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.     

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.     

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.     

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Vague集理论的冲突分析模型

为了改进Pawlak提出的冲突系统的不足,结合Vague集的优点,给出了基于Vague集的冲突系统.为了确立基于Vague集的冲突系统的联盟,分析了各种基于Vague集的相似度量的不足,在此基础上给出了一种新的基于Vague集的相似度量,同时定义了一个由该相似度量诱导出的冲突函数,新冲突函数可以很好地解释基于Vague集的冲突系统中局中人之间的冲突.根据新冲突函数构造基于Vague集的冲突系统的谈判模型,最后用一个实例说明了新冲突分析模型的合理性.     

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.     

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.     

一种新的基于核函数的Vague集间的相似度量

分析了已有Vague集之间相似度度量方法存在的缺陷. 在此基础上,充分挖掘Vague值中的不确定信息,利用两个Vague值核函数取小、取大的比值给出新的相似度量方法,给出基于动态核函数的Vague值的相似度定义,以及相应的Vague集和Vague元素的相似度定义. 并通过例子说明该方法适用于Vague环境的行为分析问题.     

Vague集的两点注记

指出Vague集等价于i-vfuzzy集,提出Vague集向模糊集的一种转化方法。     

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。     

一个新的基于Vague集的近似推理方法

对于模糊概念(用Vague集表示)的隶属函数为连续的情况,将规则前件中模糊概念的论域与后件中模糊概念的论域作一一映射,给出基于Vague集的隶属函数为连续情况下的近似推理方法;对于Vague集的隶属函数为离散的情况,在作上述相同的映射后,再将规则前件中的Vague集和事实中的Vague集的真/假隶属函数分别进行线性插值,使它们都成为连续函数,然后给出基于Vague集的隶属函数为离散情况下的近似推理方法.     

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。     

对模糊集、Vague集和C*-模糊集的比较研究

模糊集、Vague集和C*-模糊集(新模糊集)都是对经典集合论的扩展,同时又是模糊集合论分支的发展成果。为完善模糊理论体系并将其有效应用,在介绍了三种集合的概念的基础上,分析了它们之间的区别和内在联系并参考与概率论统一定义的C*-模糊集合框架,提出了新Vague关系,使得在处理不确定问题的领域中有了完备的理论基础。最后对三个集合的发展和应用作了一些探讨性研究。     

区间Vague集向Fuzzy集转化的一种新方法及实证分析

结合Vague集理论及一些Vague集向Fuzzy集转化的方法解释,对区间Vague集向Fuzzy集转化的方法进行了研究．结合区间Vague值的加权算术和加权几何集成算子,给出了区间Vague集的隶属度,进而给出了区间Vague值的一种有效的排序方法,并通过实例说明其有效性．     

一种Vague集相似度量新方法及其应用

分析了影响Vague集相似度量的因素,并充分考虑了未知度对Vague集相似度量的影响,提出了一个新的Vague集相似度量方法,证明该方法满足相似度量的基本准则,通过分析影响相似度量的因素,探讨了现有Vague集相似度量方法存在不足之处,与现有相似度量方法比较证明新的相似度量方法能够有效和合理的区分数据,具有一定的优越性,最后在模式识别的应用实例中,给出了该相似度量方法的模式识别应用过程,实验结果表明了该方法的实用性。