确定事例特征权值的方法研究

针对事例特征权值的确定问题 ,提出了 Delphi和 AHP相结合的权值确定方法 ,以及二次规划模型权值确定法和信用统计权值确定法 .这些方法在事例特征权值的确定中 ,有助于减少主观性 ,增加客观性 .     

CBR在组态软件设计中的应用

论述了基于事例的推理方法在组态软件设计中对事例库进行检索过程的应用.方法基于基本的相似性距离公式,并综合了SQL(structured query language)模糊查询的方法来提高检索的效率.采用主观方法(判断矩阵)和客观方法(粗集理论)来确定事例特征属性权重以增加事例检索的准确度.     

基于CBR的水库洪水调度模式

由于水库洪水调度问题的复杂性和不确定性,单纯利用调度模型进行洪水调度在实际应用中往往存在一些问题.为了使理论研究尽可能与实际应用相结合,将人工智能中的基于事例推理(CBR)技术引入到水库洪水调度中,将以往的洪水调度事例作为历史事例以一定的结构和方式存储在事例库中,对于新的洪水调度问题,从事例库中寻找相似的事例,并根据其调度方案,确定新问题的解决方案.实际算例表明,对于水库洪水调度问题,基于事例推理的水库洪水调度能充分的将以往的调度经验和调度模型结合起来,使得调度结果更合理、可行, 具有较强的实用性.     

基于事例推理的加工中心智能CAD系统研究

针对加工中心模块化设计智能ＣＡＤ系统,提出了基于事例推理的设计方法。文中建立了基于事例推理的方案设计事例树状分层模型和功能模块事例数据模型,提出了设计事例的检索算法及事例的修改与学习策略,最后给出了卧式加工中心设计实例。应用结果表明,基于事例推理的设计方法对开发模块化系列化产品是十分有效的。     

基于证据推理的信息不完全的多准则排序方法

针对有训练集的准则权系数信息不完全确定且准则值信息不完全或缺失的多准则决策问题,提出了一种基于证据推理的决策方法.该方法首先通过证据推理算法将方案的准则值集成,然后将效用值集成,结合准则权系数和等级效用的不完全确定信息和训练集的排序等建立非线性规划模型,利用遗传算法来求解非线性规划模型,得到各准则的权系数和各等级效用值,进而得到整个方案集的排序.最后用实例说明该方法的有效性和可行性.     

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     

基于模糊聚类的无权值风险综合评判算法

风险评估通过分析不确定的风险因素得到确定的风险评价,如果存在多个风险,需要实施风险聚合.传统风险聚合方法依赖风险权值,在分布式环境中较难具有客观性,尤其对于移动环境,因为移动节点具有移动性和随机性.提出补偿竞争风险聚合算法(CCRAA),CCRAA的基本思想是模糊聚类,对风险值进行补偿以减少其与聚类中心的距离,使补偿后的风险值向聚类中心聚集,取最大风险值和最小风险值的平均值为聚合风险.CCRAA使风险和值不变,不影响聚合风险的大小,但避免了传统风险聚合方法可能产生风险极值或对风险权值的依赖.使用实验证明CCRAA具有优于传统方法的聚合效果和稳定性.     

改进的最近邻法在基于事例推理中的应用

在基于事例的推理中，通常采用判断相似度来进行事例检索。目前广泛采用的最近邻法存在着盲目判断、计算量大的缺陷，提出了一种改进的算法，采用聚类的方法把事例库分为合理的聚类，并找到每个聚类的均值，然后在推理中，近的聚类，并在这个聚类中搜索最相近的事例。新事例直接与每个均值进行比较，找到与它最相从而避免了盲目搜索，优化了算法。     

基于语言决策矩阵的专家客观权重确定方法

针对语言型多属性群决策中的专家赋权问题,提出一种基于语言测度理论的专家客观权重确定方法。该方法根据精确胜过模糊、少数服从多数、细分优于粗分三个原则,从混合型语言决策矩阵中提取专家权重信息,包括评价信息量、与群体的一致性和发挥的区分作用,给出了个体评价信息量权值、群体一致性权值和区分作用权值的计算方法,在三种分权值的基础上确定专家总体权重。最后通过算例说明该方法可行有效。     

基于证据推理的信息不完全确定的MCDM方法

针对权系数为信息不完全确定、准则值不确定且不完全的多准则决策问题,提出了一种基于证据推理的方法。该方法先对决策者给出的权系数不完全确定信息进行分析,得到一组可利用的基数权重,然后将方案的准则值(不确定且不完全)用基于证据推理的算法进行集成,比较方案集在所有基数权重下的效用值的大小,从而确定方案集的排序。最后以实例表明该方法的有效性和可行性     

多属性决策中基于离差最大化的组合赋权方法

依据多属性决策中属性权重的确定方法有多种,每种赋权方法有其各自的特点,为了综合利用各种赋权法的优势,基于离差最大化的基本原理,提出了一种组合赋权方法。该方法通过一个最优规划模型来确定组合权重。研究了模型的求解,给出权重的计算公式,探讨组合赋权方法的检验,确保组合权重能反映主观信息和客观信息,并总结该方法的计算步骤。最后进行实例分析,结果表明该组合赋权方法是有效性的。     

多目标权系数赋值方法及其选择策略

多目标权系数赋值是多目标决策(MODM)中极为重要的环节,是专家经验和决策者意志的体现,它相当程度上决定了多目标综合的精度。本文结合笔者在研究工作中的体会,比较详细地讨论了多目标权系数赋值的常用方法及其特点,提出了权系数调整的交互式方法,并给出了MODM应用中各种方法的选择策略。     

基于IOWA算子的行为证券组合投资决策研究

旨在通过建立投资者多心理账户权重的确定方法,用以改进传统的行为证券组合理论(BPT).针对投资者多心理账户的模糊性和随机性特征,引入诱导有序加权平均(IOWA)算子描述投资者心理账户的权重确定过程;基于此,建立了经过IOWA算子调整的BPT模型;算法释例表明,确定投资者各个心理账户的权重有利于精确描述其资产配置的优化过程.     

基于差异驱动原理与均值关联度的动态多指标决策模型

针对现有的基于关联分析的动态多指标决策模型存在的不足,根据新信息优先原理,提出了基于矩阵范数的时序权重确定方法,并利用差异驱动原理,提出了指标权重的确定方法。在时序权重和指标权重确定的基础上,建立了基于方案均值关联度的动态多指标决策模型,并给出了该模型的计算步骤。通过对4种不同型号的武器装备系统的综合效能评估的实例分析,检验了文章所构造的动态多指标决策模型的有效性。     

集成式多目标权系数赋值方法

本文将实际应用中的多目标权系数赋值方法归结为三类：点估计方法、模糊区间估计方法、定性估计方法,提出了各类方法中有效的多目标权系数赋值过程,给出了多目标决策（ＭＯＤＭ）中引导决策专家选择适合具体情形的多目标权系数赋值方法的选择策略,提出了多目标权系数调整的交互式方法。     

基于变权和TOPSIS方法的灰色关联决策模型

为提高现行灰色关联模型决策结果的可靠性,将惩罚型变权方法引入到模型指标权重设定中,使各方案指标权重随指标状态值的变化而变化;同时借鉴TOPSIS方法的思想,分别考察各候选方案与正、负理想方案间的关联程度并予以集成;构建了基于变权和TOPSIS方法的灰色关联决策模型。将其应用于项目评标决策案例,通过与现行方法的对比分析,证明了该模型有助于优选出指标间较为均衡的方案,决策结果更为合理可靠;通过不同惩罚水平下结果的对比分析,表明该模型具有较强灵活性,可以适应不同的均衡决策要求。     

联网审计的绩效评价方法: 基于RC和AHP的组合应用

针对等级法(RC)和层次分析法(AHP)的不足, 提出了一种基于RC和AHP组合应用的联网审计绩效评价方法: 首先, 建立了针对联网审计绩效评价的AHP层次结构模型; 其次, 采用RC方法划分指标层各评价指标的重要等级, 并参照划分结果准确地填写AHP判断矩阵; 再次, 根据所确定的AHP判断矩阵计算各评价指标的权重, 并在此基础上建立联网审计的绩效评价模型; 最后, 通过实例分析了基于RC/AHP的联网审计绩效评价方法的应用. 通过对RC、AHP、RC/AHP三种方法生成的各评价指标权重, 以及采用三种方法计算出的绩效评价结果进行比较 表明: 基于RC和AHP组合应用的联网审计绩效评价方法有效地提高了评价指标权重计算的准确性, 从而提高了联网审计绩效评价结果的准确性.     

基于熵权的多属性大群体决策方法

针对传统的大群体决策方法只能处理单方案决策问题的缺陷,提出了一种基于多属性的多方案大群体决策方法。该方法首先将单方案大群体偏好模型与算法推广成多方案大群体偏好模型与算法,获得大群体偏好矩阵,然后利用熵权法获得各个方案的排序权重,最后利用各个方案的排序权重和大群体偏好矩阵获得各个方案的综合评价值矢量。通过该综合评价值矢量中的综合评价值得出各方案的综合排序结果,较好地解决了多属性多方案大群体决策问题。通过计算机仿真实验证明该方法的有效性。     

Two Methods for Deriving Members' Weights in Group Decision Making

The Analytic Hierarchy Process is a powerful technique for group decision making. Both theWeighted Arithmetic Mean Method (WAMM) and Weighted Geometric Mean Method (WGMM) are themost common group preference aggregation methods in AHP. In order to use the WAMM and WGMM, onehas to find the weights to be assigned to the members of the group. This is often a difficult task, especiallyso if the group is large as in the case of public policy decisions. These situations need an objective method toderive members'weights. But a few studies are available in the literature. Based on judgement matrices anderror analyses, this paper presents two practical and efficient methods for addressing such situations. Somenumerical examples are also given.