不完备决策系统中规则提取的快速矩阵算法

提出了广义决策的不可分辨关系及其不可分辨类、联合决策相容矩阵等概念以及不完备决策系统中基于联合决策相容矩阵的约简和规则提取的快速矩阵算法.将条件属性相容矩阵和决策属性分配决策矩阵合并到一个矩阵中,大大减少了矩阵生成过程的比较次数,有效的提高了算法的效率.通过一个实例,说明了算法的执行过程;算法复杂度分析以及相应的对比实验,进一步说明了该方法的有效性.     

灰色风险型多属性群决策方法

对一类权重信息未知并且属性值为区间灰数的灰色风险型多属性群决策问题进行了探讨,提出了一种基于理想矩阵的相对优属度决策方法.首先,利用属性值为区间灰数这一特性,将灰色系统理论的思想和方法与经典风险决策方法相融合,构建了决策系统中各方案之间的关联度公式以及优化模型,合理地解决了属性权重未知问题.然后综合考虑决策者群体的主观偏好,通过构造理想矩阵,借助每一方案决策矩阵与理想矩阵、负理想矩阵的综合加权距离获得每个方案相对于理想方案的优属度,再由优属度的大小对方案的优劣进行排序.应用实例说明了所提出决策方法的合理性和算法的有效性.为解决灰色风险型决策问题提供了一种新思路.     

区间直觉模糊多属性群决策自收敛算法

对区间直觉模糊多属性群决策中的一致性问题进行研究,引入了一种可自收敛算法得到一致性群决策矩阵。首先基于区间直觉模糊数的运算法则和集结算子,将单个决策者的决策矩阵集结为群体决策矩阵;然后通过可自收敛算法反复迭代,直到得到满足一致性的群体决策矩阵;最后再次基于区间直觉模糊数的集结算子和排序规则实现方案选优。从理论上论证了该算法的收敛性和保序性,并通过算例验证了算法的可行性和有效性。     

基于决策类分割的动态数据环境下的归纳学习

深入分析了基于分辨矩阵和传统决策矩阵的归纳学习算法中存在的问题,提出了一种新的决策矩阵及基于它的归纳学习和动态数据环境下的递增式学习方法.其主要思想是基于决策类将决策系统分割为多个子系统,并构造其新的决策矩阵,然后将决策系统上的归纳学习转化为新决策矩阵下的递增式学习.这不仅解决了动态数据环境下归纳学习问题,而且能降低矩阵空间规模,避免了传统决策矩阵算法中的重复计算.实例分析和实验结果验证了基于分治策略算法的合理性和有效性.     

直觉模糊偏好信息下的多属性决策途径

研究了属性值为直觉模糊数且决策者对方案有偏好的模糊多属性决策问题.针对方案偏好信息以直觉判断矩阵形式给出且属性权重信息不能确知的情形,定义了加型一致性直觉判断矩阵、积型一致性直觉判断矩阵以及直觉模糊决策矩阵的得分矩阵等新概念.基于得分矩阵和直觉判断矩阵,分别利用两种转换函数建立一些简洁的线性规划模型.通过求解这些模型获得属性的权重,进而给出了一种基于直觉模糊偏好信息的多属性决策途径.最后通过实例对该决策途径的详细过程及有效性进行了说明.     

基于简化差别矩阵的属性约简算法

为降低基于修正差别矩阵的属性约简算法的时间复杂度和空间复杂度,首先给出了简化差别矩阵的定义,并证明了该矩阵所包含的信息量与修正差别矩阵的信息量等价.其次设计了一个高效的求U/C的算法,其时间复杂度被降为O∑|C|i=1|ki||U|.然后分析了基于修正差别矩阵的属性约简算法的不足,并使用上述高效求U/C的算法,设计了一个基于简化差别矩阵的属性约简算法,证明了该新算法的时间复杂度和空间复杂度分别被降为maxO(|C|2(|Up′os||U/C|)),O∑|C|i=1|ki||U|和max{O|C|(|Up′os||U/C|)),O(|U|)}.最后用一实例说明了新算法的高效性.     

AHP中群决策判断矩阵的构造

由于在群决策矩阵的构造时,必须考虑每位专家的意见,又要保持决策矩阵具有AHP中判断矩阵的一般特性。为此,针对层次分析法中群决策的不同专家所建立的判断矩阵,利用不同判断矩阵所对应元素的几何平均法,构造出平均判断矩阵,即群决策判断矩阵。并利用严密的数学方法证明了“所构造的矩阵能保持一致性和满意性”的重要结论。该方法运算简单,不仅为AHP群决策判断矩阵的建立提供了一种有效的方法,而且为群决策的研究提供了一定的理论依据。     

群组AHP判断矩阵的一种有效集结方法

针对群决策中判断矩阵的集结问题,提出了一种基于m阶简单无向连通图理论的正互反型判断矩阵的集结方法.在给出了该算法的具体步骤的同时,通过算例分析,说明了该方法的实施过程及其有效性.     

关于已知方案偏好信息MADM新方法的简化算法

基于两个合理假设,对于一个已知方案偏好信息的多属性决策的方法,给出了该方法的简化算法,证明了该方法与某种特定权系数相加权方法的等价性,并给出不同权重的算法及其应用范围.     

不确定多属性决策的单目标最优化模型

对于属性权重及决策矩阵元素均以区间数形式给出的不确定多属性决策问题，提出了一种单目标最优化模型，给出了规范决策矩阵的计算公式，并提出了一种基于可能度的决策方案排序法，通过算例说明了该模型及方法的可行性和有效性。     

单向S-粗决策规律与决策规律挖掘

利用单向S-粗集,给出单向S-粗决策规律生成方法;给出上决策规律,下决策规律,单向S-粗决策规律核,单向S-粗决策规律带,单向S-粗决策规律壳的概念;利用这些概念,提出下决策规律传递定理,上决策规律传递定理,F-分离的属性定理,粗决策规律挖掘定理,与粗决策规律挖掘准则。     

两层多目标决策问题的模糊交互式决策方法

建立了一类上层多目标、下层多人无关联单目标的多人两层决策问题的数学模型和决策机制,基于模糊集理论,提出了一种模糊决策方法,为两层以及多层决策问题提供了求解途径．     

面向决策局部环境的群决策方法

对具体群决策问题,决策者之间和属性之间的某种联系分别由具体问题形成,由偏好关系表示的关系结构为决策局部环境：由变量分析矩阵、任意属性间的偏好相似性和任一组决策者对某一属性的偏好一致性构成的属性邻接矩阵和决策者邻接矩阵构成。对属性信息集结进行三次修正,由决策者局部重要性对属性一致性进行修正,以属性局部偏好一致性强度对属性权重进行调节,由决策者局部重要性权重修正最终评价结论。提出的方法可以在决策进程中聚焦影响一致性的相关属性,发掘可能冲突的属性及影响具体方案排序的主要属性,更有效提供解决群决策问题的建议和方案。     

基于K近邻决策分布图的决策层融合目标识别

决策模板法是一种直观的决策层融合目标识别方法。该方法实质上是将目标的决策分布图作为特征矢量,将其和每类目标的决策模板进行匹配以实现融合识别。由于每类目标的决策模板是该类目标所有训练样本决策分布图的平均,因此它不能反映训练样本决策分布图的分布情况。为减少目标决策分布图散布对融合识别效果的影响,提出采用K近邻方法对目标的决策分布图进行分类,以实现融合识别。仿真实验结果表明所提方法的平均融合识别率优于决策模板法。     

考虑决策者偏好的模糊决策单元排序

基于模糊数加权平均值,提出了一个模糊不确定条件下的超效率DEA模型.该模型中含有体现决策者乐观程度的实数κ和表示决策者偏好的加性测度S.决策者根据自己的乐观程度和偏好,使评估在模糊数支撑的特定子集内进行,可得到考虑决策者偏好的模糊决策单元全排序.将该模型应用于弹性制造系统的评估,结果表明模型有效可行.     

集值决策信息系统的属性约简及确定性决策规则优化

在集值决策信息系统中定义了一种相容关系,利用最大相容类定义了两类上下近似算子;分别利用两类下近似算子,定义了属性的A-相对约简和E-相对约简,以获取确定性决策规则的优化规则;分别定义了两种区分函数,相应地给出了A-相对约简和E-相对约简的区分函数求法,并证明了该方法的正确性。     

一种群决策中专家客观权重的确定方法

给出一种确定群决策中各专家客观权重的方法。将专家客观权重分为个体可信度权值和群体可信度权值;通过提取专家判断矩阵信息,确定专家在具体判断中自身的相对个体可信度权值,通过比较群决策中各专家信息的相似程度,确定各专家的相对群组可信度权值;最终得出专家判断信息合成时的各专家客观权重。给出的算例说明该方法的可行性和有效性     

基于概率信息系统决策规则的R0三I决策推理

讨论了一种概率信息系统用于表示对象与属性值之间的关系存在不确定性的信息.使用粗糙集和证据合成理论中的方法,给出了获取概率信息系统的扩展决策规则集的一般方法.使用R0三I推理方法实现了基于扩展决策规则集的R0三I决策推理判断.     

考虑决策者心理行为特征的激励型变权决策方法研究

系统研究了激励型变权向量,首先定义了考虑决策者心理行为的激励型变权向量,提出了与之对应的状态变权向量,分别讨论了激励型变权向量的基本类型;其次深入研究了效用函数诱导出激励型变权特性;然后,定义了激励型变权的风险规避系数,分别研究了几类激励型变权向量与风险规避系数的关系.提出一种新的基于激励型变权向量的多属性决策方法;最后,通过实例说明了该理论是有效的和合理的.