带有奖惩作用的多指标动态综合评价方法及其应用

针对多指标动态奖励或惩罚的评价问题，提出运用修正因子和修正函数对多指标进行纵向与横向修正的多指标动态综合评价修正方法，得到带有奖惩作用的评价结果.首先，根据修正评价值的变化情况制定出相应的变化系数，然后得到被评价对象及其指标在整体中的表现情况，进一步，可根据变化系数大小设置“奖惩比例”和“绩效薪酬”的调整因子.最后，用一个算例验证了方法的有效性.该方法更适用于人才甄别、绩效评价等多指标时序动态的实际复杂问题.     

基于协商视角的密度算子及其应用

针对群体评价中专家信息的集结问题，从利益相关者协商的视角对密度算子进行拓展并将其用于解决该问题.协商的基本思想是使协商值与单个协商参与者(或利益集团)给出的协商信息偏差最小.在此基础上，基于密度算子信息集结的过程，结合着组内和组间信息的特征，分别给出了组内和组间协商的两种模型，以此实现信息的集结.最后，通过一个算例对该方法的应用进行了说明.该方法的研究可进一步完善密度算子的理论体系并拓展其实际应用范围.     

标度选择对综合评价结果的影响及合理性分析

针对使用不同的标度会导致综合评价结果不一致的现象(即"多标度评价结论非一致现象"),在对几种数字标度与自然语言逻辑之间的关系进行对照之后,以序关系分析法(G1-法)为基础,分两个阶段对标度选择的合理性进行了详细分析。并在第一阶段的初步分析中,给出了合理与否的传递一致性检验准则,在第二阶段详细分析中,给出了合理程度的偏差性判断准则,分析结果表明10/10~18/2标度合理程度最高,从而为评价者正确地选择合理标度提供了一种新的思路。     

无量纲化方法的选取原则

采用不同的无量纲化方法进行评价数据预处理时,会得到不同评价结果,以拉开档次法为例,分析了选取无量纲化方法的原则。构建了选取无量纲化方法的3个原则,即变异性、差异性和稳定性原则;选用数值仿真方法对3条原则进行了分析;最后,得出线性比例法是适合于拉开档次法的最佳无量纲化方法的结论。该研究思路可推广至其他综合评价方法选取适用的无量纲化方法的相关研究。     

基于多源密度信息集结算子的组合评价方法

基于密度加权平均（density weighted averaging, DWA）中间算子的集结性质,构建了面向组合评价的DWA For ce算子,该算子对用于“组合评价”的“甄别奖惩”思想进行了方法性的拓展,可通过参数的控制对“甄别奖惩”的程度进行无限级的调节。DWAFor ce算子具有适合组合评价问题的多种优良性质,并能对点数据或向量数据进行处理,同时具备了组合优化评价值或序值的集结结构。最后用一个算例验证了DWAFor ce算子的有效性及一些新颖的特征。     

基于密度算子的多阶段群体评价方法及应用

从密度算子的角度研究了多阶段群体评价信息的集结问题,并比较分析了各集结途径的评价结果.首先基于评价者判断的离散程度及与群体判断的接近程度,给出了一种评价者权重的确定方法,并基于时间度的概念,给出了阶段权重向量的确定方法.在此基础上,基于密度算子对评价信息进行多途径集结,同时考虑了同一时段和不同时段评价信息分布的疏密程度.最后,通过一个算例对多阶段群体评价信息集结方法的应用进行了说明,并对评价结果进行了比较分析.     

一种动态综合评价方法及应用

将有序加权算子(OWA)及其相关算子推广到时序数据集结的方法中,提出了时序加权平均(TOWA)算子和时序几何平均(TOWGA)算子两种新的算子,并应用于动态综合评价方法中.同时介绍了TOWA和TOWGA算子加权向量(即时间权向量)的确定方法.最后,将该方法用于评价西部12省市在国家实施"西部大开发"战略后6年的宏观经济发展状况,结论验证了方法的有效性.     

多源密度集结算子及其性质分析

对已有密度加权平均(DWA)中间算子进行拓展,给出了新的密度加权几何平均(DWGA)中间算子.在密度(DM)中间算子的结构上,系统地定义了若干密度合成算子,从而拓展了密度信息集结算子的可选种类,同时,统一并明确了一些称谓,这使得DM算子类的结构更为清晰了.着重对密度集结(DM□)算子的性质进行了分析,证明了DM□算子具有置换不变性、幂等性、介值性及奈件单调性等优良性质,并给出了条件单调性的判定程序,将规划模型融入该判定程序中,通过对模型的求解及最优目标值的观测可以就特定情形下DM□算子的"单调性"性质做出判断.通过分析发现,DM□算子具备多种基础算子的通用形式,因而在归纳的基础上给出了DM□算子的"全拓性"性质.最后,用一个算例对DM□算子的性质进行了数值验证.     

多关系混合不确定信息的随机模拟聚合方法及应用

针对综合评价中混合不确定信息共存、评价信息残缺和评价信息间非独立的评价问题，提出一种多关系混合不确定信息融合集成框架及其求解方法.首先，将混合不确定信息进行分类整合，梳理信息(子)流间的相关关系，构建多关系混合不确定信息集成框架，通过网络分析法(ANP)求解信息(子)流的信息权；其次，将混合信息转化随机数并模拟迭代，充分挖掘信息价值；最后，将被评价对象每次仿真迭代后的结果进行两两比较，获取优胜度矩阵，并通过回归树的方法得到体现概率特征的可能性排序.对混合残缺信息、多关系信息的融合问题进行了探索，降低了评价过程对数据完整性的要求，考虑了信息重叠和信息冗余，得到的相对评价结论对实际问题更具解释力.     

基于数据分布特征的分层无量纲化方法及其均衡性分析

分层无量纲化方法能够有效去除指标量纲影响的同时解决异常指标造成的数据分布不均衡、区分度低等问题.然而，该方法的使用需要人为指定区间数，使得无量纲化结果受人为因素的干扰，失去客观性.针对该问题，考虑原始数据的分布特征，提出了密度分层无量纲化方法.该方法按照数据分布的疏密程度进行区间划分，客观确定分层级数，同时兼顾分层无量纲化方法的优点，计算相对简单且减少了人为干扰.此外，通过随机模拟发现，该方法对于异常值具有较好的抗干扰性，且无量纲化结果的均衡性受原始数据规模影响.