对方案有偏好的基于期望值的多属性决策法

目的研究权重信息完全未知情形下的模糊多属性决策问题。方法通过引入基于负理想点下和基于正理想点下的期望值决策矩阵概念，结合决策者的偏好信息，对方案进行排序。结果算例表明所给出的算法是有效的。结论对于属性值以区间数的形式给出，而对方案的偏好信息以三角模糊数的形式给出的多属性决策问题，该方法是有效的。     

基于可变精度粗集模型的增量式规则获取算法

为了获取最小决策规则集，当增加新样本时，传统的方法通常需要对决策表中所有数据重新计算，效率欠佳。从可变精度粗集模型理论出发，讨论了新增记录与已有条件属性等价类的关系及对规则集的影响，在此基础上提出了基于可变精度粗集模型的增量式规则获取算法。通过仿真实验表明，这种增量式算法是可行的。     

高速公路交通安全评价的层次分析法

道路交通安全系统的内部结构极为复杂,影响因素众多,各因素权重信息不能完全被确定.提出了对于属性值以模糊区间数这种不确定形式给出,着重以“人”、“车”、“路”中的“路”对交通安全的影响进行模糊区间综合评价,建立了评价指标体系,用层次分析法确定了判断矩阵,并利用模糊区间综合评判模型得到了一种交通安全性评价方法.     

基于区间数决策矩阵的专家群体判断一致性

针对群决策中基于区间数决策矩阵形式偏好信息的专家群体判断一致性问题,提出了一种分析方法.首先,给出了有关区间数的定义及其决策矩阵规范化方法;然后,通过定义有关两个区间数的距离和一致性判定函数,给出了专家群体判断各个元素、各个方案、各个指标的一致性分析方法,同时,也给出了基于区间数决策矩阵的专家群体判断一致性的判别方法及专家群体判断不一致的调整方法.最后,通过一个算例说明了该方法的有效性.     

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.     

决策论简介

本文简单介绍了决策论的概念、类型、原则、过程,并按不确定型和风险型两大类详细介绍了决策的基本方法———决策矩阵和决策树法。