TOPSIS法在连续方案多目标决策中的应用

TOPSIS法的提出是为了解决有限方案的多目标决策问题。本文根据TOPSIS法的基本思想,探讨其在连续方案多目标决策中的推广应用;并提出了具体的应用途径与力法。文中,通过构造密切度C,求得与理想点最近而与负理想点最远的解,即协调解。文中还提出了以负理想点和各属性的非劣极点为顶点的多面体与可行域的交R′的概念,它的应用可以大大缩减搜索空间,从而大大节省计算工作量。     

多目标决策方案排队法的矩阵算法

对多目标决策分析中基于相对位置估计的方案排队法，给出了一种矩阵算法．该方法简便、实用。     

船型方案优选的多目标群决策方法

利用与粒子群优化（PSO）算法相结合的多方案、多目标群决策方法对多种船型方案进行了决策优选. 首先在利用加权距离保证决策结果一致性的单方案、多目标决策方法的基础上,提出一种新的多方案、多目标群决策方法,然后引入 PSO方法对个体评价值进行迭代调整,使决策结果既能保持各位专家的初始偏好,又使各位利益相关者的意见具有良好的一致性. 将此决策方法引入船舶初步设计阶段的船型方案决策过程,分析确定船舶初步设计的重点属性指标及其权重,根据主尺度约束均匀生成系列船型方案,然后邀请多位专家进行评价决策,最终获得了船舶最佳主尺度决策结果. 该方法具有较高的可靠度,并为船舶主尺度方案优选提供了一种简便、高效的新方法.     

基于多目标决策的空调冷热源方案优化

以长沙某一食堂建筑为例,对空调系统的冷热源系统的6种可能方案形式进行了全面的技术经济分析和比较,以初投资、运行费用、维护管理、可靠性、适用性、安全性等为评价指标,建立了评估决策模型,进行了多目标决策,进行优序,提出了适宜的系统方案.研究表明:多目标决策技术容易理解,计算简单,使用灵活,为空调冷热源方案选择提供了一种有效的定量分析方法,可辅助工程师对备选方案进行综合分析、评比并作出决策,增强了决策的客观性、科学性.     

城市轨道交通线路方案多目标决策应用分析

本文将层次分析法用于解决在多因素条件下确定轨道交通线路最优方案问题进行了探讨。运用多目标决策分析原理,对定性指标和定量指标进行标准化处理,构造判断矩阵,建立城市轨道线路方案优选模型。最后结合具体实例进行研究,效果较好。     

基于多目标粒子群算法与TOPSIS的射孔方案优选研究

射孔完井是油气井的主要完井方式之一,在世界范围内得到了广泛的应用。它涉及孔径、孔密、相位、孔深、压实伤害等多种参数,不同的射孔参数对射孔效益有不同的影响,为了能够获得理想的射孔效果,需要对射孔参数进行优化设计。为此,利用多目标粒子群算法(MOPSO),结合TOPSIS算法对射孔参数进行优化,建立一种射孔方案的优选模型。仿真实验表明该优选模型的有效性,为科学地进行射孔设计、提高油气井产能提供了依据。     

熵权多目标决策法在边坡施工方案决策中的应用

随着社会的发展边坡工程越来越多,边坡施工中选择合理的方案是决策者面临的一个问题。首先阐述熵的概念,介绍修正的熵权,在此基础上结合工程实际情况构造边坡施工方案的多目标决策模型,进而选出合理的施工方案。实际施工方案评估结果表明,提出的方法能为工程施工方案的决策提供有力依据。     

基于Pareto最优的概念结构方案多目标决策方法

介绍了一种由概念设计结构方案选择的多目标决策方法．该方法根据多目标Pareto最优原理，将sPareto边界定义为一种设计方案集的Pareto边界，直接反映了各方案间的折衷，从而可剔除支配方案，保留竞争方案，并利用最小sPareto解集量化竞争方案性能，实现了方案的定量评价．在此基础上，通过设定不同的偏好区域，以交互方式研究设计解空间，从而可辅助设计者做出满意的方案决策．     

加权多目标决策优序法

在考虑各个目标相对重要性的基础上,这篇文章对于需要多个选好解的多目标决策问题给出了一种优序法。     

基于决策者风险态度的导流方案多目标决策研究

以导流方案优选为核心,在效用理论的基础上考虑决策者的风险态度,建立导流系统标准的效用损失函数,在导流系统标准期望效用损失均衡原则的指导下,合理分配施工导流系统风险,制定导流方案,运用多目标决策理论,建立基于决策者风险态度的导流方案多目标决策模型.实例分析表明,该决策模型是有效的,可以较好地解决导流方案的多目标决策问题.     

一种稳态淘汰多目标演化算法

近年来，多目标优化问题求解已成为演化计算的一个重要研究方向。而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点。多目标演化算法的研究目标是使算法种群决速收敛并均匀分布于问题的非劣最优域。介绍了多目标优化的概念，在比较分析了目前较成功的多目标演化算法的基础上，提出了一种新的解决数值优化问题的稳态淘汰演化算法。     

A Multi-objective optimal evolutionary algorithm based on tree-ranking

Multi-objective optimal evolutionary algorithms (MOEAs) are a kind of new effective algorithms to solve Multi-objective optimal problem (MOP). Because ranking, a method which is used by most MOEAs to solve MOP, has some shortcomings, in this paper, we proposed a new method using tree structure to express the relationship of solutions. Experiments prove that the method can reach the Pare-to front, retain the diversity of the population, and use less time. Foundation item: Supported by the National Natural Science Foundation of China(60073043, 70071042, 60133010) Biography: Shi Chuan( 1978-), male, Master candidate, research direction; intellective computation, evolutionary computation.     

基于决策空间划分模型的多目标进化算法

为有效利用决定空间中的信息、提高收敛速度与准确度,提出了基于决策空间划分模型的多目标进化算法.该算法将决策空间划分成多个子决策空间并在每个子决策空间内映射出一个超球体,运用某一多目标进化算法完成超球体内个体的1轮次进化,基于粒子群优化算法的粒子移动机制实现超球体间的信息共享、引导超球体质心向最优解集方向移动.对8个测试问题的实验结果表明:基于决策空间划分模型的多目标进化算法在收敛精度和收敛稳定性方面比FastPGA,MOCell,NSGA-Ⅱ和SPEA2算法表现出更好的性能.     

Dynamic Multi-objective Optimization of Chemical Processes Using Modified Bare- Bones MOPSO Algorithm

Dynamic multi-objective optimization is a complex and dimcult research topic of process systems engineering. In this paper. a modified multi-objective bare-bones particle swarm optimization （ MOBBPSO） algorithm is proposed tbat takes advantage of a few parameters of bare-bones algorithm. To avoid premature convergence. Gaussian mutation is introduced; and an adaptive sampling distribution strategy is also used to improve the exploratory capability. Moreover. a circular crowded sorting approach is adopted to improve the uniformity of the population distribution. Finally. by combining the algorithm with control vector parameterization. an approach is proposed to solve the dynamic optimization problems of chemical processes. It is proved that the new algorithm performs better compared with other classic multiobjective optimization algorithms through the results of solving three dynamic optimization problems.     

逼近理想解的模糊物元方案优选分析方法

针对多目标问题目标体系的不可公度性和目标间的矛盾性,充分考虑到单指标评价时指标的模糊性及各指标间的不相容性,在模糊物元分析的基础上,结合优选理论中的逼近于理想解的排序法,对多目标问题的优选进行了探讨。结果表明,该方法优选结果与现场实际相吻合,且本方法矩阵化、表格化,整齐规范,利于在计算机上操作,可用于实际中多目标问题的优选决策分析。     

两连杆桁架设计的多目标优化算法

针对两连杆桁架的多目标最优化设计问题,提出一种利用遗传算法和模糊理论来求解多目标优化问题的Pareto最优解算法,并通过实验进行验证;讨论遗传算法和模糊理论产生Pareto最优解的差异.结果显示:通过遗传算法配合近似分析的方法可以更有效率地寻找到更多的Pareto最优解.     

基于知识的管理决策优化方法研究

简单勾画出了决策分析发展的历程,并从决策的概念及其优化方法入手,对基于知识的智能模拟优化决策方法和基于知识的优化决策方法的研究进展概况进行了综述,重点介绍了基于知识的管理决策优化方法研究情况。作者认为实施定性分析和定量分析相结合的基于知识的决策优化方法,势必将成为目前管理决策的主要途径。     

大规模多目标进化优化算法研究进展

现实中存在许多大规模多目标优化问题（Large-scale Multi-objective Optimization Problem,LSMOP）,它们对传统的多目标进化算法（Multi-objective Evolutionary Algorithm,MOEA）提出了挑战,有关LSMOP的研究已成为多目标优化领域的研究热点之一。本文系统分析了近年来提出的各种大规模多目标进化优化算法（Large-scale Multi-objective Optimization Evolutionary Algorithm,LSMOEA）,根据这些算法的主要思想和技术特点将它们粗略地分成4种类型,即基于协同进化（Cooperative Coevolution,CC）、基于决策变量分析、基于问题重构以及其他方法,并对今后LSMOP的研究方向提出建议,以期将LSMOP的研究引向深入。