基于交叉评价和竞争视野优化的多属性决策方法

借鉴数据包络分析（ＤＥＡ）的交叉评价思想,首先,建立了评价对象以“自身优势最大化”为一致目标时基于交叉评价的多属性决策模型;然后,在重新定义“竞争区间”的概念基础上,用竞争视野优化准则对模型进行修正;最后,通过具体算例表明,该方法公平地体现了评价对象在决策过程中的“发言权”和“能动性”,保证了决策的公正性．

     

基于广义“灰度不减”公理的区间灰数预测模型

区间灰数是灰色预测的基本研究对象之一, 针对其中蕴含的灰度信息, 在充分挖掘和拓展“灰度不减”公理的基础上, 建立基于广义“灰度不减”公理的区间灰数预测模型. 通过准灰度因子对区间灰数上下界进行灰度最大化处理, 保证建模过程中的灰度不减, 并根据区间灰数序列灰度走势得到的灰度因子进一步修正模型, 提高预测的可靠性. 最后通过实例验证了模型的有效性和实用性.

     

基于“离合”思想的混合型灰色多属性决策方法

针对方案属性值为三参数区间灰数和模糊语言的混合型灰色多属性决策问题, 提出一种基于“离合”思想的混合灰靶决策方法. 首先, 定义三参数区间灰数的距离测度和排序方法; 然后, 鉴于灰信息与模糊信息相互转化的信息损失问题, 定义?? 维模糊球形灰靶和?? 维混合球形灰靶, 讨论正负靶心的情形, 并利用奖优罚劣原则构造综合靶心距, 建立混合正负靶心灰靶决策模型; 最后, 将所提出的方法应用于黄河宁蒙段防凌防汛的方案择优问题, 分析了属性权重和决策者风险偏好的选取对决策的影响, 结果验证了所提出方法的合理性和有效性.

     

基于“功能驱动”和“差异驱动”原理的灰关联贴近度决策方法

针对决策过程中指标权重确定问题, 在分析基于“功能驱动”原理和“差异驱动”原理的主客观赋权方法优缺点的基础上, 利用灰色关联度和逼近理想解方法(TOPSIS) 的思想, 考虑各指标间可能产生相互影响, 以数据包络分析(DEA) 和层次分析法(AHP) 为辅助模型, 构造一种基于面积的度量方法, 并以两个方案相邻指标之间构成的多边形面积为关联系数的灰色关联贴近度决策模型, 分别计算各方案的灰色关联贴近度, 使得权重的确定能够同时反映主客观要求与变换趋势的一致性. 最后通过实例分析表明了所提出方法的科学性和实用性.

     

基于免疫修复的快速蚁群优化算法

蚁群优化算法通过信息素记录搜索过程中获取的知识,并基于信息素搜索新的解．影响信息素质量的因素主要是信息素更新策略和蚂蚁已找到的候选解的质量．为了提高已有候选解的质量,提出基于免疫原理识别候选解中的“病变”成分,并对其“病变”成分进行修复．经免疫修复后,候选解的质量大大提高,由它更新的信息素更好地反映了优质解的特点,从而加快了信息的正反馈过程．实验结果验证了该算法的有效性．

     

基于累积前景理论的动态风险灰靶决策方法

研究信息值为区间灰数, 指标权重未知的动态风险决策问题, 提出一种基于累积前景理论和灰靶思想的决策方法. 该方法定义了区间灰数的距离测度和排序方法; 以各指标值的平均值作为参照点计算各时段的前景矩阵; 通过WAA算子将动态前景矩阵集结为静态前景矩阵; 在此基础上求解基于极大熵思想的规划模型得出各指标权重. 构造正负椭球灰靶模型, 根据各方案的正负靶心综合距对方案进行排序. 最后, 通过算例分析结果验证了该方法更加符合决策者的心理行为.

     

基于文化算法的多agent 联盟在网络舆情监测中的应用

对网络舆情监测监控云平台上集聚的海量技术agent, 如果只是逐一agent 搜寻使联盟的利益最大化, 将耗费大量的时间和费用. 为解决该问题, 提出了基于“能力群”的动态联盟机制, 通过动态增加或删除“能力群”中的agent 来增加联盟完成复杂任务的能力; 并提出一种基于文化算法的“能力群”agent 联盟算法, 详细讨论了算法的流程、编码、选择、交叉和变异操作的规则, 以及基于“能力群”特征的交叉算法. 仿真结果表明, 所提出的算法是可行和有效的.

     

基于变权的语言评价信息不完全的群组评价方法

针对评价群体成员权重未知且语言评价信息不完全的群组评价问题,提出了一种基于变权的证据推理解决方法．该方法将各评价群体成员的评价意见作为证据,将位置权向量引入到信度初始分配的建立中,定义了冲突度指数的概念作为证据赋权的诱导分量,结合“大多数”模糊量化算子确定权重,并应用Ｄｅｍｐｓｔｅｒ规则进行证据合成．该方法从证据之间提取权重信息,体现了采纳多数人意见的群组评价思想．最后给出了一个应用实例．

     

正态分布区间灰数灰色预测模型

近期灰数预测主要关注无分布信息和均匀分布区间灰数预测. 基于灰朦胧集演化思想, 研究在不确定信息广泛存在的正态分布背景下, 正态分布区间灰数序列的灰色预测问题. 首先, 通过正态分布随机函数实现区间灰数序列与实数序列族的信息等效转换; 然后, 对正态分布区间灰数随机白化序列进行GM(1,1) 建模, 利用最大值最小值及正态分布“3?? 法则”建立区间灰数预测模型; 最后, 通过实例对比分析验证了所提出模型的可行性和有效性, 为区间灰数预测问题提供新的思路和方法.

     

群决策中多阶段多元判断偏好的集结方法研究

研究群决策过程中决策者基于多个决策阶段,多种结构形式的判断偏好集结方法.基于互反判断偏好与互补判断偏好的转化公式,将多种类偏好的结构一致化;利用决策者判断偏好的一致性水平和与群体综合偏好偏差的距离,提出了确定决策者权重的方法;建立了基于决策先验信息的多阶段偏好集结的决策阶段赋权模型.根据各决策阶段的权重,将多阶段判断偏好集结成群体综合偏好.

     

不确定多传感器目标识别的区间相离度法

针对目标特征值和测量值均以区间数表达的多传感器目标识别问题,提出了一种不确定性融合方法．该方法定义区间相离度,通过对特征值的区间聚类和诱导有序加权平均算子集结得到属性的权重,利用综合相离度给出目标识别方法．能够克服属性权重选取的主观性,提高了目标识别结果的可信度．仿真实例验证了所提出方法的有效性和实用性．

     

利润-ＣＶａＲ则下的二级供应链定价与订货策略研究

传统的定价与订货策略研究多是建立在风险中性的假设之上,近来也有利用风险度量ＣＶａＲ 研究风险厌恶对库存的影响．因此,以期望利润和ＣＶａＲ 的加权平均为目标函数,研究零售商的订货策略,并在此基础上研究上游供应商的定价策略．这样的“利润 ＣＶａＲ”目标既反映了决策者追求高利润的愿望,又反映了其对潜在风险的控制．

     

基于并行Kleinman 迭代算法的Markov 跳变系统优化??∞ 控制

基于Kleinman 迭代算法的框架, 提出两种数值迭代算法, 用于解决连续时间Markov 跳变系统的优化??_∞ 控制器设计问题. 首先, 给出“ 直接并行Kleinman 迭代算法”, 并从正实算子的收敛性证明该算法的收敛性; 然后, 基于直接并行Kleinman 迭代算法, 提出一种更加广义的迭代算法结构, 即“ 广义并行Kleinman 迭代算法”, 并论述其包含的4 种情形; 最后, 通过数值示例验证了所提出算法的有效性.

     

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．

     

基于梯形模糊数期望值的多维偏好群决策模型

提出一种基于梯形模糊数距离期望值的多维偏好群决策模型,以解决偏好和属性值均为梯形模糊数的群决策问题．其算法为：首先定义在β 截集下主／客观偏好之间的偏差函数,通过构造目标规划模型,求解属性的权重向量;然后集结不同β 截集下所有决策者的加权规范化模糊决策矩阵,形成总加权规范化模糊决策矩阵;最后求出各备选方案与模糊理想解的相对贴近度δi,按大小排序确定最优方案．

     

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.

     

加工时间不确定的炼钢连铸生产调度问题研究

针对炼钢连铸生产过程中存在的加工时间不确定性问题,采用三角模糊数表示不确定性加工时间信息,引入４种模糊运算,建立了问题的模糊规划调度模型．采用“中间值最大隶属度”的算法,将模糊规划调度模型转化为非线性规划模型,并在多重精炼工序、多机并行条件下,应用遗传算法求解最小完成时间．最后,利用实际生产数据的仿真实验表明了模型与算法的有效性．

     

基于拉格朗日松弛的供应链合作生产计划模型研究

为解决供应链生产计划协调问题,通过市场价格和中间库存因素使供应链上下游企业结合成一个整体,建立一种供应链上下游一体化计划模型,从整体考虑供应链合作计划问题．为获取问题的可行解,采用拉格朗日松弛技术进行优化,为供应链上下游企业在信息共享条件下实现“多赢”目标,提供了理论依据．仿真结果验证了模型和算法的有效性．

     

寻求“理想” 解的改进多目标粒子群优化算法

如何在众多非劣解中为决策者推荐一个合理的方案是使用多目标粒子群算法(MOPSO) 所面临的问题. 为此, 将逼近理想解的排序方法(TOPSIS 策略) 引入到算法中. 为了提高求解精度和均匀性, 还提出了基于Pbest 的变异策略和改进的?? 邻近距离策略. 测试结论显示, 仅使用TOPSIS 策略确定Gbest 的算法, 求解精度虽好, 但均匀性较差, 而包含所有改进策略的算法在精度和均匀性方面都更优, 并且能够按照TOPSIS 方法在非劣解集中找到一个适合向决策者推荐的“理想” 方案.

     

群决策中随机信息的贝叶斯集结与统计模拟方法

针对方案属性值和权重都为随机变量的群决策问题,结合贝叶斯理论和随机模拟,提出一种集成专家主观概率分布集结和随机多属性决策方案选优的方法.该方法首先构建一个多元正态集结模型,将多个专家估计的属性值分布集结成单一分布,然后用随机模拟算法,生成不完全权重信息,并通过计算各方案获得特定排名的可信度因子,以及反映决策者风险偏好的整体排名可信度因子,得到各方案排序.实例分析验证了方法的有效性.