有限理性下多粒度q-RO模糊粗糙集的最优粒度选择及其在并购对象选择中的应用

有限理性通常指决策者困顿于信息处理能力有限的自然状态,该状态是决策者在实际决策情境中需要面对的常态,因而有必要研究有限理性下的决策问题.多粒度粗糙集在多属性群决策分析领域的优势在于运算效率高,并能结合决策风险,然而多数基于多粒度粗糙集的多属性群决策方法并未考虑有限理性这一实际情境.以q-RO(q-Rung Orthopair)模糊集为背景,首先提出乐观与悲观多粒度q-RO模糊粗糙集模型;接着在并购对象选择的背景下,依据交互式多属性决策(Portuguese of Interactive and Multi-criteria Decision Making,TODIM)法来处理有限理性下的决策信息,发展多粒度q-RO模糊粗糙集的最优粒度选择机制并建立相应的多属性群决策方法;最后结合并购对象选择的实际算例验证了所建立模型与方法的有效性.     

就业中的辩证法

辩证法是帮助我们认识问题、分析问题、解决问题的方法论,在就业问题上也不例外,能够辩证地看待求职工作中的一些问题,科学地做出自己的职业选择,是每一个毕业生求职的理想状态。但在实际     

基于AHP的居民个人住房购房决策模型

影响个人住房购房的因素很多,如价格因素、家庭收入因素、区位因素、楼盘小区配套因素等,这些因素对于购房者的影响程度各不相同,于是选择一套适合自己的住房便成为摆在购房者面前的一道难题。运用多目标决策分析中的层次分析法解决了购房者的这个难题。     

采用局部粗糙集模型的决策规则提取

研究基于局部粗糙集模型下的决策规则提取.对经典粗糙集的决策规则提取进行改进,给出局部粗糙集模型下的决策规则公式,并研究相关性质.结合局部粗糙集模型给出的规则提取公式,引入参数值α,α∈(0,1],使规则提取公式的泛化能力更强,适用性更广.通过3个实例对局部粗糙集模型决策规则提取的运用进行说明.     

在华外商直接投资区位决策的因素研究——基于广东和江苏的实证分析

自1993年以来,广东和江苏两省吸引外商直接投资一直居全国前两位。近年来,广东吸引外商直接投资发展缓慢,而江苏发展迅速,与广东差距日益缩小。2003年江苏实际使用外资金额一度超过广东,居全国各省市之首。选取关键的区位因素,通过对广东和江苏两省的外商直接投资进行实证分析和比较研究,更清楚地把握两地吸引外商直接投资的区位优势所在,进一步认识影响在华外商直接投资区位决策的因素,为各省市利用区位优势吸引外商直接投资提供参考。     

云计算环境中面向大数据的改进密度峰值聚类算法

对密度峰值聚类算法进行有效改进,计算各样本点之间的距离和各样本点局部密度,选择两者中较大的样本点作为聚类中心点,根据其余样本点与各中心点的距离设定样本点所属类别;引入K近邻算法对密度峰值聚类算法进行优化,求解各样本点的距离时只需要考虑其周围由邻近值决定的若干样本点,实现距离阈值的自动选取;根据距离矩阵计算样本点的密度,绘制决策图并选择簇内中心点,将剩余点根据密度值分配给离中心点距离最近的类;最后将K近邻-密度峰值聚类算法部署至Hadoop云计算平台,用于解决大规模数据聚类的问题。仿真结果表明,通过合理设置K近邻算法的近邻值k,K近邻-密度峰值聚类算法具有较好的大数据样本聚类性能,与常用聚类算法相比,该算法具有更高的聚类准确率和聚类效率,适用于大数据样本聚类。     

零售商具有灵活决策目标的供应链协调

建立了零售商具有两种灵活决策目标的供应链模型:期望利润最大化和期望投资回报率最大化.分别研究了批发价策略和双部定价策略两类契约下的博弈动态,推导出各自的均衡结果.在此基础上,结合仿真实例,考察了契约柔性对供应链协调性的影响以及契约柔性价值随决策目标的变化情况.结果表明:契约柔性化是协调策略设计的重要思路之一,但其价值因决策目标差异而不同,期望投资回报率条件下协调难度更大.     

一种基于区间值Pythagorean三角模糊语言集的多准则决策方法

为提升不确定环境下信息描述的准确性,提出了区间值勾股三角模糊语言集(intervalvalued pythagorean triangular fuzzy linguistic set,IVPTrFLS),并研究了区间值勾股三角模糊语言变量(IVPTrFL variable,IVPTrFLV)相关的基本理论.同时,针对...     

基于逆向强化学习的装船时堆场翻箱智能决策

集装箱码头装船时堆场翻箱具有时序性与动态性,属于NP(non-deterministic polynomial)难问题。针对常见的顺岸式集装箱码头堆场,以最小化总翻箱次数为优化目标,考虑翻箱对装船连续性及效率的影响,基于马尔科夫决策过程构建装船时堆场翻箱模型,设计逆向强化学习算法。为验证算法的有效性,以随机决策为基准,将设计的逆向强化学习算法与码头常见规则决策、随机决策对比。结果表明,贝位堆存状态不佳时,常见的规则决策不一定优于随机决策;逆向强化学习算法可有效挖掘隐含专家经验,收敛至最小翻箱次数的概率更高,且不同堆存状态下均能更好地限制单次发箱的翻箱次数,可实现装船时堆场翻箱智能决策。     

无线网络下行链路时延和功率的最优控制

研究无线网络下行链路中平均功率约束下联合跨层多用户平均时延最小化问题.基站根据不同用户的信道增益和队列长度信息,动态调整发射功率和速率,以实现系统平均时延最小化.将该优化问题转化为非约束马尔可夫动态决策过程,证明了在最优策略下系统平均时延和功率具有凸关系,仿真结果表明这种关系成立.考虑到原优化问题的特性和求解的复杂度,进而将该优化问题转化为凸优化问题,并给出了实际的求解算法和仿真结果.