不完全信息条件下的装备保障网络抗毁性模型

基于复杂网络理论,在对装备保障网络进行复杂网络描述的基础上,努力挖掘装备保障网络所面临威胁的特点,重点建立了不完全信息条件下的装备保障网络一般性攻击策略模型,同时给出了装备保障网络抗毁性测度的计算方法,并对基于流介数的网络节点重要度计算方法以及网络抗毁度进行了定义,由此构建了装备保障网络的抗毁性模型.研究结果表明:信息指数比攻击力度指数对装备保障网络抗毁性的影响程度要大,反映了信息化条件下获得制信息权的重要性;对装备保障网络的了解达到一定程度之后就能达到比较理想的攻击效果,而不需要对系统进行完全了解.     

基于不等概率抽样的不完全信息条件下复杂网络抗毁性模型

为了填补随机失效与故意攻击之间的空白,将复杂网络攻击信息的获取抽象成无放回的不等概率抽样问题,建立了不完全信息条件下的复杂网络抗毁性模型.其中网络攻击信息可以通过信息广度参数和信息精度参数调节控制,随机失效或故意攻击是该模型的两个特例.利用母函数方法解析推导出了任意度分布广义随机网络在随机不完全信息和优先不完全信息条件下的两个重要抗毁性度量参数——临界移除比例和巨组元规模,得到的解析结果可以分析和预测不完全信息条件下复杂网络的抗毁性.以无标度网络为例对一般攻击信息参数组合进行了仿真分析,发现随机隐藏少量节点信息将大幅度提高复杂网络的抗毁性,获取少量重要节点的信息可以大幅度降低复杂网络的抗毁性.     

不完全信息下的封闭投标机制极小极大后悔策略分析

运用极小极大后悔原则的思想研究了不完全信息的封闭投标机制，给出一唯一的极小极大后悔投标策略，在此基础上，研究了其效率问题，分别给出了存在事务有效，相对事后有效和事后无效的极小极大后悔投资策略进行了充要条件；探讨了它与Ｂａｙｅｓｉａｎ－Ｎａｓｈ平衡点集间的关系，从效率的角度将它们作了比较，发现在多数情形下Ｂａｙｅｓｉａｎ－Ｎａｓｈ平衡点优越于极小极大后悔投标策略。     

基于不完全信息博弈的关联基础设施网络保护策略研究

攻击的智能性和基础设施网络间关联的复杂性为制定关键基础设施保护策略带来了巨大挑战.基于此,本文以社区关联基础设施网络为对象,探讨了在攻击和保护资源有限的一般情形下,求解最佳保护策略的模型和有效算法.首先,根据城市社区关联基础设施网络间的关联关系,构建了关联基础设施网络物理模型;其次,基于网络最大流思想,设计了“最大流综合指数”来表征多个关联基础设施网络的工作绩效.然后,基于保护策略公开和攻击者总是选择最佳的攻击方式破坏关联基础设施网络的博弈场景,构建了用于求解不完全信息下“攻击资源不确定-保护资源有限”的关联基础设施网络保护策略求解模型.进一步,设计了计算单向依赖关联基础设施网络遭受攻击后的最终失效组件计算方法,并提出求解关联网络最佳防守-攻击策略的probabilistic solution discovery algorithm (PSDA)算法.该方法被应用到一个代表性算例当中,以验证算法的有效性和解释模型的应用.     

不完全信息下的粗集拓展

在复杂的决策环境下，不完全信息是不可避免的，在此情况一，专家往往也能给出满意的决策，因此从不完全的案例中提取有用的模式，用于增强智能系统的知识库，是具有实际意义的，粗集是处理不确定信息的有效方法，但它通常适用于完全决策者，论文对粗集理论在不完全信息下进行了初步的拓展，这给从不完全决策表中挖掘知识提供了理论基础。     

不完全信息下的封闭投标机制研究

本文在相互依存的两点分布假设下研究了一种常用的协商机制－封闭投标机制，把它构造成一个不完全信息的非合作对策模型。在此基础上，给出了Ｂａｙｅｓｉａｎ－Ｎａｓｈ平衡点的完全刻划，按其实现的效率把平衡点集分类，深入地研究了它们的存在性、效率及相互关系。最后，研究了先验信念分布的变化对平衡点集的影响，证明Ｂａｙｅｓｉａｎ－Ｎａｓｈ平衡点集对整个先验分布类具有上半连续性，仅对于一个较小的先验分布类具有下半连     

一种语言评价信息不完全的多属性群决策方法

针对语言评价信息不完全的多属性群决策问题,以D-S(Dempster-Shafer)证据理论为基础,指出了已有研究在焦元识别的方法及相应焦元语言评价信息量化上存在的问题.同时提出了一种基于D-S证据理论的改进方法,该方法重新进行焦元识别、计算基本可信度分配,然后进行证据合成,并根据信度函数做出决策.该方法具有评价结论稳定、决策规则简单的特点.     

对方案有偏好的不完全信息下的决策分析模型

研究了一类属性权重和边际效用以线性不等式形式表示,且方案的偏好信息以模糊偏好关系给出的多属性决策问题。在定义偏离度的基础上,构造了一个确定属性权重和边际效用的非线性规划模型,通过引入新变量将它转化为线性规划问题,并依据求解结果确定最优方案,从而使决策结果既能反应客观信息又能体现决策者的主观偏好。最后,通过它在ERP系统选择问题中的应用说明了该方法的可行性。     

不完全信息的多属性决策问题的方案排序法

针对不完全信息条件下的多属性决策问题建立一种模型，基于此模型提出方案排序的算法，且从理论上证明它的合理性。数值例子验证了该算法的有效性。     

不完全信息下交通网络的关键路径问题

在交通运输中．车辆总是选择最短路径行驶。然而因各种突发事件（交通事故、自然灾害等）造成道路中断的现象普遍存在．车辆在行驶的过程中并不具有道路中断的完全信息．只有行进到中断处时才获得道路中断的信息．此时原来的最短路径就很可能失去其最优性．从而增加交通运输的成本。为了解决这一问题．本文提出了不完全信息下交通网络的关键路径问题．给出了相应的求解算法．并分析了其时间复杂性。然后结合实际交通网络给出算例．最后指出这对提高交通运输的效率更具有实际意义。     

基于专家信任网络的不完全信息武器选择决策

现代战争的发展必须统筹考虑多种类型装备发展与规划.武器装备建设方案的顶层设计大多都属于多属性群决策问题.如果采用传统的犹豫模糊方法,在专家权重未知和决策信息缺失的情况下,单纯依靠悲观或者乐观原则扩充元素,则忽略了专家的综合意见,对专家的评估的完整性造成了破坏,另外,专家权重依靠人为给定,可能存在一定主观偏差.基于以上原因,本文提出了一种不完全信息条件下基于专家信任网络的多属性群决策方法.与传统的犹豫模糊方法相比,提出的专家信任网络的概念,规范了专家权重的计算过程,并且综合各个专家的评估意见,进一步计算专家评估矩阵中的缺失值.本文以武器方案选择为例,完善了基于专家信任网络的犹豫模糊决策方法,证明了该方法的有效性,并分析了特定情况下的专家信任网络对最终决策结果的影响.     

不完全信息下的群体决策仿真

为研究互联网个体交互,描述网络舆论演化与群体意见形成,建立了人员个性不完全信息博弈的策略选择模型,并对其进行了仿真和分析．根据网络交互的信息不对称性,提出了基于个体自信程度的不完全信息的支付矩阵,并使用海萨尼转换分析了博弈的贝叶斯纳什均衡;进一步地引入了个体记忆,通过交互进程更新了个体对邻居个性的认识．仿真结果表明,在不完全信息环境下,系统收敛时间更短,信息传播更快．研究内容有助于理解网络事件更易产生一致意见的演化规律,为网络舆论的引导策略提供参考和借鉴．     

基于遗传算法的不完备信息系统属性约简方法

提出了一种基于遗传算法的属性相对约简算法。通过在不完备信息系统中引入决策属性支持度的概念,来描述由条件属性所提供的知识对整体决策的支持程度,以此作为启发式信息求出相对核,并将相对核加入遗传算法的初始种群中以加快算法的收敛。同时,在适应值函数中引入惩罚函数,可以保证所求约简既含较少的属性又有较强的支持度,能够获得最佳的搜索效果。该算法通过实例分析,证明是求解属性约简问题的快速有效方法。     

基于复杂网络的作战体系网络建模与优化研究

作战体系是研究信息化战争体系建模和体系对抗的基础,分析了信息化条件下作战体系的网络特性与形成机理,从静态隶属连接和动态交互连接出发建立了反映真实作战体系特性的网络描述模型,以增加网络收益和减小网络成本为优化目标,提出了一种作战体系网络连接优化控制方法,对比仿真分析了网络结构和动态特性对作战体系整体效能的影响规律,仿真结果验证了网络模型和优化方法的有效性,可为作战体系建模深入研究和体系结构整体优化提供理论指导。     

不完备信息下生态补偿中主客体的两阶段动态博弈

由于环境问题的突出和经济发展的不平衡, 对环境质量要求较高的区域(补偿方)就会对环境质量较差的区域(被补偿方)提供一定的援助, 期望被补偿方改善环境质量. 但是由于环境资源能够给其带来收益以及策略性获取更多补偿金额动机的存在, 就会导致许多的补偿项目不会取得预期的效果甚至失败. 从动态博弈的角度出发, 首先建立了完全信息下补偿方和被补偿方的静态贝叶斯博弈模型, 分析了博弈双方在完全信息下的占优策略选择; 然后假设被补偿方执行环境政策和标准的力度(分为强硬型和软弱型)为其私有信息, 建立了不完全信息下两阶段动态博弈模型, 分析了两个区域的策略选择以及不完全信息如何影响补偿大小和环境质量.     

信息不完全确定的PROMETHEE方法及应用

提出一种信息不完全确定的PROMETHEE方法,该方法根据偏好指数和优序关系,利用决策者对训练集的排序和准则权系数的不完全确定信息等构建非线性规划模型,然后将非线性规划模型转换成线性规划模型,求解线性规划,得到训练集中方案在各准则值的偏好函数值和准则权系数,通过线性插值或样条插值得到决策方案在各准则值的偏好函数值,进而得到方案集中每一方案的偏好指数,按优序关系进行排序,得到方案集的一个部分或整体排序,最后实例说明该方法的有效性和可行性。