基于Vague集记分函数的一种构造方法

在分析已有Vague集记分函数的基础上,构造了一种新的Vague集记分函数,该记分函数能有效地刻画不同风险偏好关系,克服了传统记分函数的缺陷与不足.讨论了新构造记分函数的涵义及构造准则.最后,通过实例分析比较了该记分函数的可行性和有效性.     

基于位置子市场划分的房价贝叶斯概率模型

针对方案属性值为Vague值且考虑专家评分可信度的多属性群决策问题,提出了一种基于Vague集模糊熵和D-S证据理论的多属性群决策分析方法。该方法充分考虑各专家给出的Vague值评价信息中所蕴含的模糊性与不确定性,借助模糊熵来获取与专家自身意见相匹配的评分可信度序列,其完全由数据驱动,弥补了传统方法对可信度主观统一设定的不足。首先,基于各专家原始决策矩阵获得各属性下的Vague集模糊熵,以构建与专家集相对应的评分可信度矩阵;其次,对经可信度调整后的各专家决策矩阵使用证据合成进行信息集结,利用Vague集记分函数并经可信度调整得到属性权重;最后,将专家群体集结信息经属性权重加权修正后算出各方案最终的Vague评价值,进而使用记分函数获得各方案综合得分,筛选出最优方案。利用证据理论在不确定信息融合方面的优势和Vague集记分函数的信息转化功能,通过证据合成和记分函数集结专家群体的评价信息,所得出的决策结果更加客观、合理,并通过一个具体算例验证了所提方法的可行性和有效性。     

基于Vague集模糊熵和D-S证据理论的多属性群决策方法

针对方案属性值为Vague值且考虑专家评分可信度的多属性群决策问题,提出了一种基于Vague集模糊熵和D-S证据理论的多属性群决策分析方法。该方法充分考虑各专家给出的Vague值评价信息中所蕴含的模糊性与不确定性,借助模糊熵来获取与专家自身意见相匹配的评分可信度序列,其完全由数据驱动,弥补了传统方法对可信度主观统一设定的不足。首先,基于各专家原始决策矩阵获得各属性下的Vague集模糊熵,以构建与专家集相对应的评分可信度矩阵;其次,对经可信度调整后的各专家决策矩阵使用证据合成进行信息集结,利用Vague集记分函数并经可信度调整得到属性权重;最后,将专家群体集结信息经属性权重加权修正后算出各方案最终的Vague评价值,进而使用记分函数获得各方案综合得分,筛选出最优方案。利用证据理论在不确定信息融合方面的优势和Vague集记分函数的信息转化功能,通过证据合成和记分函数集结专家群体的评价信息,所得出的决策结果更加客观、合理,并通过一个具体算例验证了所提方法的可行性和有效性。     

基于区间值Vague集的多准则模糊决策方法

给出i-v Vague集的含糊度定义,将实数型Vague集群决策的记分函数方法扩展到区间值Vague集上,用实例比较各种记分函数方法的优缺点.然后给出两种改进的记分函数法和加权记分函数法,并通过例子阐明改进方法的有效性和优越性.     

关于Vague集理论中记分函数的分析

分析了Vague集理论中记分函数的内涵、本质及现有几种主要记分函数的优缺点,指出了构造记分函数时应考虑的主要因素.从评价函数的角度提出Vague值的期望的概念,从风险的角度看待未知信息,提出风险厌恶型和风险追求型两类记分函数的概念.给出一种风险厌恶型记分函数的具体形式并讨论其性质,通过实例对比说明该记分函数能够体现出决策者的决策偏好并保持决策方法的一致性.     

TOPSIS方法在Vague集中的应用

研究属性值和权重皆为Vague值形式的逼近理想解的排序方法(TOPSIS). 根据Vague集的加法和乘法对属性值加权;根据记分函数确定理想解和负理想解;定义Vague集上的Hausdorff测度,据此度量各方案与理想解和负理想解的距离,在此基础上提出了属性值和权重同时表示赞成度和反对度的Vague集TOPSIS方法,并通过实际算例验证该方法的有效性.     

Vague集的一个新记分函数

指出Vague集现有记分函数的不足,提出一个新的记分函数,并用算例说明该函数的有效性.     

基于Vague集的加权模糊多属性决策方法

应用Vague集方法处理模糊多属性决策问题,提出了两种最优方案选择方法:加权记分函数法和加权距离法.这些方法具有简洁直观、应用方便等特点.最后进行了实例分析,结果表明,这些都是可行且有效的多属性决策方法.     

基于Vague集的医疗诊断系统

讨论了Vague集的基本概念;介绍了一种基于Vague集理论的医疗诊断系统的设计实现方法,该方法中采用Vague集的核函数与精确函数来解决基于Vague集的模糊决策问题,由于Vague集可以同时表示“支持”,“反对”和“不确定”的信息,这使得在采用Vague集的医疗诊断系统中得到的推理结论更符合实际情况,最后通过一个实际医疗诊断例子论证了该方法的正确性。     

基于Vague集的多目标模糊决策方法

指出了采用Vague集进行多目标模糊决策的现有计分函数的不足;根据Vague集的性质提出了一种新的计分函数;该计分函数和Vasgue集所具有的“投标模型”属性是完全一致的,并将其扩展到加权的形式,从而使该方法具有更好的通用性,所得结果也更符合人的直觉。     

DEA模型在含有Vague集的模糊多属性决策中的应用

现实中的不确定性处处存在,因此对模糊多属性决策问题的研究是十分必要的。Vague集同时考虑了隶属与非隶属两方面的信息,较全面地反映了决策方案和评价属性之间的相关性。当决策者无法给出对各属性的偏好时,就较难确定各属性的权重,这样就无法姣好地解决模糊多属性决策问题。由于利用DEA评价模型不需要提前给定各属性的权重值。因此为了更好地对决策方案进行评价,本文将DEA模型与Vague集相结合．利用DEA—C^2R模型给出了解决含有Vague集的模糊多属性决策问题的一种评价方法。     

Vague集方案优选规则在高校图书馆员综合素质评价中的应用

Vague集理论是模糊数学的一种推广。介绍了Vague集的基本概念,阐述了Vague集之间的转化公式、相似度量及方案优选规则,通过应用实例分析,阐明了Vague集方案优选规则在图书馆员综合素质评价中的可行性和合理性。     

Vague集、模糊集和粗糙集的内在联系及其转化

研究了Vague集、模糊集与粗糙集之间的内在联系和互相转化．证明了：对于给定的粗糙集，可以在它的幂集上定义一个伴随的Vague集（模糊集）；反过来，给定的一个Vague集（模糊集），可以定义它伴随的粗糙集．另一方面，在一个粗糙集系统给定的两个等价关系之间，可以定义它们的相对Vague集（模糊集）；同一个论域上的两个不同的Vague集（模糊集）可以定义它们的相对粗糙集，从而利用粗糙集方法研究它们之间的相对关系．     

基于优势关系下的区间值Vague集扩充模型及应用

针对区间值信息系统,提出了区间值Vague集信息系统。进而定义了基于α-优势关系的扩充了Vague集模型,并结合区间值Vague集给出了优势概率。最后,实例验证了该方法的有效性。     

半群上的Vague粗糙性

基于一般二元关系下的粗糙Vague集,定义了半群上的Vague同余关系,给出了Vague集在Vague关系下的上、下近似,并研究了这个半群上Vague粗糙性.     

Vague集之间相似度量的分析与研究

分析了现有的5种Vague集(值)之间相似度量的方法,指出这些度量方法不能准确刻画Vague集(值)之间相似度量的本质,导致了错误的推论.通过确定2个Vague值之间精确相似度存在的最小区间,得到一种新的度量方法--最小区间法.该方法不仅具有较好的特征和度量效果,而且为匹配算法的改进提供了数学基础.