基于模糊聚类算法的多配送中心选址优化方法

为了优化二级设施物流网络中多配送中心的选址操作,提取了影响配送中心选址的主要因素,建立了一种综合评价指标体系.首先,将语言变量值用三角模糊数表示,对备选配送中心进行综合评价；然后,采用区间数优度函数法将二级准则指标集成到一级准则指标上,以集成后的方案评价指标值作为模糊聚类算法的输入进行聚类操作,并设计了聚类有效性指标以用于判断聚类结果合理性；最后,应用TOPSIS方法对各类内的备选址进行排序,以确定选址位置及数量.实例验证表明,当隶属度数值取0.740 2时,得到最小的聚类有效性指标为2.43.依据该操作可将备选配送中心分成4类进行逐类选址,选址结果合理且较其他方法更具有优越性.因此,该方法能够更有效地解决多配送中心选址问题.     

基于可变模糊集的模糊聚类迭代模型及其应用

针对经典模糊聚类迭代模型中不考虑聚类指标权重的缺点,基于可变模糊集理论给出了考虑模型参数指标权重变化的可变模糊聚类迭代模型.当模型中优化准则参数α等于2,模型参数指标权重为等权重时,可变模糊聚类迭代模型为广泛采用的Bezdek模糊聚类ISODATA (iterative self organizing data)迭代模型(Bezdek参数β等于2),即ISODATA迭代模型是可变模糊聚类迭代模型的特例.水资源系统中应用的实例及计算结果表明聚类成果符合实际,模型具有收敛于全局极小点的良好性能.     

一种决策信息为区间直觉模糊数的多属性决策方法

将C-OWA算子应用到区间直觉模糊数上,定义了集成区间直觉模糊信息的IC-OWA算子.对于属性权重已知,属性值为区间直觉模糊数的多属性决策问题,先利用IC-OWA算子对决策属性值进行集成,然后对集成结果加权求和,得到各方案的综合属性值,最后根据综合属性值排序和择优.实例分析表明了该方法的合理性和有效性.     

面向产品配置的模块划分方法

针对如何快速响应客户需求的问题,对面向产品配置的模块划分问题进行了研究.首先,通过分析客户需求和零部件间的相关性,构建了4个相关性评价准则——客户需求相关性评价准则、功能相关性评价准则、结构相关性评价准则、生命周期相关性评价准则,并提出了4种模块划分调整准则.然后,应用层次分析法确定各准则的权重系数,建立零部件相似性矩阵,并构建零部件模糊聚类树,用模糊聚类方法对零部件进行模块划分.最后,以双梁式桥式起重机桥架为例进行模块划分,验证了该方法的可行性.     

上市公司业绩模糊综合评价的一级指标权重的确定

本文针对模糊综合评价法中权重确定存在模糊性和主观性这一缺陷,首先构造出模糊综合评价的一级指标和二级指标,然后把因子分析法应用到公司业绩模糊综合评价一级指标判断矩阵的构造中,利用层次分析法中的方根法计算权重系数,最后进行一致性检验判断矩阵的估计是否一致,即求出的一级指标权重是否可以接受.由因子分析法的统计特性可以从理论上保证本文方法更客观.     

基于模糊熵的聚类有效性分析

模糊熵描述了一个模糊集的模糊性程度.本文将模糊熵应用于聚类有效性的分析.指出用于聚类有效性判决的划分系数是一个基于模糊熵的聚类有效性判决准则.最后通过几组数据对不同模糊熵公式的判决功能进行了比较实验.     

一种基于拓广优化算法的模糊综合评价方法

对于有序分割类,模糊判别时通常使用的最小代价准则、最大属性测度准则以及最大隶属度准则由于掩盖了介于两个隶属度之间的差别,有时可能得出并不合理的结论.首先提出了一种利用拓广优化算法综合指标权重的方法.然后基于置信度准则提出了一种改进的模糊综合评价方法,有效地避免了上述问题.最后用一个实例说明了本文方法的有效性和科学性.     

基于粒子群优化的模糊核聚类方法

针对模糊核聚类对初始值敏感、易陷入局部最优的缺点,提出了基于粒子群优化的模糊核聚类方法.该方法根据聚类准则设计适应度函数,利用粒子群优化算法对聚类中心进行优化,在迭代优化过程中设计了梯度下降法加快算法的收敛速度,并引入变异机制增强粒子群的多样性.仿真实验及在水轮机转轮叶片裂纹源定位中的应用验证了算法的可行性和有效性.     

基于权重差异度的动态模糊聚类算法

针对传统模糊聚类算法需提前设置参数和初始聚类中心, 导致聚类结果不稳定的问题, 提出一种基于权重差异度的动态模糊聚类算法. 首先引入样本特征权重向量和样本间差异度的概念, 对数据集分布情况进行描述, 并采用新的评价指标获取候选聚类中心; 然后根据最小差异度准则, 对剩余样本点进行分类; 最后结合Davies-Bouldin指数(DBI)评价准则对候选聚类中心做进一步筛选与合并. 实验结果表明, 该算法在不同测试数据集上的性能明显优于传统聚类算法, 具有更高的自适应性和稳定性.     

基于蚁群聚类算法的模糊神经网络

提出了一种基于蚁群聚类的模糊神经网络算法,神经网络采用RBF网络结点结构,聚类采用二级结构蚁群聚类算法作为一级聚类而模糊C-均值聚类(FCM)用于二级聚类。将上述聚类方法用于模糊神经网络构建中,仿真结果表明具有并行实时性、聚类能力强的特点。     

基于聚类准则融合的加权聚类集成算法

聚类集成是聚类分析中的一个重要技术手段,能有效地提高聚类结果的准确性、鲁棒性和稳定性。利用现有的聚类准则提出了一个新的评价指标,用于基聚类结果的有效性评估,并把评估值作为基聚类结果的权重来进行加权聚类集成。在UCI真实数据集上对提出的基于聚类准则融合的加权聚类集成算法进行了测试,实验表明新提出的算法比已有的集成聚类算法具有更高的准确率和回收率,可以得到更好的集成聚类结果。     

基于模糊粗糙集理论的建筑业综合评价

根据模糊聚类和粗糙集理论的基本原理,利用模糊聚类的相似关系与粗糙集可辨识矩阵的特性,结合这两种方法的互补优势,研究了将之应用于建筑业综合评价的方法和步骤.通过模糊聚类法形成粗糙集下的决策信息系统,采用基于可辨识矩阵的启发式约简法对属性约简,计算出约简后各属性的权重.利用各属性的权重分别对各省市(或地区)的建筑业指标评价值加权求和从而得出各自的建筑业综合评价值,对其结果的客观性和实用性所进行的分析评价证明该方法有效.     

一种基于属性加权综合直觉梯形模糊数多属性决策方法

在解决属性值为直觉模糊数的多属性决策问题中,其权重信息未知.先采用熵值法来求其权重,并用直觉梯形模糊数权重平均算子求出各指标的平均属性值,给出了直觉梯形模糊数得分函数公式,期望函数公式.并提出了解决此类问题的方法与步骤,根据得分函数值大小进行排序,选择出最优方案.通过一个实例对此方法进行验证.     

基于三角模糊数权重信息不完全的多属性决策方法

针对属性值为三角模糊数且权重信息不完全的多属性决策问题,提出了一种基于三角模糊数权重信息不完全的多属性决策方法.该方法首先利用权系数的不完全确定信息,建立关于各方案综合三角模糊数与理想解和负理想解的加权距离优化模型,通过求解优化模型得到各属性权重值,之后根据各方案到相对理想解的贴近度的大小进行排序.实例分析表明了该方法的有效性和可行性.     

一种改进的神经网络集成法预测PMV指标

为解决大样本的PMV指标预测问题,采用基于模糊聚类的神经网络集成方法,将原始样本集模糊划分为多个相交子集,通过这些模糊子集训练神经网络得到预测个体,再对个体输出加权结合获得预测结果.在进行神经网络集成过程中,采用微粒群算法有效克服了聚类和常规神经网络训练容易陷入局部最优的缺点,总结出一种更加有效的神经网络集成方法.实验结果表明:基于微粒群的神经网络集成算法有较好的全局优化性能,其集成的神经网络系统能更准确地预测PMV指标.     

一种混合智能故障诊断方法及柴油机故障诊断

提出了一种模糊聚类、粗糙集理论与神经网络集成的混合智能故障诊断方法。引入聚类有效性函数和点分布密度函数。对模糊c-均值聚类算法进行改进,形成了自适应模糊聚类算法并依据该算法将连续的故障特征值离散化。应用粗糙集理论处理离散化的故障诊断数据。采用基于信息熵的方法,约简冗余的故障特征。依据约简结果构建神经网络,采用遗传算法优化网络的权值和阈值。将该方法用于柴油机气门故障诊断,并与普通神经网络进行对比。结果表明,该方法提高了故障诊断的正确率。     

权重信息不完全的梯形模糊数多属性决策

针对权重信息不完全且属性值为梯形模糊数的模糊多属性决策问题,给出了基于梯形模糊数质心的多属性决策方法,并通过投影法建立了非线性规划模型,通过数学软件得到各属性权重,并通过质心横坐标与纵坐标在虚拟理想方案上的投影率的乘积作为排序指标,进行排序择优.最后通过实例说明了该方法的有效性.     

基于模糊理想点的模糊多属性决策方法

针对属性权重信息完全未知或只有部分权重信息且属性值为三角模糊数的模糊多属性决策问题,提出3种基于模糊理想点的最优化决策模型.通过对这3种模型的求解,获得属性的权重,给出相应的对方案进行排序和择优的决策方法,从而为解决权重信息不完全的模糊多属性决策问题提供新的途径.     

基于理想点的三角模糊数群体多属性决策法

针对模糊群体多属性决策问题,提出了一种新的属性权重和属性值均以三角模糊数形式给出的模糊群体多属性决策方法.该方法先假设方案在主观评价属性下的属性值采用三角模糊数的形式来表示专家评价值的模糊性和不确定性,而后假定每一主观评价属性都有一组相应的专家权重值,以反映专家在不同评价属性中的重要性程度,同时考虑到专家意见的相似度,将专家意见进行集结得到专家群体关于方案集的模糊决策矩阵.最后定义了三角模糊数正理想方案和负理想方案,计算各方案与理想方案的接近度,以此给出了三角模糊数群体多属性决策问题的理想点法.通过实例分析说明了该方法的可行性和有效性.     

基于改进FCM聚类的交通控制时段划分

对传统的模糊c-均值聚类算法进行改进,提出一种基于改进FCM聚类的交通信号控制时段划分方法.首先,引入模糊聚类隶属度基数,对聚类数目自动选取;然后,运用模拟退火遗传混合算法对初始聚类中心进行优化.最后,根据交叉口实际流量数据,进行时段划分,利用仿真软件进行方案效果评价.结果表明,与传统FCM算法相比,文中方法能有效实现控制时段划分,更加符合实际交通特性,且能得到全局最优解.与原有控制方案相比,FCM方案和文中方案都能有效降低车辆平均延误,文中方案效果更明显.