一类群决策问题的最优分配解法

在群决策中存在着多个决策者根据自己的知识、经验和偏好独立选择决策方法 ,对决策方案集作出决策后 ,应综合确定群体决策方案的多人多指标群决策问题 .针对这类决策问题具有决策信息量较少 ,而决策一致性较差的特点 ,分析了总体偏差法、足码法及其相关改进方法的优缺点 ,提出了一种多人综合评价的最优分配解法 .该方法通过建立决策方案集与决策名次之间的关联矩阵 ,并根据关联矩阵对方案集进行分类 ,在此基础上构造最优决策模型 ,利用整数规划中的最优分配解法求解最优模型 ,从而得到方案集的综合排序 .该方法简单实用 ,并且克服了总体偏差法、足码法及其相关方法的不足     

公安情报分析中决策树方法的应用

决策树是用方框、圆圈、三角和线段按一定规则组成并用来表示一个决策问题的图形。它的方法很多、类型复杂,在行动和状态只有有限个的情况下,决策树是进行情报分析与决策的有力工具。它主要采用逆序归纳法。首先绘制决策树,其次利用决策树从右至左,根据结果点和概率分支上的概率值算出每一行动的收益期望值,选择收益期望值最大的行动作为最优行动。     

带有方案偏好关系的区间型多属性决策方法

给出属性值为区间数、属性权重完全未知但已知方案偏好关系的多属性决策问题的决策方法。该方法首先通过求解一个二次规划模型来确定属性的权重,然后基于简单加权法则来计算方案的模糊综合评价值,再根据区间数的排序方法来对方案进行排序,从而得到最优方案。     

基于信息熵的模糊多属性决策方法

针对属性值为梯形模糊数的模糊多属性决策问题,给出一种基于信息熵的模糊多属性决策方法,并用实例进行检验.该方法利用信息熵求出各属性权重,利用简单加权法来计算方案的模糊效用值,根据梯形模糊数的期望值排序方法对方案进行排序和择优.用该方法选出的方案有效、可行而且计算简单,为解决模糊多属性决策问题提供了新途径.     

基于I-TOPSIS的可比较语言多属性决策方法

针对属性值是可比较语言的多属性决策问题,提出了一种新的多属性决策方法——I-TOPSIS法;传统的TOPSIS方法的综合评价值只能反映各评价对象内部的相对接近度,为了体现各方案与理想的最优方案的接近程度,引进I-TOPSIS法,通过定义正负理想点找到最优的参照方案,根据备选方案与最优参照方案之间的距离对备选方案进行排序和择优;最后,通过实例分析说明了方法的有效性和合理性。     

海上液货补给方案多目标决策

 针对海上液货补给方案的决策问题,采用加权法建立多目标决策数学模型,利用层次分析法确定约束条件的权重矩阵。引入排列组合等数值计算方法计算出可行的补给方案。分别通过TOPSIS逼近理想解排序法与PSO粒子群优化算法带入所建立的数学模型进行迭代计算直到获得最优的补给方案。通过实际被补给需求给定的液货量,利用上述方法进行数值模拟计算,可以快速准确地提供补给方案的决策依据。     

模糊多属性群决策的Vague集方法

介绍Vague集的基本理论,分析现有记分函数的不足,提出一种改进的记分函数;给出一种基于Vague集求解模糊多属性群决策问题的新方法,该方法利用新的记分函数对决策方案进行排序,选出最优方案;以实例说明该方法的可行性与有效性.     

基于集对分析和直觉模糊集的语言型多属性群决策方法

针对语言型多属性群决策问题进行了研究,提出基于集对分析的直觉模糊群决策方法。首先给出语言信息与直觉模糊值的转换方法;分析集对分析的思想与直觉模糊集思想的兼容性,通过集对分析的方法求解出方案对于单个属性和所有属性的联系度表达式;最后通过一个排序公式对方案进行排序,并得出最优方案。算例证实了该方法的有效性。     

构建区间数排序准则下的多属性群决策理论与实践

针对多属性群决策问题,构造区间数表达属性值并用区间数熵值法确定属性权重;建立区间数排序模型,利用各方案中加权的属性优劣个数进行比对决策.基于此,提出一种区间数排序准则下的多属性群决策方法.最后通过实例对决策过程做了详细说明,结果表明该决策理论指导实践科学有效.     

基于相对隶属度的模糊信息的多目标决策法

针对模糊信息的多目标决策问题,基于模糊集理论,首先,将决策者的主观偏好信息所隐含的目标权重通过一个线性规划模型计算出来。其次,借助每一方案与最优、最劣方案的综合加权距离,求得每个方案相对与最优方案的相对隶属度,提出了基于相对隶属度的模糊信息的多目标决策的相对隶属度法对方案进行择优和排序。最后,通过算例说明方法的可行性和实用性。     

改进决策树的研究

提出了一种结合规则技术思想的决策树的改进方法，利用数据挖掘所产生的规则对决策树每个分支节点的分裂条件进行判断，即能限制决策树生长，又能帮助选择最优线路，从而使决策效率明显提高。     

考虑社会网络信任关系的多属性群决策方法

针对社会网络环境下决策者存在信任关系导致的信任风险,以及方案属性间存在关联性的问题,提出了一种考虑社会网络信任关系的多属性群决策(MAGDM)方法;首先根据决策者的社会网络关系进行聚类从而获得若干个子社区,并通过度中心性和特征向量中心性计算出决策者的权重与子社区权重;接着根据信任关系分别确定决策者个人与子社区的信任度,并针对信任度较低的子社区衡量出其信任风险系数与评价风险系数,然后对该子社区进行相应的意见调整;其次针对备选方案的多个属性具有关联性的问题采用Choquet积分算子获取备选方案的综合评价值,并通过得分函数对备选方案进行相应排序以获取最优决策方案;最后将所提决策方法应用于一个算例中,说明方法的可行性。     

基于信息决策树分支剔除的传感器资源调度

针对低轨星座对高速运动目标连续跟踪的传感器调度问题,将传感器调度的长时信息增量模型描述为信息决策树,并通过分支剔除技术搜索最优解,提出一种基于信息决策树分支剔除的传感器调度方法.仿真实验表明,长时信息增量有效克服了短时信息增量过于频繁调度的问题,且决策树分支剔除的引入大大降低了长时信息增量最优搜索的运算量.     

一种新型决策树属性选择标准

讨论传统决策树算法中三种常用的基于熵的属性选择标准，提出一种基于属性重要性排序的建立决策树的新方法。该方法在决策树的每个内结点首先依据属性重要性将属性进行排序，然后选择最重要的属性作为分类属性生成决策树，并抽取出规则。与传统的决策树数据分类方法相比，此方法可有效地选择出对于分类最重要的分类属性，增强决策树的抗干扰能力，并提高规则的预测精度。     

基于非线性拟合方程的多变量决策树算法

根据数据属性间存在的线性相关和非线性相关影响决策树性能的特点,提出了一种用拟合回归建立决策树的算法,并利用这种相关性来提高分类能力.该算法选择了一个较优的属性子集,对此子集中的属性进行加权组合,用于构造决策树的节点,采用二次多项式来拟合两个属性间可能存在的相关性,从而构造出分类能力更强的决策树.研究中用UCI标准数据集对各种算法进行测试及比较,实验结果及分析表明此决策树算法具有良好性能.     

基于群一致性检验的多属性TOPSIS方法

针对现有TOPSIS方法中未考虑决策者的一致性所造成的选取结果不合理以至于决策失误的问题,提出了一种基于群一致性检验的多属性TOPSIS方法。首先,在分析数据特点的基础上,利用三角可能性分布对备选方案的属性值进行不确定性描述;其次,利用基于相似性度量方法检验决策者的一致性程度;最后,利用满足一致度的、改进的TOPSIS方法对备选方案进行排序,得到最优的决策结果。通过尾矿坝综合评价实例,对方法进行验证。结果表明可有效避免因使用不一致信息导致的决策失误问题。     

基于粗糙集的RDT决策树生成算法的研究及应用

介绍了一种基于粗糙集理论的决策树生成算法--RDT(Rought Set Decision Tree).该方法运用了粗糙集理论中条件属性相对于决策属性的核,引入启发式条件计算并选择条件属性作为决策树的根结点或子结点.通过一个例子,与运用信息熵概念建立决策树的算法进行比较,结果表明采用RDT方法得到的决策树优于采用信息熵方法得到的决策树.还讨论了RDT与ID3算法对决策树精度和规模的影响,分析数据分类和知识发现的过程及特点.     

考虑属性关联的TOPSIS语言群决策方法

针对在实际的多属性语言群决策问题中属性之间往往具有相互关联作用这一问题,提出了一种考虑属性关联的TOPSIS语言群决策方法.该方法中决策者给出对方案的语言评价信息,并采用二元语义概念对语言评价信息进行处理.在传统理想点法的基础上引入λ模糊测度的概念,根据属性间的关联作用确定每个方案属性的权重并得到加权决策矩阵.然后计算每个方案与正、负理想点间在n维二元语义空间内的二元语义欧氏距离并得到相对贴近度,确定最优方案.该方法有效地避免了决策过程中语言评价信息的扭曲和损失,并能够考虑属性间的关联作用对于属性权重的影响,使得决策结果更加合理可信.通过一个实例验证了方法的有效性和实用性.     

带有Fuzzy偏好关系的多属性决策方法

针对多属性决策分析中决策者给出关于方案的Fuzzy偏好关系,提出了一种新的多属性决策方法·该方法是通过建立一个线性目标规划模型来确定属性的权重向量并相应地进行方案的排序,得到的方案排序结果体现了决策者给出的方案偏好信息与决策矩阵的集成,并最大程度地反映了决策者的偏好·最后给出了一个算例·