逼近群体理想解的多属性群决策新方法

对每个属性下不同决策者权重不同的决策问题,提出一种始终基于群体理想解的新方法.首先,对每个备选方案定义群体理想解和负理想解,求出对每个决策者而言该方案与其群体理想解的相对贴近度;然后,基于群体贴近度矩阵定义整个备选方案集的群体理想解和负理想解.进而计算决策群体对各备选方案的最终排序结果;最后,以供应商选择算例说明其有效性.该方法将逼近理想解法扩展到群决策,以群体理想解取代群体效用,避免了群体效用归并难题.     

基于模糊聚类模型的葡萄酒分类

应用模糊聚类分析的思想和方法,综合考虑酿酒葡萄的各项理化指标,建立了葡萄酒分类的数学模型。一方面,通过对理化指标的相关性分析进行属性约简,刻画了理化指标之间的内在联系;另一方面,在属性约简的基础上对每个属性进行加权,经实验验证两方面均可以优化模糊聚类分析模型对葡萄酒质量的分类效果。     

项目投资选择模型的左右得分型TOPSIS法

由于决策者知识的局限性和现实决策问题的复杂性,某些多属性决策问题的属性值常需要模糊数刻画。三角模糊数是一类有效刻画模糊属性值的一类模糊数,于是针对属性值为三角模糊数的项目投资选择问题,提出了一类新的多属性决策方法。其具体步骤是:首先利用左右得分的基本思想将规范化的三角模糊数定义左右得分,进而将决策矩阵转化为基于得分的区间数决策矩阵,最后依据TOPSIS法的基本思想对备选方案进行排序和择优。文末通过实际例子说明本文所提出的方法的有效性和实用性。     

一种适用于Hadoop平台的基于属性访问控制模型

针对Hadoop平台缺乏有效访问控制机制的问题,提出一种适用于Hadoop平台的基于属性访问控制模型H-ABAC.该模型将传统ABAC模型扩充为五元组,加入安全等级属性增加了灵活性,选择XACML为策略描述语言并提供标准化、可大规模扩展的访问控制策略.对该模型进行形式化定义,构建模型框架并详述各个模块的功能与实现,对模型的适用性和优势进行了分析.分析得出:该模型可以满足自主、细粒度以及动态授权的需求.仿真实验显示:H-ABAC可以有效控制策略数量并且减少系统的开销,所增加时间开销也在可控范围之内.     

单层模糊智能控制系统模型与应用

系统决策基于系统的属性信息,这些信息有定性的也有定量的.综合定性与定量信息,基于模糊推理理论建立了一个普适的单层属性的模糊智能控制系统.将决策信息分级并模糊化,建立模糊推理规则库;依据模糊化的决策信息搜索推理规则库,进行模糊合成得到控制信息.实现对系统的智能化控制.讨论了系统运行的时间复杂度和空间复杂度,并进行了证明.最后给出了单层模糊智能控制系统的一个应用实例.     

基于关系积的属性约简算法

粗糙集的属性约简是一个NP难问题,目前尚无高效的算法.基于集合理论,提出了关系积概念和基于关系积的属性约简算法,把决策表的属性约简过程转化为关系积的运算,减小了对决策表的扫描次数,提高了属性约简的效率;算法采用自底向上和宽度优先的搜索策略,可确保找到最小属性约简集.结合实例,给出了算法的具体实现.     

基于理想点的三角模糊数群体多属性决策法

针对模糊群体多属性决策问题,提出了一种新的属性权重和属性值均以三角模糊数形式给出的模糊群体多属性决策方法.该方法先假设方案在主观评价属性下的属性值采用三角模糊数的形式来表示专家评价值的模糊性和不确定性,而后假定每一主观评价属性都有一组相应的专家权重值,以反映专家在不同评价属性中的重要性程度,同时考虑到专家意见的相似度,将专家意见进行集结得到专家群体关于方案集的模糊决策矩阵.最后定义了三角模糊数正理想方案和负理想方案,计算各方案与理想方案的接近度,以此给出了三角模糊数群体多属性决策问题的理想点法.通过实例分析说明了该方法的可行性和有效性.     

一种改进的基于极小调节的多属性共识法则的共识模型

在群体决策中,共识达成过程通常是一个交互迭代的过程,以共识模型(或算法)形式呈现。对于多属性群体决策,基于极小调节的多属性共识法则的共识模型最近受到较多关注。本文举例说明现有共识模型因其偏好调节建议的缺陷可能导致迭代过程不能收敛(其收敛性的证明存在错误),进而提出一个改进的共识模型,并证明了模型算法的收敛性;示例说明改进的共识模型有效、适用范围更广。对于多属性群体决策问题,本文提出的偏好调节方法对今后改进其他相关的基于极小调节的共识模型(算法)和开发新的共识模型提供了参考。     

基于二进制粒与粒计算的属性约简

目前有关粒计算的理论与方法主要有商空间理论、词计算理论和粗糙集理论.以粗糙集理论发展的粒计算理论为基础,定义了幂图、粒度幂图及二进制粒等概念,提出基于二进制粒计算与粒度幂图的两种属性约简算法,把属性约简问题转化为在粒度幂图中的搜索问题,为属性约简开辟了新的途径.理论分析表明,所提出的算法是有效可行的.     

基于决策树的网络流量分类方法

针对传统流量分类方法(基于端口和有效载荷)分类不可靠的问题,提出基于C4.5决策树算法,根据训练集中属性的信息增益比率构建分类模型,按属性对测试数据集进行预测,通过查找分类模型实现对网络流量的分类。在公开数据集和自己采集的数据集上进行实验,结果表明,采用C4.5决策树算法对网络流量分类,平均分类精度为93%,单类别分类精度均在90%以上,能有效地实现对网络流量应用类型的识别。