基于正交试验设计的区间数立体决策方法

为了减少决策信息损失,针对区间数决策问题,提出了一种立体决策方法。将m维区间数决策向量看作具有2m个顶点的超矩形。利用Ls(2m)正交表在超矩形上均匀、分散地选取s个顶点代表该超矩形,再根据不同超矩形对应顶点之间的相对熵度量超矩形之间的差异,最后利用各决策方案同理想解的贴近度进行决策方案排序。实例验证表明该文方法有效、可行。由于选取了多个多维实数点代表区间数决策向量,在丰富了决策信息的同时也增加了计算量。     

核Fisher判别分析多参数自动优化算法

针对智能优化算法原理复杂,相关参数设置困难的缺点,尝试利用拟牛顿法对核Fisher判别分析多个核参数进行自动优化。根据经验风险最小准则构建目标函数。为保证目标函数连续且可导,通过连续的sigmoid函数将离散的二进制输出转化为连续的概率输出。利用正交表选取初始核参数点。实验结果表明,所提算法具有同遗传算法相近的分类性能,且收敛速度快,原理简单,可以很好地应用于核Fisher判别分析多个核参数优化。     

基于马田系统与TOPSIS的区间数多属性决策方法

针对区间数多属性决策问题,提出了一种利用马田系统处理区间数决策向量信息、利用TOPSIS法对区间数决策向量进行排序的方法. 该方法将决策方案的区间数决策向量看作是多维属性空间中的超长方体,利用2水平正交表在该超长方体上均匀、分散地进行布点,并组成布点集来代表该决策方案;利用马氏距离测度决策方案布点集中的布点到正负理想方案布点集的距离;利用信噪比定义决策方案与正理想方案的贴近度.给出了详细的决策步骤.最后通过实例同其他方法进行了对比分析,结果表明本方法可行、有效.     

基于马田系统和φs转换的模糊积分多属性决策方法

在实际决策问题中,决策属性间往往存在一定的交互作用,而传统决策方法并不能有效处理。针对这种情况提出了一种基于马田系统（Mahalanobis-Taguchi system, MTS）和φs转换的模糊积分多属性决策方法。该方法针对φs转换法利用属性权重确定λ模糊测度存在的问题,提出利用Shapley值代替属性权重来确定λ模糊测度,同时提出了一种基于马田系统的Shapley值测度方法,并给出了合理性分析。最后通过实例分析了不同交互度对决策结果的敏感性,并验证了利用Shapley值确定的λ模糊测度更有利于决策。     

基于Lasso稳健马田系统的相对贫困识别方法

2020年后我国扶贫工作重点将转向解决相对贫困问题,然而解决相对贫困的前提和基础是识别相对贫困.由于相对贫困数据具有“高噪性、不平衡性、相对性、多维性”等特点,现有的单一收入维度的贫困识别方法难以适用,因此提出构建一种基于Lasso稳健马田系统(Lasso-based robust Mahalanobis-Taguchi system,Lasso-RMTS)的相对贫困识别方法.该方法通过Lasso、稳健马氏距离和马田系统三方法融合,使得不仅可以对“不平衡性”和“比较性”的贫困数据进行识别,还可以对“高噪性”和“多维性”的相对贫困数据进行降维、降噪.同时,将稳健马氏距离转换为脱贫指数(poverty alleviation index,PAI),可以更加直观地反映相对贫困程度.实例数据验证表明,Lasso-RMTS识别相对贫困的精准度高于马田系统和其他传统分类方法.