,提出一种权重调整算法.通过计算专家个体决策结果与群体决策结果的偏差量并结合熵理论求得专家的客观权重,将其作为权重调整值,进行决策者的权重调整.计算调整后的决策结果,并据此继续对权重进行调整.通过反复调整,直至计算出稳定的权重和决策结果.最后通过算例表明了该方法的可行性与实用性.     

基于CAS理论的决策支持系统研究

复杂适应系统理论的提出对于人们认识、理解、控制、管理复杂系统提供了新的思路。针对目前决策支持系统的分布式群体决策的发展趋势,文中提出一种基于自适应决策主体的决策支持系统模型,用于大型复杂决策系统的问题求解。给出了自适应决策主体的定义,并对其自适应行为作了描述。自适应决策主体在决策环境中不断适应的结果表现出全局性的突现行为,最终得到复杂决策问题的求解结果。     

决策支持系统理论与方法研究综述

针对经典决策支持系统理论与实际决策问题之间存在鸿沟,难以对复杂环境和复杂问题进行有效的决策支持和求解的缺陷,指出当前实际决策支持理论和方法存在的一些问题和需要考虑的各种因素,列举了主要的决策支持系统的方法和典型应用,并指出各种方法的优缺点．在与综合集成型决策支持系统进行比较后,提出只有构建综合集成型决策支持系统才能有效地解决复杂问题的决策支持．最后,总结了决策支持系统今后的研究方向和工作建议．     

混合非结构MAGDM的决策导向一致性检验方法

为有效应对现有群决策一致性检验方法的系列弊端,针对群决策的决策导向多元、决策方案众多、决策属性异构、决策信息多样等特征,在引入票权概念解析群决策一致性判定复杂性、刻画非结构多属性群决策合意信息表征假设情景的基础上,通过对常规混合非结构多属性群决策（MAGDM）问题进行公理化描述,并依据从方案层面到属性层面的整体决策信息判定策略,给出决策导向层面的整体判断信息一致性检验方法、多轮次非一致性决策信息调整策略及信息集结方法。案例应用结果表明提出的方法有效、可行。     

电子商务环境下消费者购买决策研究综述

20世纪90年代以来,电子商务的迅速发展引起企业界和理论界的广泛关注.其中关于电子商务条件下消费者购买决策的研究是当前研究的热点.对消费者购买决策的理论基础、网络消费者购买决策影响因素研究现状、网络消费者购买决策定量研究现状进行了综述,并总结了现有研究存在的问题以及今后研究的方向.     

实时格斗游戏的智能决策方法

格斗游戏作为实时双人零和对抗博弈的代表性问题,具有实时对抗和快速响应的重要研究特性.相应针对性方法的提出有效反映了游戏人工智能领域的重要研究进展及发展方向.本文以格斗游戏人工智能竞赛作为研究背景,将智能决策方法分为启发式规则型、统计前向规划型与深度强化学习型三大类型,介绍相应的智能决策方法在实时格斗游戏中的研究进展.为分析格斗游戏智能决策方法的表现性能,本文提出了胜率、剩余血量、执行速率、优势性和伤害性的5个性能因子,系统分析智能决策方法的性能优势及不足.最后,对未来的在格斗游戏中研究发展趋势进行展望.     

面向决策分析的多粒度计算模型与方法综述

作为粒计算研究方向的核心概念和关键技术,多粒度计算强调对现实世界问题多视角、多层次的理解和描述,可获得合理、满意的求解结果.为了深化多粒度计算与决策分析的有效融合,更好地满足人们的实际决策需求,文中首先介绍多粒度粗糙集、多尺度数据分析、序贯三支决策、分层分类学习四类多粒度计算模型,并阐述各自的主要特点及发展过程.进而从属性约简、规则提取、粒度选择、信息融合、群决策、多属性群决策、分类决策、动态决策等方面总结基于多粒度计算模型的决策分析方法研究现状.最后,对大数据时代智能决策领域中若干具有挑战性的研究方向进行展望,以期推动多粒度智能决策的不断发展与创新.     

A partial binary tree DEA-DA cyclic classification model for decision makers in complex multi-attribute large-group interval-valued intuitionistic fuzzy decision-making problems

This paper proposes the idea of combining “interest groups” with the practical decision information to classify the decision makers (DMs) in complex multi-attribute large-group decision-making (CMALGDM) problems in interval-valued intuitionistic fuzzy (IVIF) environment. It constructs a partial binary tree DEA-DA cyclic classification model to achieve the multiple groups’ classification of DMs. Not only does this method provide references for the classification of DMs when the decision information is known, but it also lays foundations for DMs’ effective weight determination and the aggregation of decision information. First, this paper normalizes all of the cost attributes into benefit attributes to avoid the wrong decision result. Second, it employs the C-OWA operator to transform IVIF number (IVIFN) samples into single-valued samples. With respect to this transformation, this paper provides the corresponding BUM functions of DMs according to their risk attitudes; therefore, the preference information of DMs can be more objectively aggregated. Third, this paper adopts the partial binary tree DEA-DA cyclic classification model to present an accurate classification of DMs. Thus, for each interest group, group members with different interest preferences can be distinguished and distributed to the appropriate groups. Finally, to show the feasibility and validity of the model, we give an illustrative example.     

Decision tables: Formalisation,validation, and verification

The decision table is one of the simplest representations of the rules underlying a systematic decision-making process, and is especially valuable in the development of knowledge-based systems. A two dimensional table links all relevant combinations of input conditions to the desired combinations of output actions in a very intuitive way. This simplicity belies the complex considerations involved in verifying, validating, formulating or interpreting this (or any other) representation of machine-based knowledge. In this paper, the common styles of decision table representation are reviewed, a formulation of their meaning is presented, construction methods are reviewed, and an algorithm for ensuring consistency is suggested. The problems that may occur in imperfectly constructed tables are discussed, detection methods reviewed, and some implementation methods are presented.     

复杂环境下的平行决策研究

针对复杂环境下决策的不确定性、动态性以及面对大量信息决策不知所措等系列问题,提出了复杂环境下的平行决策研究方法,利用平行决策的分解原理,将复杂决策分解为流决策、平行决策和交叉决策,不仅简化了复杂环境下的决策问题研究,而且从某种程度上能将信息优势适时地转化为决策优势,从而为系统决策获取最终的系统竞争优势提供一定的帮助。     

Local and global optima in decision-making: a sheaf-theoretical analysis of the difference between classical and behavioral approaches

One of the main differences between the traditional and the behavioral approaches to decision-making is that the latter has not yet been captured in a unifying framework. This hampers in a certain way the whole research program and raises the question of whether this competing approach can provide an encompassing alternative to the classical one. We analyze this issue in light of the problem of reconstructing global choices of an agent up from the solutions found for local problems. We show that a representation based on category theory of the conditions for such reconstruction is general and robust enough to represent both the case in which problems are non-contextual and local as well as that, typical in the literature on behavioral decision-making, in which such properties do not hold. In the first case, we show how a sheaf-theoretical representation provides an abstract characterization of the global solution. In the latter case, we show how locality and contextuality generate obstructions toward the reconstruction of global solutions, yielding a possible clue for the intrinsic difference between behavioral and classical decision theory.     

强化学习在无人车领域的应用与展望

无人车(UGV)可替代人类自主地执行民用和军事任务,对未来智能交通及陆军装备发展有重要战略意义。随着人工智能技术的日益成熟,采用强化学习技术成为了无人车智能决策领域最受关注的发展趋势之一。本文首先简要概述了强化学习的发展历程、基础原理和核心算法;随后,分析总结了强化学习在无人车智能决策中的研究进展,包括障碍物规避、变道与超车、车道保持和道路交叉口通行四种典型场景;最后,针对基于强化学习的智能决策面临的问题和挑战,探讨并展望了未来的研究工作与潜在的研究方向。