不完全偏好下的极大无存在定理及其应用

首先提出了不完全偏好的概念，发现了不完全偏好与半序之间的关系，然后，将这种关系和拓扑学中的一些原理相结合，并利用Zom引理得到了许多不完全偏好下的极大元存在定理,推广了Brezis-Browder序集一般原理，作为应用，证明了在半序集中取值的紧距离空间上的拟连续函数必有广义极小值，这个结果是著名的Weierstrass定理的改进。     

不完全偏好意义下的极大元定理及其应用

由Brezis和Browder得到的非线性泛函分析序集一般原理及其推广已经被广泛应用到许多科学领域。然而，上述定理中的序集必须要求满足反对称性，而在理论数学、应用数学，特别是在经济学等许多领域中，一些序结构并不满足反对称性。为解决上述问题，我们首先提出了不要求反对称性的不完全偏好，在此基础上我们获得了许多不完全偏好意义下的极大元定理。作为应用，我们改进了由Brezis和Browder得到的非线性泛函分析序集一般原理及其许多推广，并给出了一个最小值定理，此定理推广了Weierstrass定理。     

不完全偏好下的极大元定理及其应用

首先提出并论证了一个Zom引理的等价定理,然后利用该定理,在不完全偏好意义下获得了若干极大元定理．统一和改进了若干已知结果,例如著名的Brezis—Browder序集一般原理及其推广等。     

半序空间非连续增算子的不动点定理及应用

在半序空间X中证明了具A=CB型增算子的某些新的不动点定理.本文完全没有使用对算子A的连续性和对锥性质的假设.只要求第二空间是半序拓扑空间,B(D)是相对紧集,所得结果推广了近期相关结论.     

格序偏好结构的链化

基于格序偏好结构的研究,证明了格序决策方案集中的同层不可比关系是等价关系,提出了将具有格序结构的决策方案集按层分类,该方案集在等价类间的优劣关系下构成了一个链结构,即偏好结构链化,使格序结构向全序或非对称弱序结构转化.     

完全信息多目标博弈均衡解的存在性

通过给出字典序均衡解、 偏好均衡解及合作均衡解的概念, 建立完全信息多目标博弈模型, 研究多目标博弈系统解的存在性, 并论证了偏好均衡解的性质及偏好均衡解与合作均衡解的关系.     

富足p序半群与右弱完全右p序半群的结构

研究了富足p序半群的结构,给出了这类序半群结构定理.定义了右弱完全右p序半群.研究了这种序半群的重要性质,并给出这种序半群的结构分解定理.     

半格序完全正则周期半群

通过研究半格序完全正则周期半群,证明了半格序完全正则周期半群的乘法导出一定是正则纯正密码群。运用偏序关系,给出了半格序完全正则周期半群是半格序正则带和分配格的等价刻画。     

基于半半序关系的集值不完备信息系统的属性约简

将粗糙集模型扩展后应用于属性值为集合值的不完备信息系统,并由属性值集合间的关系导出集值不完备信息系统下的半半序关系,提出基于这种二元关系的可辨识属性矩阵构造方法,研究了集值不完备信息系统的属性约简方法,并给出属性约简判定定理,从而为不完备信息系统的处理提供了一种新的思路和方法.     

n维半E-预不变凸模糊数值函数及其应用

利用Goetschel-Voxman定义的序关系,讨论了n维半E-预不变凸模糊数值函数的若干判定定理.特别地,给出了n维半E-预不变凸模糊数值函数的刻画定理,最后讨论了一类模糊数学规划问题的局部最优解和全局最优解存在的条件.     

基于残缺互补判断矩阵的多指标决策方法

针对具有残缺互补判断矩阵形式方案偏好信息的多指标决策问题,提出了一种决策分析方法.对具有残缺互补判断矩阵的多指标决策问题进行了描述.依据残缺互补判断矩阵和决策矩阵,构建了求解指标权重的最优化模型.采用拉格朗日乘数法求解该模型,得到每个指标的权重值,进而计算出每个方案的综合评价值,从而可得到所有方案的排序结果.最后,通过给出一个算例说明了该方法的可行性和实用性.     

基于不同直觉偏好结构的多属性决策方法

研究了属性值为实数、且决策者对属性的偏好信息以直觉判断矩阵或残缺直觉判断形式给出的直觉模糊多属性决策问题.首先介绍了直觉判断矩阵、一致性直觉判断矩阵、残缺直觉判断矩阵、一致性残缺直觉判断矩阵等概念,然后分别建立了基于直觉判断矩阵和基于残缺直觉判断矩阵的多属性决策模型,并且建立了基于直觉判断矩阵和残缺直觉判断矩阵的多属性群决策模型,进而给出了基于不同直觉偏好结构的多属性决策方法.该方法无需对不同偏好结构进行一致化处理,可直接通过求解模型得到最优权重向量,因而避免了一致化所导致的决策信息的失真和丢失.最后应用上述方法对江苏省企业技术创新能力进行了评估.     

基于限制优势关系的集对粗糙决策分析模型

在不完备偏好信息系统中,目前已有多种扩充,如基于扩展优势关系、基于广义扩展优势关系、基于限制优势关系等扩充,但这些扩充都存在各自的局限性。针对这些局限性,本文采用集对分析方法,定义集对 近似限制优势关系概念,提出一种基于限制优势关系的集对粗糙决策分析模型。这种模型是基于限制优势关系的集对粗糙决策分析模型的扩充和改进。该模型通过近似程度 的调节和控制,保证这种限制优势关系划分的准确性,同时更具灵活性,更适合处理大型不完备偏好信息系统。     

基于相似关系的不完备形式背景属性约简

研究不完备形式背景的属性约简问题。通过比较对象间属性值的一致性, 定义了对象集上的一个相似关系, 进而定义了基于相似关系的粗糙近似算子, 利用目标集的粗糙集近似, 可以提取语义明确的决策规则。基于不完备形式背景中相似关系给出一种属性约简的概念, 研究了属性约简的判定定理, 给出了三类属性的特征刻画。 最后, 利用对象间的辨识属性, 给出了一种属性约简的方法, 并举例说明了方法的可行性。     

偏好关系的对偶性

建立了基本二元关系以及偏好关系的对偶理论．引入并讨论了二元关系之间的基本性质以及偏好关系之间的一些性质的对偶性．建立了基本二元关系以及偏好关系的各种性质之间的蕴涵式．定义了一些新的序关系，并对各种偏序关系所满足的基本性质给出了完整的刻划．     

区间乘性偏好关系相容度分析

首先给出了两个区间乘性偏好关系之间的相容度概念,然后提出了区间乘性偏好关系之间的相容性指标。证明了若某一区间乘性偏好关系与一组区间乘性偏好关系中的每一个均具有可接受的相容度,则这个区间乘性偏好关系与一组区间乘性偏好关系的集成关系仍具有可接受相容度。     

Semiparametric Preference Learning

Unlike traditional supervised learning problems,preference learning learns from data available in the form of pairwise preference relations between instances.Existing preference learning methods are either parametric or nonparametric in nature.We propose in this paper a semiparametric preference learning model,abbreviated as SPPL,with the aim of combining the strengths of the parametric and nonparametric approaches.SPPL uses multiple Gaussian processes which are linearly coupled to determine the preference relations between instances.SPPL is more powerful than previous models while keeping the computational complexity low （linear in the number of distinct instances）.We devise an efficient algorithm for model learning.Empirical studies have been conducted on two real-world data sets showing that SPPL outperforms related preference learning methods.     

不确定语言多属性决策的心态指标方法

研究了已知部分属性权重信息,方案属性值和偏好值均为不确定语言的多属性决策问题.首先,通过引入心态指标,将不确定语言决策矩阵和方案偏好值转化为带有心态指标的语言决策矩阵和偏好值.其次,通过最小化方案综合属性值与偏好值之间总偏差,建立并求解一个规划模型得到属性权重,然后利用方案综合属性值对方案进行排序和择优.当决策者处于不同心态时,可以通过调节其心态指标进行决策,因而使得决策更加符合实际.最后,给出了一个算例说明了该方法.