基于半绝对离差的信贷决策模型

CreditMetrics模型中,利用方差对风险进行度量。风险的方差度量同等对待由于信用等级提高和降低而导致市场价值变化的部分,这有违银行内部对风险的真实心理感受。因此本文首先提出了利用半绝对离差作为新的信用风险度量工具,给出了基于半绝对离差贷款最优投资组合模型,其次引入风险弹性对方差和半绝对离差的贷款最优投资组合模型进行了比较,结果显示半绝对离差模型更能代表商业银行的投资心理,更符合实际的经济意义。     

一种多准则有限方案的决策模型与算法

该文对有限方案利用隶属评价函数确定决策矩阵，再由决策矩阵构造决策生成矩阵秩的并以此作为相对权重阵的估计，进而给出有限方案的优劣次序及评价模型。由于决策生成阵是正反一致阵，由此给出一种较为直观的评价方法，最后给出有限方案的决策算法。     

基于满意度的多准则决策模型及其在员工绩效评价中的应用

针对评价准则权重信息不完全的群体多准则决策问题,首先利用方案满意度模型,对备选方案集中的每一个方案建立以最大化该方案满意度为目标的线性规划模型,得到一组权重向量,然后利用群决策中的相关集结方法将这组权重向量进行集结,得到对每个方案都公平公正的一个权重向量,利用该权重向量和加权平均模型得到方案的综合评价值,从而对方案进行优劣排序.最后,通过员工绩效评价的例子对本文提出的方法进行了说明.     

HULZNs环境下基于语义偏好参数的多准则群决策模型

针对语义分布不平衡环境下的语义偏好和决策信息的复杂性问题,为提高决策的准确性,提出了一个新型不平衡语言尺度函数.它可通过改变语义偏好参数来调节相邻语义之间的偏差,适用于不同的决策环境,并对相关性质进行了证明.在犹豫不确定语言型Z-numbers(hesitant uncertain linguistic Z-numbers,简称HULZNs)的环境下,定义了两个HULZNs之间的距离以及部分运算,建立了优先加权平均运算算子和一种新型多准则群决策模型.最后,对提出的新模型利用实例进行了分析,验证了方法的有效性和可行性.     

基于多准则的多层模糊神经网络学习算法

模糊算子函数丢失信息量过大,并且在某些点不存在导数,由此导致在采用传统的误差平方和准则优化网络参数时,有些参数无法得到调整,而且网络容易陷入局部极小,甚至发散.本文提出了一种基于模糊熵准则和误差平方和准则的多准则多层模糊神经网络学习算法,在一定程度上克服了单准则学习算法的局限性.     

多目标投资决策模型的进化算法

对一般的多目标投资决策问题给出了一种进化算法,并在微机上进行了大量试算,获得了良好的效果。     

基于多准则寻优策略的差分进化算法

在差分进化算法的基础上,提出一种基于多准则寻优策略的改进差分进化算法。该算法可以动态调整变异因子和交叉概率,基于文中提出的多准则寻优策略,通过个体适应度、个体间距离等评价指标判断个体的优劣程度,并且可以降低种群的高密度程度,增强种群多样性。这种判断机制可以有效避免种群过早收敛,易陷入局部最优的风险。通过具体的测试函数对算法进行测试,并与标准差分进化算法进行比较,结果显示算法寻优效果较好,可以较快地得到全局最优解。     

能力约束下多产品物流网络系统决策模型及算法

针对多产品、多制造分厂和多用户的生产-分销系统,研究了产品的生产周期、运输频率以及在分厂之间的经济分配量等问题.将每个分厂的生产能力以及单位产品所需要的生产能力作为约束,以单位时间物流网络的平均总费用最低作为优化目标,建立了决策模型.考虑到模型既非凸也非凹的非线性规划特性,提出了分配启发式算法近似求解模型.采用上述算法和拟牛顿法(quasi-Newton method,QNM)分别对5组不同规模的问题进行了实例计算和比较,结果验证了所提模型的正确性和算法的有效性.     

能力约束下单产品多厂区联合决策模型及算法

针对具有能力约束的制造厂和多用户组成的生产-分销系统,研究了生产和运输能力约束下生产与运输联合决策,决策变量为产品的生产周期、供应商和用户之间的运输频率以及产品的经济分配量,优化目标为最小化供应链的单位时间平均总费用.在建立问题的非线性规划模型后,对模型进行了改进,提出了适合该问题模型的分配启发式算法.采用该算法和拟牛顿法(quasi-Newton method,QNM)分别对不同规模的问题进行了实例计算,结果验证了该模型的正确性和算法的有效性.     

基于多因素指标的多目标决策模型方法及应用

多因素指标的评价问题,是进行多目标正确决策的前提基础.本文采用密切值方法建立了多目标决策评价模型的排序方法,并结合应用实例进行排序,表明该方法结果的正确有效性.     

基于多因素指标的多目标决策模型方法及应用

多因素指标的评价问题,是进行多目标正确决策的前提基础。本文采用密切值方法建立了多目标决策评价模型的排序方法,并结合应用实例进行排序,表明该方法结果的正确有效性.     

基于PAO算子的直觉模糊多准则决策算法

定义了直觉模糊数及其比较规则,提出了直觉模糊数间的PAO算子.针对准则间具有偏好关系且准则权重未知并变化,准则值为直觉模糊数的模糊多准则决策问题,提出了利用PAO算子进行集结的决策方法.该方法通过计算各方案在不同准则下的相对满意指数和相对精度,利用PAO算子获得每个方案的具体准则权重并生成计分函数和精确函数.通过计分函数的比较,得出方案集的排序结果.实例分析表明了该方法的有效性和可行性.     

基于优化模拟退火算法的智能决策模型

决策理论在工业生产、管理决策、安全生产等越来越多的领域得到广泛应用,已经成为越来越多的研究者研究的重要课题。三支决策粗糙集模型作为一个重要的概率型粗糙集模型,在给定损失函数情况下可以导出多种概率型粗糙集模型,针对决策粗糙集模型构建的最优化问题,考虑到决策成本最小化,提出一个优化的模拟退火算法和启发式算法,从而得到代价最小的属性约简集,研究阐明了一种将粗粒度并行优化方法和启发式学习方法结合,解决粗糙集决策优化问题。实验证明提出的模拟退火的优化DTRS模型算法具有良好的有效性,运行时间也短于自适应算法,而且学习到的阈值能够得到较小的决策风险代价。研究揭示了优化表示带来的一些新的见解,对决策粗糙集模型的研究提供了新的思路。     

基于幅度差平方和函数的基音周期提取算法

为了在任意采样率下都可以高效、准确地进行基音周期提取,提出基于归一化幅度差平方和函数的基音周期提取算法。导出高效计算幅度差平方和函数的方法,时间复杂度是O(N lbN),给出该函数的归一化定义。归一化幅度差平方和函数的取值反映语音信号的非周期性程度,由此定义了基音周期的状态损失函数和转移损失函数,从而能在后处理过程中利用V iterb i算法,确定最优的基音周期序列。实验结果表明:与通用基音提取算法相比,在保证实时性的基础上错误率降低了9.31%,证明使用该算法提高了基音周期提取的准确率。     

基于动态多指标灰色关联决策模型的研究

针对动态多指标系统的决策特点，对指标数据初始化处理时，利用“奖优罚劣”原则，提出了一种易于计算且实用的［-1，1］线性变换算子，用此方法寻求各时段的正、负理想方案，建立一种新的基于动态多指标灰色关联分析决策模型，在模型中充分考虑了各指标在系统中的成长特性，将此特性用于灰色关联分析，为动态多目标决策问题提供了一种科学、实用的方法，并利用现有的实例来证实此方法的科学性与可行性。     

基于多Agent的指挥引导智能决策模型研究

以多机协同作战为背景,以拟制协同作战方案为目的,将分布式人工智能理论技术引入到多机协同作战智能辅助决策,构建了基于多Agent的智能决策指挥系统框架,给出了该系统的Agent组成,定义并说明了各Agent的功能以及相互关系、信息运行流程,并分析了该系统的辅助决策过程。     

基于联系数的多属性决策模型

针对权重为区间数且属性值为实数和区间数相混合的多属性决策问题,提出了基于联系数的多属性决策模型.该模型将区间型权重、实数型及区间型属性值转化成联系数的形式,利用联系数的运算规则确定决策方案的排序.该方法集确定与不确定分析为一体,反映了不确定性对结果的影响,所需计算量较少,便于应用.实例分析验证了该方法的有效性和实用性.     

基于Metropolis准则的自适应随机搜索算法研究

随机搜索算法是一种原理极其简单的优化方法,利用搜索方向与步长的随机特性,算法能够逐渐向全局最优解靠近,最终达到优化的目的。但正是因为其搜索的随机性,导致了算法优化效率特别低,计算领域极其有限。针对以上问题,提出了自适应最优化的搜索策略,利用当前最优解的位置及其演化路径,不断调整算法优化搜索的方向与步长,提高搜索的效率,同时引入模拟退火算法中的Metropolis接受准则,使改进后的算法不仅能够接受优化解而且能够接受恶化解,提高算法的全局搜索能力。采用MATLAB编程软件,通过对两个经典测试函数的模拟及其与传统随机算法的对比分析,优化计算的结果证明了本文所提算法具有高效的优化计算能力,可以进一步应用于工程领域的优化设计。     

一种基于多准则的模糊信息融合算法决策

信息融合的目标是结合异构信息以获取复合可对比模式的替代解决方案,因此提出一种基于多准则的模糊信息融合算法决策.该算法结合了计算智能和多准则决策领域的理论概念,首先采用归一化基本模式对归属函数进行标准化操作;其次选择有效数据信息函数值将其组合成聚合函数,然后根据聚合函数建立多准则方式来处理异构信息,最终获得每个候选替代方案的单一评价模式.实验结果表明,基于多准则的模糊信息融合算法能够处理和表示输入数据中涉及的不精确和不确定性,相比于基于模糊规则方法更具适应性.     

基于矩阵分解与随机森林的多准则推荐算法

现今的推荐算法大多忽略用户偏好和项目属性中的多个特征,而是在单一推荐准则的基础上训练模型进行推荐. 基于多准则的推荐算法通过考虑用户偏好的多个方面,可以为用户行为提供更加准确的预测. 酒店是旅游行业中重要的环节,为了提高旅客体验,实现酒店评分预测,提出了基于矩阵分解与随机森林的多准则推荐算法. 该算法分两步实现,通过矩阵分解训练得出用户对物品在各个准则上的评分特征,然后随机森林学习评分特征预测最终评分. 实验结果显示,相较传统算法,基于矩阵分解与随机森林的多准则推荐算法的准确性和实用价值更高.