不确定多指标决策问题的相对相似关系法研究

针对指标权重未知的不确定多指标决策问题,从描述区间数的相似性程度出发,提出了一种全新的区间数相对相似度和决策方案相对相似度定义,给出了区间数相对相似关系理论并得到了一些相关结果;然后在通过相对相似度对决策指标权重进行度量的基础上,采用备选决策方案在决策方案集中的总体相对相似度值大小选取最优对象并排序,以此给出了不确定多指标决策问题的相对相似关系法.通过算例分析了该算法和离差最大化算法的相异,说明了该算法的适用性和合理性.     

基于软集理论驱动的毕业生推荐系统研究

网络技术的发展为毕业生与企业之间的顺利沟通提供了支持,但大多数招聘或推荐平台依然是各自"表演"的模式,缺乏有效对接.面向毕业生与企业的直接需求、核心需求,在软集理论驱动的基础上,构建一个智能的、支持决策的毕业生推荐平台.该平台允许用户自主设置属性及属性排序,对推荐结果进行优劣排序,使得推荐结果更加客观全面,符合大学生及企业的需求.最后实验表明该方法具有较高的性能.     

城市道路环境中驾驶人应激判断决策的时间特性

针对驾驶人在城市道路环境中的应激判断决策时间进行了虚拟驾驶试验,统计了不同被试的判断决策时间,分析了该时间与驾驶经验、年龄、车速之间的相关性.结果表明,熟练驾驶人的判断决策时间要略大于非熟练驾驶人,且属中年人最为稳定.应激决策时间随着车辆速度的增加,而逐渐减小.此外,应激决策反应时间可以通过驾驶人的驾驶经验、年龄以及行车速度来综合进行预测.     

校园一卡通系统决策支持实例分析

校园一卡通系统积累海量数据,这些数据怎么为各个部门提供决策依据,在哪些方面可以使学校日常管理更加科学有序,使决策的制定更加合理有效,成为值得我们探讨的课题.本文以学校后勤、人事等部门的需求出发,以就餐人数、月均消费情况和洗浴情况三组数据分析实例为主,阐述一卡通系统数据如何支撑学校决策.     

空间绳牵引并联机器人多目标优化设计

以6自由度空间绳牵引并联机器人工作空间体积、最小索力和全局灵巧度为优化目标,在保证绳索张力范围的前提下建立了多目标优化的数学优化模型.采用神经网络-遗传算法求得优化的3组满意解,并采用灰色聚类法选择多目标优化时的权重系数.仿真结果表明该优化方法可以有效地实现结构的优化,为同类绳牵引并联机器人的设计提供了有益的参考.     

城市干道绿波协调控制系统交通评价方法

为判别城市干道绿波协调控制系统的优劣性,考虑绿波系统交通通行规律,提出绿波的不均匀度、通行比例、可达性、车队通行率、出行时间和单车平均延误等效率评价指标.然后通过交通冲突分析,以跟驰车辆速度差作为同向追尾冲突和直右合流冲突等安全评价指标.在此基础上,提出绿波协调控制系统灰色关联评价方法.最后以某干道沿线交叉口为例,对基于数解法的3个绿波协调控制方案进行评价.评价结果表明,第2方案为最优方案,对应最大灰色关联度为0.733,此时数解法的初定带速与理想间距范围较为合理.可见通过构建绿波系统评价体系,提出的干道绿波协调控制系统交通评价方法有助于绿波控制技术的优选与改善.     

建设智能云数据服务平台让高校大数据“说话”:提升学校核心竞争力

高校信息化建设发展到以数据服务为核心的阶段,怎样挖掘出隐藏在大数据中的重要信息并利用这些信息更好地为师生提供服务是各个高校必须面对的问题,本文对此进行了分析并提出了一些思考.针对这些思考,提出了智能云数据服务平台的解决方案,阐述了平台的建设目标、建设原则与建设内容,探讨了平台使用的整体架构和安全体系,描述了建设过程中可能会遇到的问题并提出解决方案.最后对平台建设的预期效果进行了评估.     

基于二元决策图的共因失效系统Birnbaum重要度计算

在传统Birnbaum重要度理论及其计算方法基础上,提出了针对系统受共因失效影响情况下的共因失效故障树扩展方法和共因失效决策建模方法.以提高共因失效系统Birnbaum重要度计算效率为目标,借助二元决策图,对二态共因失效系统重要度计算模型进行构建,给出了模型的相关算法,并以算法验证模型及算法的有效性.     

基于层次分析法的青年人购房模型

为了解决青年人购房时难以决策的问题,根据所在城市情况,以首付款基本相同的楼盘为研究对象,应用层次分析法得到了购买商品住房的数学模型,从而用定量的方法解决了青年人购房决策问题.     

基于模糊决策的不完整数据分类算法

中医药领域不完整的数据普遍存在,而数据的不完整很大程度地降低分类模型的学习效果。大多数已有的处理不完整数据的分类算法只关注在其学习阶段处理不完整数据,而对于不完整数据出现在分类阶段则不能处理或效果不好。文章提出一种新的分类算法用于处理不完整数据的分类问题。首先给出一个新的用于处理不完整数据的决策树算法,并针对传统的Boosting算法在迭代过程中使用确定性决策方法而没有充分考虑到数据集中的不完整数据,进一步提出改进的Boosting算法,在迭代过程中对每一个假设使用模糊决策方法,权重的更新机制是增加错误分类样本的权重和减少正确分类样本的权重,最终使用加权投票的方式得出最优的分类结果。最后,通过两组实验证明提出的算法策略在处理不完整数据问题时的优越性。