群决策共识过程的优化及其在农产品滞销中的应用

群决策在重大事件中起着越来越重要的作用.如何优化决策过程并使专家们的意见达成共识是当前的热点问题.为了更有效的帮助人们使用群决策方法解决现实问题,运用犹豫模糊语言偏好关系,基于距离测度和相似度构建一种新的群决策方法.首先,介绍了语言术语集和犹豫模糊语言偏好关系的相关概念;其次,提出共识性测度及群共识性指数改进算法,在此算法和集结算子的基础上,构建群决策模型;最后,利用农产品滞销案例验证该模型的合理性和有效性.     

支持向量回归多参数的同时调节

参数调节问题是支持向量回归的基本问题.已有的参数调节方法主要采用内外双层优化框架,调节过程中,训练学习器与更新超参数交替进行.这种嵌套结构具有较高的计算复杂性.针对这一问题,提出了支持向量回归多参数的同时调节模型.首先,将Lagrange乘子、惩罚因子、不敏感度参数和核函数参数合并为一个参数向量,推导出支持向量回归问题的一个新的表示形式,可将原来分离的双层调节过程整合为一个单层调节过程.然后,应用贯序无约束极小化技术(SUMT),将支持向量回归问题转化为多元无约束优化问题.在此基础上,应用变尺度方法(VMM)设计、分析并实现了一个同时调节算法.最后,通过标准数据集上的实验,验证了同时调节算法的收敛性,并比较了同时调节算法与常用调节算法的有效性和计算效率.理论分析与实验结果表明,同时调节模型是一正确且有效的多参数调节模型.     

基于信任评估模型的PBFT共识算法

实用拜占庭容错(Practical Byzantine Fault Tolerance,PBFT)共识算法是确保区块链等分布式系统达成一致性的重要算法，但其仍难以应用到节点数量规模较大的网络环境，且共识过程中主节点的错误选取会导致系统通信资源的浪费。针对以上问题，文章提出基于信任评估模型的PBFT共识算法(Trust-based Practical Byzantine Fault Tolerance,T-PBFT)，首先采用聚类的方法对系统中的共识节点进行分组共识，降低通信复杂度；然后根据网络中节点历史行为进行信任度评估，选取可靠的节点作为共识小组中的主节点；组内实现共识后，再进行组间共识，确保系统中共识节点存储的数据信息达成一致。所提出的改进算法能够更好地应用于大规模区块链网络系统，并能够选择更可靠的主节点。通过仿真实验和分析得出，改进算法通信复杂度小于原算法的O(N²)，系统的吞吐量与原算法相比最高增加了17%，共识时间节省了25%。     

刑罚变更执行共识算法研究

区块链技术为刑罚变更执行数据的真实可信提供支撑,并实现各主体间的互信和高效协同.对权威证明共识算法(proof of authority, PoA)存在的制约因素进行分析并提出一种改进的动态加权权威证明算法(dynamic weighted proof of authority, DWPoA),进行刑罚变更执行提请共识.构建联盟链,基于Tangle结构提出一种链上共识算法,进行刑罚变更执行主体间的链上共识;基于(t,n)门限签名提出一种分布式预言机链下共识算法进行链上、链下共识,并对带宽占用率和共识时长进行仿真实验,分布式预言机链下共识算法更具优势.     

大型舰船主尺度方案生成及优选

基于多目标混沌差分进化算法(CDEMO)与直觉模糊多属性群决策(IFMAGDM)对大型舰船主尺度方案生成及优选进行了研究.建立了主尺度方案评价指标体系,以客观属性指标为优化目标建立优化模型,采用CDEMO对模型进行求解,生成了Pareto最优方案集.引入IFMAGDM模型对方案进行优选,针对群决策一致性修正问题,引入最大调整程度的概念对迭代算法进行改进,使一致性修正既简便高效又符合专家初始偏好.通过实例研究验证了一致性修正方法具有很高的可靠性,所提出的方案生成及优选方法具有很高的实用性,为大型舰船初步设计提供了一种简便、高效的新方法.
     

互补判断矩阵排序的广义χ2法

基于完全一致性互补判断矩阵的定义，以及互反判断矩阵与互补判断矩阵完全一致性定义之间的转换公式，证明了若干定理，提出了互补判断矩阵排序的广义χ^2方法。研究了它的一些优良性质，如：强条件下保序性等，给出了一个简洁的收敛性迭代算法，并把上述结论推广到群体决策中，人们在实际应用过程中，可根据不同的决策问题，适当地选取算法中的参数α，以便作出合理的决策，最后给出了一个算例。     

不完全信息下基于证据推理的多属性决策方法研究

针对不完全信息下多属性群体决策中存在的问题,提出一种基于证据推理的多属性群体决策方法。该方法首先应用灰色白化权函数将定量属性定性化,然后针对不同专家知识背景的不同,构建基于属性的专家赋权方法,用证据推理方法将不完全信息下的多个专家的意见进行集结,并应用效用理论对方案进行排序择优。最后通过一个算例验证该方法的有效性和可行性。     

基于梯形模糊数的多维偏好群决策模型

在假设属性指标都是梯形模糊数的状态下，针对模糊多属性群体决策问题，对原多维偏好分析线性规划法进行改进，利用模糊理想解法和广义加权距离，定义群一致度和群不一致度，建立了基于梯形模糊数的多属性多维偏好群体决策模型。最后给出一个模型应用及求解计算的实际例子，算例结果证明了模型的合理性和有效性。     

多维度Web服务安全性评估

安全性已经成为Web服务质量的重要指标。通过增加Web服务安全评估中心扩展现有基本Web服务架构提出一个新的模型,并基于安全属性SoS(security of service)和用户偏好对Web服务进行安全性评估。结果表明,该模型能根据用户偏好修改安全属性的权重,并在提高服务选择的准确度和可用性方面都有较好的效果。     

专家赋权与群体排序向量的迭代集结方法

对于备选方案集为有限集的群体决策,排序向量是决策成员(也称专家)对备选方案的偏好顺序及偏好强度的判断,用归一化非负向量表示.以决策群体中专家对方案的排序向量的算术平均值为群体的初始排序向量,基于专家排序向量与群体初始排序向量的欧氏距离,本文提出一种对专家赋权和集结群体排序向量的迭代方法,经过算例及计算机模拟,迭代过程快速收敛;该方法体现了群体(或多数)优先的原则,并能有效降低个体偏见或缺失对群体决策的不利影响.     

基于用户安全属性偏好的Web服务评估

以基于用户安全属性偏好的Web服务安全综合评估为研究目标,在传统Web服务体系架构基础上进行功能扩展,设计出了一个Web服务安全评估模型,研究并提出了一种服务安全评估方法.使用标准值策略结合多属性决策Topsis算法进行综合评估;采用对候选服务进行协议分析、漏洞检测等方式收集数据,并把Web服务提前进行过滤筛选,按数据的类型进行量化,计算用户的安全属性偏好权重,将经过量化后的服务安全属性值按照Topsis算法进行选择.对该方法进行了相关实验验证,结果表明该方法能较好选择出满足用户安全属性偏好需求的Web服务.     

关于专家群体决策共识度的研究

本文在群体决策中把专家评分视为某正态总体的取值,根据正态分布的3σ原则给出了一种聚类分析方法以区别不同的总体;最后给出了群体决策的新的共识度的概念和一种计算方法,并举例说明新方法的应用.     

对方案有偏好的基于期望值的多属性决策法

目的研究权重信息完全未知情形下的模糊多属性决策问题。方法通过引入基于负理想点下和基于正理想点下的期望值决策矩阵概念，结合决策者的偏好信息，对方案进行排序。结果算例表明所给出的算法是有效的。结论对于属性值以区间数的形式给出，而对方案的偏好信息以三角模糊数的形式给出的多属性决策问题，该方法是有效的。     

不确定语言多属性决策的心态指标方法

研究了已知部分属性权重信息,方案属性值和偏好值均为不确定语言的多属性决策问题.首先,通过引入心态指标,将不确定语言决策矩阵和方案偏好值转化为带有心态指标的语言决策矩阵和偏好值.其次,通过最小化方案综合属性值与偏好值之间总偏差,建立并求解一个规划模型得到属性权重,然后利用方案综合属性值对方案进行排序和择优.当决策者处于不同心态时,可以通过调节其心态指标进行决策,因而使得决策更加符合实际.最后,给出了一个算例说明了该方法.     

一种面向区块链的优化PBFT共识算法

区块链技术具有去中心化,数据不可篡改和数据透明等特点,使得该技术的应用领域不断扩展,但目前应用于区块链系统的共识算法存在着资源浪费和共识效率较低等问题,限制了区块链技术的发展.针对此问题,基于实用拜占庭容错算法(Practical Byzantine Fault Tolerance,PBFT),算法的基本思想,提出了一种优化的共识算法.该算法引入积分机制,根据节点积分挑选参与共识的节点,以降低网络中的通信开销;在不存在拜占庭节点的情况下,优化PBFT算法的一致性协议;引入升降级机制,动态更新参与共识的节点集合,以保证算法在大部分时间内都执行优化一致性协议.实验结果表明:与PBFT算法相比,本文提出的共识算法将共识过程的时间复杂度从O(N~2)下降到O(N),有效降低了网络中的通信开销,平均时延从55ms降到37ms,平均吞吐量从342TPS提升到677TPS.     

基于MQPSO优化的属性约简方法

变异量子粒子群算法(MQPSO)通过在量子粒子群算法(QPSO)中引入变异机制,增加了全局搜索能力,避免陷入局部最优。在粗糙集理论和MQPSO算法基础上,提出了基于MQPSO优化的决策表属性约简方法,并在算法实现中提出了迭代记录策略,改进了算法中的耗时计算部分,降低了算法的时间复杂度。     

融合隐式信任与属性偏好的群组推荐算法

随着互联网和推荐系统的不断发展，推荐服务的对象由单一用户扩展为群组成员，获取并融合组内成员的偏好、提升群组推荐效果成为当前推荐领域研究的热点问题.利用用户提供的多属性评分矩阵，提出一种融合隐式信任与属性偏好的群组推荐算法.首先，基于用户共同评分项目数和多属性评分相似度计算用户间的直接隐式信任，并利用信任传递机制获取用户间的间接信任，降低数据稀疏性.然后，通过计算用户各属性评分与总体评分间的距离来挖掘用户的属性偏好，在此基础上，利用注意力机制学习组内用户权重，将用户偏好聚合为群组偏好，进而结合深度学习框架对候选项目进行预测，生成最终的推荐列表.最后，四个数据集上的实验验证了提出的算法的有效性和可行性，实验结果表明，该算法的准确率、nDCG等评价指标明显优于对比算法.     

基于蚁群优化的属性约减方法研究

属性约减是粗糙集理论中一个重要研究方向,且求得信息系统的极小属性约减集(属性个数最少的约减集)是一个NP-完全问题。为此,本文提出一种基于蚁群优化的属性约减方法,可以在多项式级时间复杂度的情况下尽可能地减去冗余属性,得到属性约减集甚至是极小属性约减集。     

一种基于多属性评分的协同过滤算法

协同过滤算法是个性化推荐领域中使用最为广泛的算法,传统协同过滤算法是基于全部属性评分对项目进行推荐,而用户在项目选择或对项目满意度评价时主要关注项目的关键属性,因此传统协同过滤算法的推荐准确度和个性化服务水平不高.针对此问题,提出了一种基于多属性评分的协同过滤算法,文中算法通过获取用户对项目多个属性的评分,以准确描述用户的个性化偏好,再通过信息熵来对用户的历史属性评分变化幅度进行计算,同时对用户的属性评分相似性计算,从而对项目进行综合推荐.最后,经实验分析验证了所提算法切实可行.用户的历史属性评分反映了用户之前的评分习惯和对项目属性的个性化偏好,基于多属性评分的协同过滤推荐不仅能够提高推荐准确度,而且在一定程度上解决了数据稀疏问题.     

不确定信息环境下多属性决策方法的研究进展

多属性决策在经济、社会和工程等领域有着广泛的应用.由于决策系统的结构复杂性和对外界环境的开放性,传统的实数型信息很难刻画系统的特征,有必要研究不确定信息环境下多属性决策模型和方法.论文对近十余年来研究的几种不确定信息及其信息集成算子,多属性决策的赋权方法和决策技术,若干偏好关系一致性的概念、不一致性调整的算法、偏好关系的排序方法和共识性模型等问题进行了综述,并对未来的研究进行了展望.