A Multi-Agent Based Equipment Bidding System on the Web

This paper puts forward a new framework of multi-agent based equipment bidding system on the Web (MAEBSW). The purpose of the paper is to make the process of enterprise equipment bidding, especially the decision process of enterprise equipment bidding, more intelligent. The system discussed in this paper is an efficient method for the enterprises doing business electronically. We also present our opinion of the approaches to defining agents. We emphasize the importance of agent being able to provide explanation about its behavior for the user or other agents. Based on this opinion we design a new common architecture of most agents in MAEBSW.     

一个用于决策认知过程模拟的专家系统

本文提出一个用于决策认知过程模拟的专家系统(Simulator).文中将决策过程表述为认知网络的形式,并通过启发式的人-机交互过程来引导决策人逐步完成认知网络的构造.文中还给出了用来辨识认知网络未知参数(边界值)的模糊数学规划模型.     

随机存贮批量及订货点联合最优决策

本文在参考文献[1]的基础上研究了“批量q”及“订货点w”联合最佳的决策问题,得到了单位时间上平均总费用函数表达式S(w,q);证明了S(w,q)是严格凸函数,有唯一极小值点(w~0,q~0);找到了求解此极小值点的方法,证明了解法的收效性,以及S(w~0,q~0)最小值与S(w,q)最小值的差异性。     

磨削烧伤状态的模式识别

本文在磨削火花温度信号特征分析的基础上，构成二维模式向量，并按模式向量的分布，用势能函数，在自学过程中形成判别函数。研究结果表明，用势能判别函数对磨削烧伤能作出正确的判别。     

一种新的投资方案选优决策方法

本文提出了一种新的投资方案选优决策方法，即层次──—灰色关联分析法。该方法克服了决策者的主观影响和不必要的计算误差，保护了已有的信息，保证了结论的正确，比模糊综合评判法优越、实用、操作方便。     

无界报酬向量值折扣马氏决策规划

本文建立了一类无界向量值报酬折扣马氏决策规划,在一组无关向量生成的凸锥确定的序关系下,讨论了模型最优策略的存在性;给出强最优策略存在的必要充分条件;指出最优策略的自组合、凸组合策咯仍是最优策略;还证明了平稳策略在一般策略类中的优势。     

交互式模糊综合评价决策支持系统的设计与实现

本文阐述了开发交互式模糊综合评价决策支持系统（ＩＦＣＥ－ＤＳＳ）的意义，介绍了ＩＦＣＥ－ＤＳＳ的基本结构和基本功能，描述了ＩＦＣＥ－ＤＳＳ的综合评价机理，并给出了ＩＦＣＥ－ＤＳＳ的人机交互式评价过程。本文最后给出了ＩＦＣＥ－ＤＳＳ的应用实例。     

层次分析法中逆序问题与其决策环境的研究

本文研究了层次分析法中的逆序问题与其决策环境的关系,并对产生逆序现象的机理做了数学上的分析和定性的解释。文中还给出了多准则下排序的强保序定理。     

Intelligent Information Management and Knowledge Discovery in Large Numeric and Scientific Databases

ＩｎｔｅｌｌｉｇｅｎｔＩｎｆｏｒｍａｔｉｏｎＭａｎａｇｅｍｅｎｔａｎｄＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙｉｎＬａｒｇｅＮｕｍｅｒｉｃａｎｄＳｃｉｅｎｔｉｆｉｃＤａｔａｂａｓｅｓＰａｔｒｉｃｋＰｅｒｒｉｎ；ＦｒｅｄｅｒｉｃｋＥ．Ｐｅｔｒｙ＆Ｗｉｌｌｉ...     

扩展的DEA模型的最优值的研究

讨论扩展的C^2GS^2(C^2R)模型的最优解的存在性，论证在一定条件下其最优值与C^2GS^2(C^2R)模型的最优值相等，讨论用扩展的DEA模型来判断决策单元的DEA有效性(C^2GS^2或C^2R)，证明若所有输入与输出都取正值，则某决策单元的阀值就等于对应的扩展DEA模型的最优值(若它存在)。