一类不确定型多属性决策问题的排序方法

研究了属性权重信息完全未知且属性值以区间数形式给出的不确定型多属性决策问题, 给出了区间数决策矩阵的规范化公式. 基于区间数相离度, 给出了求解属性权重的一个简洁 公式, 并提出了一种基于可能度的决策方案排序方法. 最后通过实例说明了该法的实用性和 有效性.     

基于证据推理的不确定多属性决策方法

针对基本属性权重的不确定性,以及基本属性与广义属性评价集的不一致性等问题,提出一种基于证据推理的不确定多属性决策方法,将证据推理算法推广到更一般的决策环境中.根据决策矩阵的信息熵客观地获得属性的权系数;而对于基本属性与广义属性评价集不一致的情况,则通过对基本属性分布评价的模糊化及模糊变换,合理地实现到广义分布评价的统一形式;最后应用证据推理算法得到整个方案集的排序.实例结果表明,该方法是可行的、有效的.     

基于方案贴近度的不确定型多属性决策模型

针对属性权重不能完全确知的不确定型多属性决策问题,提出了衡量决策方案的一个新指标-方案贴近度,并给出了一种基于方案贴近度的决策模型。通过实例说明了该模型的合理性和可行性。     

基于梯形模糊数的分层多目标线性规划模型在多属性不确定决策问题中的应用

文中首先建立了基于梯形模糊数的分层多目标线性规划模型,应用梯形模糊数来表示专家偏好信息.然后通过运用分层序列优化方法求解该模型,得出不同方案的模糊属性值和理想方案值,再根据模糊数的距离公式,求出每一个评价方案与理想方案之间的差值,然后得出评价方案之间的排序.最后,本文选择了深圳、广州、武汉、株洲、杭州五市的工业企业作为研究对象,分别用梯形模糊数和三角模糊数表示它们在经济效益、资源节约、环境保护和社会效益方面的综合情况,并根据本文所建立的模型和已有的基于三角模糊数的模型来进行比较分析,得出这些不同地区的企业在这四个方面的综合排名.通过这个实例的分析,也进一步证明和强调了文中所建立模型的实用性和可行性.     

风险偏好与属性约简在决策问题中的应用研究

将决策者风险偏好与属性约简算法应用到具有大量属性的决策问题,提出先对决策者分类再进行决策的策略． 根据决策者的风险偏好特征将其分为风险规避型、风险中立型、风险偏好型,针对不同类型的决策者分别采取相应的算法,提取有效属性并利用有效属性进行决策; 针对不同风险偏好的决策者,提出相应的风险偏好预期规则; 提出基于优势关系辨析矩阵的属性赋权算法及基于属性值优势度矩阵的进行信息融合与排序算法; 最后通过属性值为实数与区间数的两个实际案例表明该算法的科学合理性．     

不确定多属性决策双目标组合赋权模型研究

本文提出了灰距离熵的概念,并把灰距离熵作为区间灰数相离度的一个度量标准,建立了不确定多属性决策属性值的灰距离熵离差最大化模型。并在此基础上, 讨论了基于灰距离熵和极大熵的双目标规划组合赋权模型。从而实现了决策属性区间权重向点值权重的转化。最后并结合具体实例,验证了模型的有效性。     

对方案有偏好的不确定语言多属性决策方法

研究了属性权重完全未知、属性值和对方案的偏好值以不确定语言变量形式给出的不确定语言多属性决策问题。首先,引入不确定语言变量的运算法则,以及不确定语言变量之间比较的可能度公式,给出了不确定语言变量间的距离的概念。针对属性权重完全未知的情形,给出了求解权重的公式。然后,利用不确定语言加权平均算子,对不确定语言决策信息进行加权集成,并利用可能度公式构造可能度矩阵(互补判断矩阵),继而利用互补判断矩阵排序公式对决策方案进行排序和择优。最后进行了实例分析。     

多属性决策中权重确定的一种集成方法

针对多属性决策中属性权重的确定问题,提出了一种主客观信． 的集成方法．该方法是通过一个数学规划模型,将决策者给出的主观权重偏好信息与客观的决策矩阵信息进行有机 地集成,使确定的权重同时反映主观程度和客观程度．     

多属性采购拍卖与多属性不对称纳什谈判的比较研究

拍卖与谈判作为采购中有效选择交易对象的常见方式,从最大化采购方收益的角度看,现有理论对这2种方式各有支持。通过运用经典的多属性拍卖模型和多属性不对称纳什谈判模型,将拍卖的期望收益和谈判的收益进行比较,发现2种机制的分界与谈判力量和投标人数这2个指标有关,通过划分谈判力量和投标人数取值的不同区间,找到了拍卖或谈判这2种方式的边界条件以及它们各自的适宜范围。     

一种具有不确定偏好序信息的多指标群决策方法

针对具有不确定偏好序信息的多指标群决策问题,给出了一种决策分析方法。在本文中,首先对具有不确定偏好序信息的多指标群决策问题进行了描述;然后给出了将不确定偏好序转换为投票数的计算公式;进一步地,依据Bernardo方法的基本思想,根据每个专家给出的不确定偏好序信息,计算相应的投票数并构建群体投票矩阵,并基于群体投票矩阵构建0-1整数规划模型,通过求解模型可得到方案排序结果。最后,通过一个算例以及与已有方法的对比分析说明了本文给出的方法的可行性和有效性。     

基于Mo-RVIKOR的混合多属性决策方法

针对复杂性和不确定性多属性决策问题,考虑定量和定性融合的属性形式,提出了模块化随机多准则妥协解排序法（Modular Random VlseKriterijumska Opti-mizacija I Kompromisno Resenje,Mo-RVIKOR）,该方法无需将信息统一,就能处理多种信息形式存在的多属性决策问题。采用精确数、随机变量处理定量评价信息,用概率语义术语集处理定性评价信息;通过改进离差最大化法确定属性权重;根据Mo-RVIKOR对决策对象进行排序;最后以某公司C2B定制化服务质量评测项目为例,验证了所提方法的有效性。     

区间概率条件下属性值为不确定语言变量的风险型多属性决策研究

针对区间概率条件下属性值为不确定语言信息且属性权重未知的风险型多属性决策问题,提出了一种基于概率理论和不确定语言变量的TOPSIS决策方法。首先建立了区间概率转化为点概率的数学模型,通过期望值将风险型决策矩阵转化为确定型矩阵;然后利用方案与理想解越近方案越优,与负理想解越远方案越优的原则建立属性权重确定模型,并利用TOPSIS方法的相对优属度大小确定方案的排序;最后通过应用案例说明了本方法的决策步骤。     

基于后悔理论的混合型多属性案例决策方法

本文针对决策者的后悔规避行为对案例决策的影响,提出了一种基于后悔理论的混合型多属性案例决策方法。首先,针对案例属性的相似度测算,将案例属性的范围拓展到定性数据、清晰数、区间数、语言变量和区间直觉模糊数五种类型;然后,在案例原有效用基础上考虑决策者的后悔-欣喜值来测算各案例的感知效用;进一步,通过案例相似度对感知效用加权求和得到备选方案的综合感知效用,并依据综合感知效用大小对备选方案进行排序;最后通过一个实例,验证了上述方法的可行性和有效性。     

基于多种不确定性参数分布的U-GERT网络模型及其应用研究

针对随机网络研究中活动参数的分布是不确定信息的情况,本文提出了不确定信息的GERT网络模型,并利用信号流图原理研究了不确定信息的GERT网络仿真算法;研究了不确定变量GERT网络的矩母函数的构造,并对其重要的性质做了详细的探讨;最后通过算例仿真,验证本文提出的不确定信息的GERT网络模型及其仿真算法能够有效的解决现实生活中不确定信息对GERT网络参数的影响,说明模型与算法正确可行。     

基于一致性度量的概率模糊语言多属性群决策方法

人们通常习惯用语言术语来表达他们的偏好,因此概率型语言术语集(Probabilistic Linguistic Term Set, PLTS)在决策过程中有着十分重要的作用。目前PLTS的研究刚刚起步,有关PLTS的相关研究没有关注到一致性度量的问题,对于PLTS的多属性群决策方法有待进一步研究。首先,给出了一种新的PLTS的集结方法,并且在已有的PLTS可能度公式的基础上,构建了PLTS的相似度量方法,在此基础上,进一步提出了基于PLTS一致性度量的多属性群决策方法。该方法在各决策者权重未知的情况下,考虑到各决策者之间的一致性。首先,定义PLTS的一致性度量公式,确定决策者权重;并根据PLTS的集结方法,集结各决策者的评价信息;最后,利用可能度公式对PLTS进行排序。通过案例分析验证了该方法的可行性和优越性。     

权重信息不完全的区间直觉模糊数多属性决策方法

针对权重信息不完全的区间直觉模糊数多属性决策问题,首先,引入了区间直觉模糊数的一些运算法则、区间直觉模糊数的得分函数和精确函数。然后,对权重信息不完全的区间直觉模糊数的多属性决策方法进行了研究,给出了一个基于最大偏差的目标规划模型,从而获得相应的属性权重,并基于IIWAA算子对区间直觉模糊数信息进行集结,进而根据得分函数和精确函数对方案进行排序。最后,进行了实例分析,说明了该方法的实用性和有效性。     

对方案有偏好的区间数多属性灰色关联决策模型

针对属性值以区间数形式给出并且已知方案偏好信息的多属性决策问题,提出了一种灰色关联分析的决策方法。该方法依据一般的灰色关联分析方法的基本思路,给出了该问题的计算步骤,其核心是通过构建并求解一个单目标最优化模型,得到属性权重信息,从而计算出每个方案客观偏好值与主观偏好值的灰色关联系数,进而得到每个方案客观偏好与主观偏好的关联度,根据关联度对所有方案进行排序。最后给出了一个数值例子,结果表明方法简单,有效和易于计算。     

Optimal Cost Sampling for Decision Making with Multiple Regression Models

This paper develops an explicit relationship between sample size, sampling error, and related costs for the application of multiple regression models in observational studies. Graphs and formulas for determining optimal sample sizes and related factors are provided to facilitate the application of the derived models. These graphs reveal that, in most cases, the imprecision of estimates and minimum total cost are relatively insensitive to increases in sample size beyond n=20. Because of the intrinsic variation of the regression model, even if larger samples are optimal, the relative change in the total cost function is small when the cost of imprecision is a quadratic function. A model-utility approach, however, may impose a lower bound on sample size that requires the sample size be larger than indicated by the estimation or cost-minimization approaches. Graphs are provided to illustrate lower-bound conditions on sample size. Optimal sample size in view of all considerations is obtained by the maximin criterion, the maximum of the minimum sample size for all approaches.