交互式多智能体进化算法及其应用

将多智能体技术应用于交互式进化计算领域，提出一种新的交互式多智能体进化算法。该方法让固定在网格上的相邻智能体之间展开竞争和熏优智能体本身的自学习，来提高智能体的能量，从而使得算法获得较强的全局收敛能力和局部搜索能力。算法以较快的进化速度收敛，并且用户每次只需要选择2个左右最感兴趣的个体，使得评价具有易操作性和轻松性，从而有效缓解用户的疲劳。服装设计的仿真实验证了算法的可行性和有效性。     

Dempster-Shafer合成法则悖论的一种消除方法

首先介绍了证据理论及其有关概念和 Dempster-Shafer 合成法则,针对 Dempster-Shafer 合成法则有时可能会产生悖论这一情况,分析了证据理论合成公式悖论产生的原因,并在此基础上提出了一种消除 Dempster-Shafer 证据理论合成悖论的方法;最后用几个实例证明这种方法是有效可靠的.     

基于对数期望-熵模型的证券组合投资研究

由于证券是一种连续投资,算术平均收益率并不能完全反映投资的收益情况,而几何平均期望收益率才能反映连续投资的实际收益。文章建立了对数期望-熵模型来度量投资的风险,并以沪市证券市场进行实证研究,利用该模型选出适当数量的股票进行优化组合。     

基于混合型评价矩阵的多属性群决策方法

本文针对具有语言型、直觉模糊数和区间直觉模糊数三种评价信息的混合型多属性群决策问题, 提出一种基于属性权重和专家权重均未知的决策方法. 首先, 定义新的转换函数, 可将不同粒度的语言评价信息统一成区间直觉模糊数; 然后, 基于支持度确定未知属性权重, 并在综合考虑区间直觉模糊数熵值和相似度的基础上, 建立了一种新的专家权重确定模型; 在将混合型决策矩阵转换成区间直觉模糊决策矩阵后, 利用IIFWA算子依次集结个体决策矩阵, 从而得出方案集的排序. 最后, 应用在ERP选优问题中, 验证了方法的有效性.     

混合属性数据聚类初始点选择的改进

k-prototypes和模糊k-prototypes是处理数值属性和分类属性混合数据主要的聚类算法。但这两种聚类算法不足之处是对初值有明显的依赖。对初值选取方法进行了分析和研究,提出一种新的改进方法,可在一定程度上减少随机性。实际数据集仿真结果表明改进算法有更高的稳定性和较强的伸缩性。     

基于三角函数的遗传算法选择算子

遗传算法的选择算子对算法的早熟收敛及算法性能有重要的影响。为避免算法早熟收敛和提高算法性能,提出基于三角函数的选择算子,分析基于三角函数选择算子的可行性,并通过实验比较基于三角函数的选择算子与其他选择算子的性能。实验表明,三角选择算子能有效地避免早熟和提高算法性能。     

应当明确界定“正当的个人利益”的内涵

集体主义道德观一直把保护正当的个人利益作为其核心原则之一。然而在现实生活中 ,这种对个人正当利益的保护并没有真正落到实处。其主要原因是对究竟“什么是正当的个人利益”缺乏明确的可操作性的道德标准。应当把“正当的个人利益”明确界定为“合法的个人利益” ,这样界定有五条理由。     

基于压缩决策表的乐观多粒度粗糙集粒度约简算法

粒度约简是多粒度粗糙集研究的一个关键问题。为了从乐观多粒度粗糙集的角度研究粒度约简问题,消除冗余数据,提高粒度约简的效率,提出基于压缩决策表的乐观多粒度粗糙集粒度约简算法。针对乐观多粒度粗糙集模型,引入下近似分布粒度约简的概念;利用线性时间排序算法进行等价类划分,为决策表的压缩和下近似集的计算打下基础;以冗余的决策表为研究对象,以核粒度为初始粒度约简集,以粒度重要性为启发式信息,运用粒度约简算法进行粒度约简,并通过实例分析和实验验证了该算法的有效性。结果表明,算法降低了计算下近似集的时间复杂度,具有较高的粒度约简效率。     

隐性目标决策问题的IDSS结构模型研究

研究一类复杂的隐性目标决策问题,它具有“决策目标难以完全数量化、结构化表示”、“决策者的偏好随决策分析进行而改变”、“决策问题常常具有NP难性质”等特征,并对问题的求解方法进行了讨论。基于交互式进化计算,建立处理该类决策问题的IDSS结构模型,讨论了各个模块的处理功能;最后以产品创新设计系统验证所提出模型的合理性。