变权决策中变权效果分析与状态变权向量的确定

引入状态变权向量调节度和标准调节度以及调权水平的概念，为分析状态变权向量调节权重的能力提供了可量化的工具．利用标准调节度讨论了选择状态变权向量的一些基本原则和理论依据，并由调权水平给出了一种选择状态变权向量的可操作性方法．     

基于变精度粗糙集与变权综合的多属性决策

针对多属性决策,提出一种基于变精度粗糙集的多属性决策方法,提出基于属性依赖度和信息度来确定属性重要性,并且与变权综合结合,从而得到属性的权重。通过实例说明该方法是有效的。     

基于变权向量的群体评价信息集结方法

为了减轻群体评价中少数评价者的错误或偏见对群体评价结果的影响,提出基于变权向量的群体评价信息集结方法.根据各评价者的评价值与基于线性加权法的群体评价值的差别,确定了一个变权向量,给出了基于该变权向量的变权集结算子.实例分析表明,将该变权集结算子用于群体评价的信息集结,可以有效减轻少数评价者的错误或偏见对群体评价结果的影响.     

动态环境下的群组专家多准则变权决策方法

为克服经典多准则决策（MCDM）方法不适应动态的决策环境、难以反映方案集对准则集的非线性反馈效应等方面缺陷,通过运用网络分析和数据包络分析技术,提出一种动态环境下的群组专家多准则变权决策方法。较之于经典MCDM方法,新方法主要创新之处在于：给出了MCDM模型的动态演化机理;通过专家对方案所处准则状态予以有偏好（无偏好）判断,提出一种保证信息无损的群组专家信息提取方式;实现了对方案的变权评价,有效反映出蕴含在系统内部的准则集与方案集的非线性交互作用关系。实例验证结果表明,所提方法是科学可行的,能够有效解决救灾方案动态优选、供应商动态评价等实践问题。     

一个变权路径最优搜索算法

在经典的最短路问题中,诸弧的权是事先给定并固定不变的。但是在最短路径问题的实际应用中,需要求解两点间的最短运行时间或最小费用,这时各路径的权值根据不同情况可能发生变化。本文针对变权路径问题,提出了一个基于知识层次的变权路径最优搜索算法。实验结果很好地验证了算法的有效性。     

变权综合的若干问题研究

针对在系统科学、控制科学、计算机科学甚至社会科学中都极为重要的命题—变权综合中的一些问题开展了相关研究:讨论了研究变权综合的3点原则;提出了以内容和形式的辩证关系和质量互变规律为核心的变权综合的方法论基础;就当前关于变权综合的一些研究提出了新的学术见解。     

基于折衷型变权向量的直觉语言决策方法

研究一种基于折衷型变权向量的直觉语言决策方法. 首先, 定义折衷型变权向量, 提出与之对应的状态变权向量; 其次, 研究利用马氏效用函数诱导出折衷型变权向量; 再次, 定义直觉语言变量运算法则和大小比较方法, 提出直觉语言信息变权加权平均算子和直觉语言信息变权加权几何平均算子, 进而提出一种初始属性权重确定且属性值以直觉语言形式给出的多属性决策方法; 最后, 通过实例表明了所提出方法的有效性和合理性.

     

多目标决策的激励策略可行解

针对多目标决策问题,提出一种新的基于一般变权原理的求解方法.利用一般变权原理提出激励策略可行解,证明其为多目标决策的均衡有效解,并给出求激励策略可行解的步骤.通过实际算例表明,所提出算法正确有效,且相对于线性加权和法、平方加权和法而言,具有较好的均衡性.     

基于变权关联分析法的电力营销目标市场云评价

考虑到常权对电力营销目标市场评价的影响,提出了一种基于变权关联分析法的电力营销目标市场云评价方法。首先建立适当的电力营销目标市场的指标体系,然后用灰色关联分析法获得各指标的权重,接着采用变权法获得各指标变权权重,最后采用变权权重进行云模型综合评价,实验结果验证了该方法的有效性。     

考虑准则依赖的多准则变权决策新方法

为克服Choquet积分、网络分析法以及决策试行与评价实验室方法在处理具有准则依赖特征的多准则决策问题时存在的指数灾难、难以进行有效判断以及忽视因素自我影响强度等内在缺陷,吸纳网络分析法、数据包络分析以及非线性加权影响测度体系的核心思想,提出一种全新的考虑准则依赖的多准则变权决策方法。该方法不仅从超矩阵构造机理上实现了对系统方案的变权评价,而且更易于反映复杂决策问题的非线性、涌现性、复杂性等本质特征以及决策者的偏好判断信息。案例对比验证结果表明,所提方法是科学可行的,对于解决复杂系统多准则决策问题有着较强的实践应用可操作性。     

案例推理变权值引擎模型及权值计算方法

在案例推理（CBR）案例检索匹配中,不同案例通常由不同的特征构成。而传统的CBR引擎模型大多采用固定权值模式,导致系统在匹配精度方面的性能很低。为了解决这一问题,提出一种CBR变权值引擎模型,在其特征权值计算模块引入人机互动机制,基于群决策法计算主观权值,提出依据专家个体和群体决策差异的主观权值调整方法;基于相似粗糙集法计算客观权值。最后设计了一种综合权值调整算法,通过计算主观权值和客观权值间的距离,判断两者的偏离程度,从而推导出权值调整系数,得到最终的权值调整结果。通过网络攻击案例进行的算例分析和仿真实验验证了上述方法的正确性和优越性。     

Group prioritisation with unknown expert weights in incomplete linguistic context

In this paper, we study a group prioritisation problem in situations when the expert weights are completely unknown and their judgement preferences are linguistic and incomplete. Starting from the theory of relative entropy (RE) and multiplicative consistency, an optimisation model is provided for deriving an individual priority vector without estimating the missing value(s) of an incomplete linguistic preference relation. In order to address the unknown expert weights in the group aggregating process, we define two new kinds of expert weight indicators based on RE: proximity entropy weight and similarity entropy weight. Furthermore, a dynamic-adjusting algorithm (DAA) is proposed to obtain an objective expert weight vector and capture the dynamic properties involved in it. Unlike the extant literature of group prioritisation, the proposed RE approach does not require pre-allocation of expert weights and can solve incomplete preference relations. An interesting finding is that once all the experts express their preference relations, the final expert weight vector derived from the DAA is fixed irrespective of the initial settings of expert weights. Finally, an application example is conducted to validate the effectiveness and robustness of the RE approach.     

Achieving vector relative degree for nonlinear systems with parametric uncertainties

Several algorithms for adaptive control, as well as for static state feedback decoupling, feedback linearization, or inversion of nonlinear multivariable systems require that the systems have full vector relative degree, in order to be applied. In this paper, we provide a parameter-independent method of achieving full vector relative degree for nonlinear multivariable systems which do not have it. We determine conditions under which a diagonal dynamic precompensation is sufficient to achieve vector relative degree for multivariable nonlinear systems, and describe a simple algorithm which determines such compensation.     

Varying trail lengths-based iterative learning control for linear discrete-time systems with vector relative degree

In this article, to tackle with the iteration-varying trail lengths and random initial state shifts, an average operator-based PD-type iterative learning control (ILC) law is firstly presented for linear discrete-time multiple-input multiple-output (MIMO) systems with vector relative degree. The proposed PD-type ILC law includes an initial rectifying action against initial state shifts, and pursues the reference trajectory tracking beyond the initial time points. As special cases of the PD-type ILC law, P-type and D-type ILC laws are then introduced. It is proved that for linear discrete-time MIMO systems with vector relative degree, the three proposed ILC laws can drive the varying trail lengths-based ILC tracking errors to zero in mathematical expectation beyond the initial time points. A numerical example is used to illustrate the effectiveness of the proposed ILC laws.