基于水平效应函数的模糊指派求解模型

结合模糊信息结构特征,提出了水平效应函数L(λ)的概念,建立了从整体上集中量化模糊数位置的、具有广泛可操作性的IL-度量方法及IL-度量在水平效应函数L(λ)下的IDθ-不确定度,进而通过引进的零型模糊数推广了著名的匈牙利算法。最后通过一个算例验证了算法的有效性。并在此基础上,利用模糊信息的IDθ-不确定度分析了指派决策的可靠性程度。该讨论为某种意识下的不确定型决策奠定了理论基础,具有较强的可操作性。     

基于复合量化策略的模糊指派求解模型和方法

针对模糊指派问题在求解方法上的欠缺,首先从模糊信息的结构特征出发,提出了描述模糊性处理意识的水平效应函数概念,建立了一种具有广泛指导意义的从整体上集中刻画模糊信息的一般模式,并给出了集中量化值的不确定性度量方法;进而建立了一类可反映决策意识的模糊指派求解模型,并结合指派问题和遗传算法的特点,给出了利用遗传算法求解模糊指派问题的具体实施策略和方法(简记为GAFAP);最后,通过Markov链理论和具体实例分析了算法的收敛性能,结果表明,该求解模型可以简捷而有效地将不确定处理意识融入决策过程中,其求解算法GAFAP具有良好的收敛性能和较高的计算效率.     

基于效用误差的变精度粗糙集的逼近性能研究

变精度粗糙集是数据决策问题中的一种常用的数据处理工具，如何选择粗糙精度、获得逼近效果最佳的上（下）近似集是设计数据处理方法的核心问题。文章首先以数据处理过程中必须面对的“错找到”与“未找到”两种偏差的作用价值不同为背景，构建了一种包容偏差价值的效用误差度量模式（简记为UE），讨论了UE的基本性质，其次以单个集合为目标集分别讨论了其变精度上、下近似集的逼近性能，从而给出了基于UE的最佳上（下）近似集的具体形式以及最佳粗糙精度的取值范围，最后结合具体算例进一步分析了最佳上（下）近似集的特征。理论推导和算例分析表明，UE具有良好的可解释性与可行性，最佳上（下）近似集与粗糙精度的相关结果可以为构建包容偏差价值的数据处理方法提供理论支撑，同时为考虑不同集合间综合逼近性能奠定基础，因此该研究具有广泛的应用前景。     

拟线性模糊数及其在模糊规划问题中的应用

从模糊信息的结构特征和模糊决策的本质特征出发,提出了拟线性模糊数的概念, 讨论了拟线性模糊数的运算特征和逼近性质,建立了基于度量和不确定性限制的模糊方程组的求解模型(简记为FESM--M+U);进而以拟线性模糊数和主成分操作策略为基础,给出了一类遗传算法(简记为FGA--QL+PO); 最后,结合Markov链理论和具体实例,从不同的层面分析了FGA--QL+PO的收敛性能. 结果表明,FGA--QL+PO不仅可以有效地处理决策意识,而且具有良好的全局收敛稳定性, 适应于各种形式的模糊方程组,具有广泛的应用前景.     

两阶段遗传算法的结构及性能分析

针对基本遗传算法(简称BGA)常常存在局部收敛以及收敛解精度不高等方面的不足,提出了一种改进的算法——两阶段遗传算法,给出了算法的结构及具体的实施策略,进而利用Mark-ov链理论和仿真技术分析了该算法的收敛性能,结果表明该算法具有操作简单、鲁棒性强等特点,不仅可以有效地避免寻优过程中的“早熟”现象,而且在很大程度上能提高最优解精度,适合于大规模、高精度的优化问题。