基于区间数群决策矩阵的专家权重确定方法及其算法实现

针对专家偏好信息为区间数群决策矩阵的多属性群决策问题,提出了一种专家权重确定方法并利用自适应迭代算法实现。首先,给出了区间数和专家群决策矩阵的定义。然后,使用加权几何系数法计算专家综合权重,并通过比较专家个体与专家群体决策矩阵的偏差距离计算出专家的客观权重,经过多次迭代后得到稳定的专家客观权重与专家综合权重。最后,实例验证了该算法的可行性与有效性。     

多属性群决策中权重自适应调整的方法

在已知专家和属性主观权重的基础上,提出了一种多属性群决策中权重自适应调整的方法。该方法根据专家个体决策与群体决策之间的偏离程度计算专家权重并用熵权系数法计算属性的权重,以新的权重重新计算出专家个体决策与群体决策,并以此对权重做进一步调整。重复以上步骤,直至计算出稳定的综合权重和决策结果。给出算例说明了该方法的可行性。     

一种自适应粒子群优化算法及其仿真研究

分析了粒子群优化(PSO)算法易于发生早熟收敛的原因。在此基础上提出的自适应粒子群优化(APSO)算法根据群体早熟收敛程度和个体适应值自适应地调整粒子的惯性权重,使群体在进化过程中始终保持惯性权重的多样性,在算法的全局收敛性和收敛速度之间做了一个很好的折衷。对两个经典函数仿真的结果表明APSO算法能够有效地避免PSO算法的早熟收敛问题,而且具有较快的收敛速度。     

一种自适应粒子群算法

基于对不同粒子群算法(PSO)中惯性权重、全局收敛性、收敛精度和速度的分析,提出了一种新的全局最优值自适应变化的粒子群算法(LAPSO).并采用该方法对三种不同的基准函数进行了测试,将LAPSO测试结果与典型的收敛粒子群算法(LKPSO)和扩散粒子群算法(LWPSO)进行了比较.结果表明:自适应粒子群算法具有收敛速度快、进化精度高的特点,是一种新型全局收敛粒子群算法.     

剔除无效决策的灰色群决策方法

对灰色群决策问题进行了研究,提出了一种可以对无效决策进行甄别与剔除的灰色群决策模型。首先,使用强“奖优罚劣”算子对决策信息进行标准化处理,通过构建优化模型并使用拉格朗日函数得到指标权重;然后,通过确定所有方案中的理想最高评价,以及各决策者评价与最高评价间距离,构建对无效决策进行甄别的模型;最后,对剔除无效决策后决策问题中的决策者权重进行调整,并使用灰靶模型对方案进行决策。应用实例说明了决策方法的合理性和算法的有效性。     

一种基于多属性群决策的需求优先级排序方法

将多属性群决策方法应用到需求优先级排序中,提出了一种自适应调整的需求评价方法.将基于价值的需求工程理论和自适应方法学集成到需求优先级排序过程中,选取需求的重要性、风险和实现成本作为评价属性,在各专家主观决策的基础上,以个体决策结果和群体决策结果的偏离程度作为调整的依据,对个体决策结果进行调整,进而得到新的群体决策结果.给出算例说明了该方法的可行性.     

改进的PSO算法及其在软测量建模中的应用

通过大量仿真实验,考察了粒子群算法(PSo)中粒子平均速度和算法收敛性之间的关系,提出了一种基于粒子速度反馈信息的自适应调整权重策略,同时在搜索过程中引入混沌序列.给出的收敛性分析证明,该算法可以以概率1收敛到全局最优解.对经典函数的测试计算表明,改进后的PSO算法较好地解决了基本粒子群算法中易陷入局部最优的缺点,在稳定性和收敛精度上均优于普通的PSO算法.改进的粒子群算法被用于优化神经网络的结构和参数,并将基于改进算法的神经网络用于4cBA软测量建模中.实际应用表明,与基于其它智能算法的神经网络相比,该网络不仅有较高的泛化性能,而且有更快的学习速度和较好的实时性.     

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.     

基于MAPSO算法的小波神经网络训练方法研究

为提高小波神经网络(Wavelet Neural Network,WNN)的建模质量,针对标准粒子群(Particle Swarm Optimization,PSO)算法优化WNN存在的早熟和局部收敛问题,提出一种基于多粒子信息共享(Multi-particle information share)和自适应惯性权重(Adaptive inertia weight)策略的PSO方法(MAPSO)用于WNN训练。多粒子信息共享采用多粒子信息来修正各粒子下一次的行动策略,以降低粒子陷入局部最优的可能性;惯性权重自适应调整根据群体早熟收敛程度,按个体适应度自适应调整惯性权重,以使陷入局部最优粒子跳出。同时,给出了算法实现的基本流程。仿真结果表明MAPSO算法既具有PSO算法的简捷性,又能够提高WNN学习速度和精度及全局搜索能力,是小波网络的有效训练方法。     

一种基于判断矩阵信息的多属性群决策方法

对于多属性群决策中的属性和专家赋权问题,鉴于专家对于属性的权重信息和专家的权重信息完全蕴涵在专家给出的判断矩阵中,故应该充分挖掘判断矩阵的特征信息进行赋权.基于这种思想,提出了基于判断矩阵信息的多属性群决策方法,这种客观赋权法结构清晰、计算简便,而且还可以避免应用主观赋权时出现的对专家的主观评判与专家实际决策行为不一致的现象.算例验证证明,该方法具有合理性和有效性.