基于二元语义符号运算的群决策方法

具有语言判断矩阵形式的偏好信息的群决策是决策分析及群决策支持系统研究中的一个重要课题。针对这类群决策分析问题,提出了一种基于二元语义符号运算的群决策方法。在该方法中,首先描述了语言判断矩阵形式的偏好信息及其语言判断矩阵转化为二元语义符号的方法,然后基于T OWA算子给出了集结各决策者偏好信息和方案优选的方法。算例验证表明,用该方法所得到的方案是最优方案。     

基于不同粒度语言判断矩阵的群决策方法

针对具有不同粒度语言判断矩阵形式偏好信息的群决策问题,提出了一种基于二元语义信息处理的群集结与方案优选方法.在该方法中,首先给出了不同粒度语言判断矩阵一致化为由基本语言评价集表示的二元语义形式的方法;然后基于二元语义的T-OWA算子,将各决策者给出的偏好信息集结为群的偏好并进行方案的优选.最后给出了一个算例.     

基于粗糙集的随机多准则决策方法

针对有偏好信息并且准则权重信息不确定的随机多准则决策问题,提出了一种基于粗糙集的随机多准则决策方法.该方法首先根据形式化的偏好信息,利用构造的偏好信息系统准则约简理论对准则集合进行约简,降低问题的复杂程度,然后计算每个方案的净流分值并通过其大小确定方案的最终排序.最后实例说明了该方法的有效性和可行性.     

群决策中两类偏好信息——AHP判断矩阵和模糊偏好关系矩阵的一致化方法

在有限方案的群决策问题中，如何统一具有不同形式的偏好信息是一个新的研究课题。本文针对群决策中决策者给出着于方案的两类偏好信息－AHP判断矩阵和模糊偏好关系矩阵，通过构造转换函数，给出关于这两类偏好信息的一致化方法，这为研究群决策中不同形式偏好信息的集成方法和方案排序打下了坚实的基础，最后给出一个算例。     

不完全信息条件下的多指标群体决策方法

研究在不完全信息、多指标条件下,利用个体决策结果形成群体一致偏好的方法.在大多数情况下,群体决策成员只可能给出决策的不完全信息,从个体的偏好结果形成群体一致排序需要求解一组线性规划.群体成员对方案成对辨优的结果,提供了一个方案优于其它方案的偏好强度信息.偏好集结过程考虑了决策成员的偏好净强度和决策成员权重信息不完全的情况.最后,给出一个投资决策的案例说明群体决策方法的实际应用.该集结方法能够平衡决策时间、决策质量和决策者负担三方面要求.     

基于案例比较信息的多准则群决策分类方法

提出了一个基于案例比较信息的多准则群决策分类方法.该方法使用级别高于关系作为决策者的偏好模型.它要求决策者根据自己的偏好预先给出部分方案之间的比较信息.基于这些比较信息和决策者的重要度确定了具有最大可信度的群体一致案例比较信息集,并利用该信息集构建一个混合整数规划模型来计算方案的分类区间,从而引导决策者给出部分方案的精确分类信息.在此基础上,确定一个代表函数来获得其余方案的精确分类.最后通过一个实例说明了方法的可行性和合理性.     

优势直觉模糊粗糙集决策方法及其应用

由于客观世界的复杂性和不确定性,多属性决策信息系统总是包含大量的偏好信息、模糊信息,而传统的决策方法难以有效提取决策规则和实现方案排序。为了处理此类问题,通过借鉴直觉模糊集和优势粗糙集的思想与方法,构建了一种优势直觉模糊粗糙集决策方法,并利用其解决信息系统安全审计评估问题。结果表明,所构建的模型能够很好地处理含有偏好信息和模糊信息的多属性决策信息系统,解决多属性评估决策问题,实现决策规则的获取和方案排序。     

基于序关系的多准则粗集决策方法及应用

从序关系的角度研究多准则决策问题,提出了基于序关系和粗糙集理论的多准则决策方法的系统流程.针对传统定性转换方法信息丢失和导致信息表不一致的缺陷,提出了一种新的定量转换方法,将有序表转换成两两比较表.给出了基于粗糙集的改进RG序规则挖掘算法,并将其应用于两两比较表上以获取供决策使用的排序规则.最后,将该决策方法应用于航材偏好选址问题,决策结果说明了该方法的可行性和有效性.     

一种基于语言评价信息的多指标群决策方法

针对一类带有自然语言评价信息的多指标群决策问题，给出一种新的群集结和方案优选方法。首先采用近年来最新发展的LWD算子和LOWA算子直接集结每个决策者给出的自然语言评价信息，以得到群的方案评价值，然后根据语言短语集的自身顺序进行方案优选。利用该方法不仅可以确定最优方案，而且还可得到群决策结果的可信程度。最后给出了一个算例。     

关于序区间偏好信息的群决策方法研究

在群决策分析中,基于序区间偏好信息的排序方法的研究是一个新的重要研究课题.针对决策分析中基于序区间偏好信息的群决策方法问题,提出了一种新的分析方法.首先,提出了序区间的有关定义及性质；其次,通过定义序区间的可能度及可能度矩阵的概念,得出了每个专家的可能度矩阵均具有满意一致性的互补判断矩阵结论.进而构建了基于群体一致性的最优化模型,依据计算的最优权重向量给出了一种关于序区间偏好信息的群决策方案排序方法.最后,通过一个算例说明了提出的分析方法.     

基于优势关系和可变精度粗糙集的多准则决策方法

针对不确定性决策问题,提出了一种基于优势关系和可变精度粗糙集理论的多准则决策方法。该方法把基于优势关系的粗糙集模型和基于可变精度粗糙集模型结合起来,在可变精度粗糙集模型中把规则的置信度阈值当作可变精度参数值。首先,给出全部方案的成对比较表。然后,从一部分方案的成对比较表中,利用优势关系粗糙集和可变精度粗糙集的扩展粗糙集理论提取两类优势规则。最后,定义打分函数给全部方案打分,并进行排序,选出最优方案。通过一个简单算例论证了该方法的可行性。     

杂合灰色聚类与变精度粗糙模糊集的概率决策方法

在基于粗糙集理论或扩展粗糙集理论的不确定性管理决策中,仅由数据集无法获得决策表,同时决策属性呈现模糊性,以至于无法获取概率决策规则。鉴于此,本文构建了灰色定权聚类与粗糙集变精度的杂合模型,首先运用基于中心点三角白化权函数的灰色定权聚类方法对包含不同量纲指标的知识表示系统进行处理,生成多属性决策表,而后运用变精度粗糙模糊集进行决策分析,获取概率决策规则。最后以区域关键技术选择为例,表明该模型的可行性与实用性。     

粗集在数据开采中的应用

从数据库或数据仓库开采有用的知识，是辅助决策的有效手段，粗集作为一种新的软计算方法，是处理不确定、不完全数据的有效方法，它可以克服其他软计算方法的不足，并且和它们具有较强的亲和力，所以粗集理论得到了广泛的应用，尤其是数据开采领域巳成为研究的热点，论文就粗集在数据开采中的几个重要问题进行论述，包括决策表的约简、不完全决策表的处理，连续值的离散化、基于粗集数据开采的递增算法以及粗集与其他软计算方法的集成等几个前沿问题，同时指出了问题之所在，提出粗集进一步可能的发展方向。     

无人战斗机态势评估变精度粗集决策方法

为了解决在态势评估中一般粗糙集决策方法仅对规则进行提取而不完成规则匹配的问题,提出了基于加权相似性度量的无人战斗机（unmanned combat aerial vehicle, UCAV）态势评估的变精度粗集决策方法。建立了UCAV态势评估决策信息系统模型,基于正确分类率β的确定原则,给出了β值的确定方法,在该β值下从决策模型中提取出了决策规则。提出了基于互信息度的属性相对重要度计算方法,并依据相对重要度给出了属性的客观权重,结合专家经验形成了属性的综合权重。提出了基于属性综合权重的加权相似性度量方法,通过比较当前对象与决策信息系统中所有对象的相似程度给出决策结果,完成对该对象作战意图的预测。结果表明,该方法有利于UCAV对对象作战意图的预测和判断。     

基于可变精度粗糙集的多决策表分析方法

针对可能存在分类误差缺失信息的群体分类决策问题,提出了一种可以从多个决策表中获取群体分类偏好的可变精度粗糙集方法。该方法通过控制决策者的分类误差率,群体分类一致率及反对率,将多个决策表中符合条件的信息汇集,形成群体分类模式表,然后根据每种分类模式在不同分类误差率和群体一致率下得到支持和反对的频数,得到群体分类模式集合的下近似,即群体分类偏好。给出了应用该方法的具体步骤,算例验证了该方法的有效性。     

基于离散化分布密度的无人机粗糙决策方法

无人机“精准农业”任务要求无人机能够响应环境信息进行自主决策,从而完成喷绘任务。首先,研究了面向作业要求的空间属性设计规则,根据精准作业条件属性因子的值域分布特点及其样本密度,提出了一种基于高斯分布密度的反正切属性精细离散方法。然后,利用粗糙集属性依赖度的算法求解属性约简,去掉冗余的属性,获取精准作业的粗糙决策规则表。最后,通过试验验证了粗糙决策方法的合理性和准确性。     

Half-global discretization algorithm based on rough set theory

It is being widely studied how to extract knowledge from a decision table based on rough set theory. The novel problem is how to discretize a decision table having continuous attribute. In order to obtain more reasonable discretization results, a discretization algorithm is proposed, which arranges half-global discretization based on the correlational coefficient of each continuous attribute while considering the uniqueness of rough set theory. When choosing heuristic information, stability is combined with rough entropy. In terms of stability, the possibility of classifying objects belonging to certain sub-interval of a given attribute into neighbor sub-intervals is minimized. By doing this, rational discrete intervals can be determined. Rough entropy is employed to decide the optimal cut-points while guaranteeing the consistency of the decision table after discretization. Thought of this algorithm is elaborated through Iris data and then some experiments by comparing outcomes of four discritized datasets are also given, which are calculated by the proposed algorithm and four other typical algorithms for discritization respectively. After that, classification rules are deduced and summarized through rough set based classifiers. Results show that the proposed discretization algorithm is able to generate optimal classification accuracy while minimizing the number of discrete intervals. It displays superiority especially when dealing with a decision table having a large attribute number.     

基于不对称边界的变精度粗糙集的参数选择

不对称边界的变精度粗糙集是Pawlak粗糙集、变精度粗糙集的推广,在l和u参数作用下,使粗糙集模型更加一般化,完善了近似空间的概念。基于不对称变精度粗糙集模型研究的基础上,提出了分类质量和依赖度的方法对不精确信息进行度量,对决策表进行约简。在l,u值的选取,提出了单参数控制的方法,通过l,u-质量图分析和计算验证了方法的有效性。     

基于有限扩展优势关系的粗糙决策分析方法

针对基于扩展优势关系的粗糙决策分析方法的局限性，本文给出了一种新的基于拓展粗糙集的多属性决策分析方法。首先提出了有限扩展优势关系的概念；其次在有限扩展优势关系下得到知识的粗糙近似，给出了分类决策规则；第三，通过对比分析，证明了新方法的性能优于现有方法；最后通过一个实例验证新方法的可行性和有效性。     

不完全信息的多属性粗糙决策分析方法

针对有偏好信息但信息不完全的多属性决策问题，给出了一种基于拓展粗糙集的决策分析方法，首先提出了扩展优势关系的概念；其次用扩展优势关系代替经典粗糙集中的不可分辨关系得到知识的粗糙近似，证明了粗糙近似的两种等效表示方法及基本性质，给出了分类决策规则；最后通过一个实例说明方法的可行性与有效性。