基于粒子群算法的直觉模糊多目标规划

提出了一种基于粒子群算法的直觉模糊多目标规划.首先利用直觉模糊集与区间模糊集同构的性质分别对目标函数和约束函数的直觉模糊集进行转化,然后利用线性加权的方法处理目标函数和约束函数的优越集,得到一个含有参数的求解模型,并用粒子群算法求解,最后,通过一个算例表明该文的算法的可行性和优越性.     

直觉模糊随机信息系统及其属性约简

信息系统的属性约简是知识发现的核心,将直觉模糊随机变量引入信息系统,定义了直觉模糊随机信息系统．将随机概念推广到直觉模糊模型上,针对直觉模糊随机信息系统的属性约简,给出了直觉模糊随机信息系统下的期望相关关系．基于此关系,讨论直觉模糊随机信息系统属性约简的判定和方法,并通过实际例子分析该法的有效性．     

基于组合权重的犹豫直觉模糊语言灰关联决策方法

为了处理多准则决策中的不确定信息,基于犹豫直觉模糊集和犹豫直觉模糊语言集,提出新的犹豫直觉模糊元素的欧氏距离和犹豫直觉模糊语言元素的欧式距离.利用灰关联方法,并结合组合权重的思想,提出了一种基于组合权重的犹豫直觉模糊语言灰关联决策模型.实例说明该决策方法的合理性和有效性.     

基于新的距离度量的三角模糊数多属性决策法

利用基于区间数的中心、半宽度的距离度量以及三角模糊数的水平集信息,定义了三角模糊数上一个新的距离度量,并证明了该距离满足非负性、对称性和三角不等式性质.进一步,针对三角模糊数上的多属性决策问题,利用该距离度量和模糊理想点思想,给出了一种基于新的距离度量的多属性topsis决策方法.最后,给出应用实例,并验证了该方法的合理性、有效性.     

部分权重信息下的交互式直觉模糊多属性决策方法

在部分权重信息下的直觉模糊环境中,提出了一种交互式多属性决策方法.定义了方案的期望水平、方案达成度、方案综合度等概念.基于这些概念,建立了一些决策者与分析者之间不断交互的线性规划模型.然后在此基础上提出了一种实用的交互式选择最佳方案的方法.该交互式过程通过给定和不断修改方案达成度和综合度来实现人机交互决策,最后给出了应用实例.     

一类组合养老保险模式的智能信息处理模糊模型

以一类组合养老保险模式为背景,初步探讨了其思维决策过程的输入输出信息,简要介绍了涉及的判断型和决策型思维过程,针对抽象思维、形象思维和直觉思维三种思维形式的不同特征,运用各种方法建立起相应的模糊模型:采用模糊逻辑方法建立抽象思维的模糊逻辑推理模型,借助于模式识别的思想来建立形象思维的模糊模式识别模型,运用模糊数来建立基于L-R模糊数的直觉思维的模糊状态方程模型.     

正规直觉模糊子群

本文讨论了直觉模糊子群的一些性质，给出了正规直觉模糊子群的定义，并给出了直觉模糊商群的概念。     

基于直觉模糊和TOPSIS法的网络课程评价

从课程内容、教学设计、界面设计及技术方面建立网络课程评价指标,采用序关系分析法确定各指标权重,利用直觉模糊确定评价指标值,联用TOPSIS算法,构建了网络课程定性与定量相结合的综合评价模型.通过对评价模型实例运算,证明该方法可行有效,且解决了评价中主观模糊信息,评价结果客观科学.     

基于确定性转换的IFTS预测

模糊时间序列预测模型在对不确定数据集的模糊趋势描述和论域划分方面有局限性,对此文中规范了直觉模糊时间序列的定义,应用直觉模糊C均值聚类算法优化论域区间划分,通过加入回溯机制构建确定性转换直觉模糊规则库,在此基础上提出一种直觉模糊时间序列预测方法,较好地反映了不确定系统数据的特征分布,提高了复杂环境下时间序列的预测精度. 通过典型实例验证了该方法的有效性和优越性.     

结合FAHP与模糊COPRAS的机床设备优选方法

针对机床设备的最优选择问题,提出一种结合模糊层次分析(FAHP)法与模糊复杂比例评价(COPRAS)法的优选方法.首先,基于生产需求和专家知识确定机床性能的主要属性和候选机床方案.然后,根据以三角模糊数表示的专家判定,构建各属性间的模糊比较矩阵,并利用FAHP方法获得各属性的重要性权重.接着,构建各属性与备选方案之间模糊决策矩阵,并将其与属性权重相乘获得加权归一化决策矩阵.最后,利用模糊COPRAS方法对决策矩阵进行分析,获得各备选方案的效用度,从而选择出最优备选方案.以铣削机床优选为案例进行分析,结果表明该方法具有可行性和有效性.     

一种区间数多属性决策方法在经济评价中的应用

研究了区间数多属性决策问题．利用区间数运算法则获得加权规范化矩阵．基于投影对TOPSIS法进行改进,通过各方案与理想解的相对贴近度进行方案排序或择优．并将方法应用于经济评价中,提高了决策的准确性和效率．结果表明：算例验证了该方法的可行性和有效性且具有操作简便和易于上机实现的特点．     

一种线性粘弹性网格结构模型的研究

对一类特定网格结构模型的粘弹性问题做了解答.在弹性网格结构模型的基础上提出的粘弹性网络结构模型,与实际结构更为接近;该模型具有其对应的弹性模型的特点,即形式简单,控制方程组合简便,易于在计算机上实现运算.针对线性粘弹性网格结构模型提出了一种有限元分析方法     

面向车联网边缘计算的智能计算迁移研究

为了满足车联网中车载任务所面临的服务迁移时间优化与边缘设备的资源负载优化需求,提出了一种面向车联网边缘计算的智能计算迁移方法（intelligent computingoffloading method,ICOM）.首先构建了车联网边缘计算系统资源模型、执行时间模型、边缘设备负载均衡模型;然后利用非支配排序遗传算法（non-dominant sorting genetic algorithm,NSGA-II）实现了对车载计算任务的迁移时间和边缘设备的负载均衡进行联合优化,从而为车载计算任务找到有效的计算迁移策略;最后根据多目标决策准则（multi-criteria decisionmaking,MCDM）和逼近理想解排序法（technique for order preference by similarity to anideal solution,TOPSIS）选择出最优的计算迁移策略.实验结果表明,ICOM方法能够使车载计算任务在期望时间内完成,同时也保证边缘设备的负载均衡.     

广义Sylvester矩阵方程AX-XF=BY的显式解

给出了广义Sylvester矩阵方程AX-XF=BY当F为任意矩阵时的一种完全的解析通解.该通解由矩阵对(A,B)构成的能控性矩阵,一个对称算子矩阵和矩阵对(Z,F)构成的能观性矩阵组成,这里Z是一个任意的参数矩阵,用来表征该方程的解的自由度.利用著名的Levverrier算法,该解析解的一个等价形式被给出.给出的结果是参考文献[13]的推广,在[13]中F被假设为友矩阵.     

一种基于区间语言判断矩阵的群决策模型

研究了偏好信息为区间语言判断矩阵的群决策问题．创建一个转换公式,将专家个体区间语言判断矩阵转化为区间数互补判断矩阵,并对判断矩阵转换的一致性进行了系统地研究;通过将区间数互补判断矩阵进行加权算术平均集结为专家群组区间数互补判断矩阵,进而利用区间数互补判断矩阵的排序向量方法求出专家群组排序向量,从而实现备选方案的排序和择优．最后通过算例说明了方法的可行性与有效性．     

有限元超收敛研究的新想法

简述了有限元超收敛研究的一种新想法,即在单元正交展开的余项中添加若干待定低次项,使此余项在一个单元上满足更多的正交性条件,并得到所需的超接近于有限元解ｕｈ的逼近函数ｕｌ。由此导出了一些新的超收敛结果。     

基于交互信息的混合特征选择算法

针对传统的特征选择算法只专注于特征间的相关性和冗余性而没有考虑特征之间交互作用的问题,提出一种基于交互信息的混合特征选择（hybrid feature selection based onmutual information,MIHFS）算法,该算法以K-最近邻算法的分类准确率作为衡量所选特征分类性能的评价指标,有效地去除了冗余和不相关的特征,保留了具有交互作用的特征。为了评估该算法的性能,从分类准确率、所选特征数量以及算法稳定性三方面,与最大相关最小冗余、联合互信息等7种特征选择算法在8个数据集上进行了实验比较和分析。实验结果表明：MIHFS算法具有较强的稳定性,不仅有效降低了特征空间的维数,而且在所选特征的分类性能方面明显优于其他特征选择算法。最后将MIHFS算法与灰色关联分析法-逼近理想解的排序技术法相结合并应用到高邮凹陷永安地区戴一段地质评价中,其评价结果准确率为80%,与实际钻探结果基本吻合,具有较高的可靠性,能够有效指导油气地质评价。     

线性方程组的广义逆矩阵解法

线性方程组的逆矩阵解法一般只适用于一般特殊情况,即适用于系数矩阵为方阵的时候,对于一般的线性方程组,可以应用矩阵的广义逆来研究并表示它的解。本文探讨了线性方程组的广义逆矩阵解法。     

基于神经网络的常微分方程数值计算方法

科学与工程应用中常用微分方程来建模,提出了一种基于余弦基神经网格的计算微分方程的新方法,其基本思想是以神经网络的输出来近似初值问题中的解析解.为保证算法的收敛性,提出并证明了神经网络算法的收敛性定理,为神经网络学习率的选择提供了依据.通过实例证明了该算法的有效性.     

一种面向不确定标签样本的K-近邻高效决策算法

基于案例的决策是一种直接依据过去的历史案例对当前案例进行分类或者指标预测的方法,K-近邻方法就是一种广泛应用的基于案例的决策模型。在K-近邻方法中,历史案例上需要有标签,而在现实应用中,标签本身有一定的不确定性.文章详细地讨论了现有的基于K-近邻的决策方法忽略了样本标签不确定性这一问题,并基于Dempster-Shafer证据理论对标签不确定性进行建模以改善预测的性能,在此基础上结合边界树模型提高模型的运行效率.文中介绍了边界树算法的作用与原理,对如何结合传统边界树算法与样本标签的不确定性对边界树算法的节点转移策略以及决策过程进行了优化.文章最后对边界树算法的计算规模与准确率做了详细的实验论证.结果表明,文中提出的方法一方面考虑了标签的不确定性,另一方面提高了传统的K-近邻模型的决策效率.