基于贝叶斯网络的不确定环境下多属性决策方法

融合贝叶斯网络推理技术来求解不确定多属性决策问题,根据问题的决策变量、环境变量和多个属性之间的依赖关系构造贝叶斯网络,通过推理求解在各个方案下每个属性取值的概率分布,从而把问题转化成风险决策问题.采用此方法求解不确定环境下多属性决策问题时,决策者只需考虑节点与其父节点之间的依赖关系,降低了思考的复杂程度,适用于大规模的复杂问题求解.算例表明基于贝叶斯网络的求解方法对不确定环境下的多属性决策问题是有效的.     

AHP判断矩阵一致性调整的前瞻算法

提出一种AHP判断矩阵调整的前瞻算法。在向前试探（前瞻）一步的基础上，对最矛盾元素朝其最优调整方向进行调整。给出了算法的具体步骤，并用实例演示了算法流程，同时分析了算法的收敛性。前瞻一步，使得算法较已有的其他算法保留了更多的原始判断信息，调整速度更快，并通过对比实验验证了这些优点。     

一种基于集对分析的区间数多属性决策方法

针对属性权重和决策矩阵均为区间数的多属性决策问题,提出了一种基于集对分析的排序方法。通过借鉴集对分析理论把论域三划分的思想,把区间评价值转化成联系数的形式,给出了两个具有直观意义、计算简便的排序准则,并分析其合理性。分析过程中发现,区间数权重向量和区间数决策矩阵的方案评价向量具有不同的自由度,因此需要对它们采用不同的处理方法。最后,通过算例表明算法排序有效。与已有的数学规划等方法相比,该方法计算更为简便,排序准则具有直观的意义。