电力无线通信异构多网共存环境中的网络选择算法

综合考虑电力业务需求和无线专网性能因素,针对邻域网、LTE无线专网、WiMAX无线专网和230 MHz无线专网等构成的异构多网混合共存场景,提出一种网络选择算法。该算法以AHPTOPSIS算法为基础,首先构建能表征候选网络与决策属性之间关系的决策矩阵,归一化处理获得归一化决策矩阵;利用AHP算法,依据不同业务类型下决策属性与网络性能之间的相对关系定义权重,对归一化决策矩阵加权获得加权归一化决策矩阵;然后对TOPSIS算法进行改进,依据加权归一化决策矩阵确定正负理想值,利用正理想值与候选网络之间的最小距离以及负理想值与候选网络之间的最大距离确定理想网络,计算各候选网络与理想网络之间的有效距离;据此执行候选网络排序和最佳网络选择,以避免运行TOPSIS算法可能存在的排序异常。仿真结果表明,该算法能根据电力业务需求对候选网络进行正确排序和最优选择,且能在满足业务服务质量的同时,提高资源利用率。     

Group decision making based on incomplete multiplicative and fuzzy preference relations

The main aim of this paper is to investigate the group decision making on incomplete multiplicative and fuzzy preference relations without the requirement of satisfying reciprocity property. This paper introduces a new characterization of the multiplicative consistency condition, based on which a method to estimate unknown preference values in an incomplete multiplicative preference relation is proposed. Apart from the multiplicative consistency property among three known preference values, the method proposed also takes the multiplicative consistency property among more than three values into account. In addition, two models for group decision making with incomplete multiplicative preference relations and incomplete fuzzy preference relations are presented, respectively. Some properties of the collective preference relation are further discussed. Numerical examples are provided to make a discussion and comparison with other similar methods.     

基于线性衰减的用户兴趣建模①

针对电子商务参与者兴趣变化异常频繁的特点,提出了基于线性衰减的用户兴趣模型。根据初始注册信息和浏览行为构建了链式用户偏好表,所有用户的偏好链表组成用户兴趣模型。兴趣模型中的用户偏好值在固定时间间隔t进行线性衰减直至变为0而被淘汰。若在衰减过程中产生了用户对某项目新的评分,该项目兴趣模型中的偏好值将被更新为此评分。实验证明,基于线性衰减的用户兴趣建模方法是有效的。     

基于偏好信息的案例检索算法

案例推理方法建立在“相似问题具有相似解”的基础上,能否从案例库中检索出与新问题“最相似”的案例是案例推理方法成功的关键因素之一。该文提出一种改进的检索方法,在原始最近相邻算法基础上,用专家对新问题案例与历史案例属性差异的效用评价替代原始的属性差异值来衡量专家对属性差异的敏感程度。引入变异系数来标度新问题案例与历史案例的属性差异的分布情况,从而保证检索出的最相似案例具有较高的属性差异的均衡性。通过具体案例检索实例分析,验证了该方法的有效性。     

3维空间线与体对象间的拓扑关系完备性研究

线与体是3维空间中两类重要的空间对象,对其之间的拓扑关系进行研究在地矿开采、交通运输等很多领域都有非常重要的应用价值。为了准确高效地对3维空间线与体,特别是复杂对象间的拓扑关系进行分析,首先定义了一类基本空间对象,同时用9交模型来表达空间对象之间的拓扑关系;然后利用线与体之间的9条否定规则推导出基本线与体之间可能存在的11种拓扑关系,再利用复合推导的方法来得到复合线对象与体之间的19种拓扑关系;最后得出了用于推导分析复杂线与体之间拓扑关系的算法。经过详细分析与讨论,证明了这些拓扑关系具有完备性。实践表明,利用完备拓扑关系,不仅可以保证推导分析算法的正确性,也能极大简化复杂线对象与体对象间拓扑关系的分析。     

基于双极偏好控制的多目标粒子群优化算法

考虑双极偏好信息对粒子群的控制作用,提出一种使用双极偏好——正偏好和负偏好引导粒子群向 Pareto 前沿偏好区域进化的方法．根据TOPSIS 决策法思想,将外部种群粒子与正负偏好点的相对贴近度排序作为 外部种群管理和全局最优解更新策略;根据贴近度值确定解集的分布度;选取6 种不同类型的多目标测试函数进行 算法模拟,从世代距离、空间测度和超体积测度3 个指标与基于单极偏好的多目标粒子算法进行性能比较．结果显 示,基于双极偏好控制的多目标粒子群算法的收敛性和综合性能更优秀．     

基于按需服务的用户QoS 偏好信息的处理策略

为满足按需服务的需求,需建立处理用户QoS 偏好信息的具体策略与方法．本文研究了QoS 偏好信 息的描述方式,提出了基于AHP 判断矩阵的QoS 偏好信息表示方法．该方法使用数字标度方法把QoS 偏好转换为 AHP 矩阵,用特征向量法计算出矩阵的权重向量,从而为QoS 偏好提供了量化表示．在此基础上,给出了基于QoS 偏好的相对最优服务的求解策略．具体数例表明,本文中QoS 偏好信息的处理方法与策略是有效的．     

The influence of user cognition on consumption decision-making from the perspective of bounded rationality

Consumer decision-making is related to the success or failure of enterprises, and products that cater to the cognitive preferences of users have become a focus of current research. Based on the theory of bounded rationality, this paper explores the cognitive process of consumer decision-making. Then, how product shape affects consumption decision-making is analyzed with eye-tracking technology. Finally, the design principle of the product form is further explored. The results demonstrate the following: (1) the perceptual cognition of users has a driving effect on consumption behavior; (2) as a key factor affecting the perceptual cognition of users, product form affects consumer decision-making by influencing the degree of approach motivation; (3) by establishing the mapping relationship between product form elements and user images, the principles of product form design can be more consistent with user image preferences. This study provides useful suggestions for how to increase the purchase behavior of users from the perspective of bounded rationality.     

融合用户信任度的概率矩阵分解群组推荐算法

利用推荐系统进行群组推荐时,群组成员之间的交互关系对推荐结果有很大影响,但传统的群组推荐算法较少考虑用户信任度的重要性,致使社交关系信息不能得到充分利用。在群组融合时考虑群组内用户间的交互关系,提出一种基于用户信任度和概率矩阵的群组推荐算法。在获取用户信任度数据后,使用概率矩阵分解（PMF）算法补全信任度矩阵并进行归一化处理,得到相似度矩阵,同时在后验概率计算过程中加入用户间的信任度因素,通过极大化后验概率获得预测评分。在此基础上,对群组中用户的权重进行归一化处理,使用基于用户交互关系的权重策略融合群组成员偏好,得到最终的推荐结果。在Epinions和FilmTrust数据集上的实验结果表明,该算法可使融合结果更具群组特性,同时提高推荐结果的可靠性和可解释性,且均方根误差和命中率均优于PMF、NeuMF、RippleNet等对比算法。