不完全类别信息下多属性决策的案例研究方法

2018-12-19 16:16作者:王噶子  |

多属性决策是指在对有限数量的候选计划中的每个属性进行综合权衡之后,对程序集进行排序并选择最满意的解决方案的过程。在多属性决策过程中,特别是在更多决策方案的情况下,专家通常更有可能在他们熟悉的领域或众所周知的方案中提供类别偏好,即所谓的分类决策。在分类决策的研究中,已经取得了一些成果,可以分为以下三类:1,侧重于案例的分类方法,文本、文本、分别提出了基于案例的多索引排序方法、多属性分类方法和语言信息灰度目标决策分类方法; 2.重点关注方案之间的偏好强度进行分类,文本、文本、文本根据程序的强度评估级别、程序强度和程序的优缺点程度提出多种属性分类方法; 3重点关注案例统计数据的分类决策,文本、文本基于统计数据,决策程序检索和数据分类。

在实际的决策过程中,经常会出现不完整的判断信息。他们中的大多数都关注不完整的属性值和不完整的属性权重。 13、属性值和属性权重不完整,15、程序首选项关系不完整。在实践过程中,本文还发现了一种特殊的不完全信息问题,这在管理实践中也很常见。也就是说,在时间限制的、决策情况下,专家组成一个具有更具体类别的类别。、部分程序判断结论不明确决策情况,也可称为专家具有不完整的类别判断信息。原因是多方面的:1由于专业知识专家的局限性和关注的偏好,一些决策方案的类别偏好信息难以准确给出; 2在紧急情况下,专家很难给出在、的特殊环境中,对某些决策方案进行了明确的评估; 3在有限的时间内,决策类别的分类和总结无法完成。

对于这些问题,它实质上是一个不完整的程序类别偏好下的案例研究分析问题。如何充分利用专家给出的节目类别偏好信息,对所有节目的排名判断和班级归属非常值得研究。根据公开报道的文献,这方面的研究很少。考虑到TOPSIS方法的应用简单性和案例研究方法的实用价值,本文构建了同一类别中所有方案的最小相对接近度和不同类别之间方案的平均接近度的模型。给出权重以给出方案的完整顺序关系,并且对未知类别方案执行类别属性判断。1初步知识

TOPSIS是一种在多属性决策问题中更常见的决策方法。对该方法及其推广的研究取得了丰硕的成果。为了说明问题的完整性,本文概述了TOPSIS的主要步骤。

多属性决策问题有n个评估对象或提议的决策方案Z = {zi | i = 1,2,n},m个索引指标或属性索引集W = {j | j = 1,2 ,m},决策矩阵R =(rij)nm的元素采用实数而不失一般性,假设Z中的属性都是最大的(有益的)。

2主要结果和方法

2.1问题和想法的描述

多个指标?分类决策是将程序划分为在每个类别中具有类似属性的特定类别。然而,在许多决策情况下,由于评估的程序数量,很难对所有方案进行完全严格的分类、。在案例研究的基础上,基于数据挖掘和模糊数学的思想,通过对具体样本案例的分析和研究,根据样本学习的结论,对方案进行排序,判断未知方案的类别属性。

本文具有以下特点:1在分类过程中,决策者对所有方案都进行了不完全的分类。例如,专家认为,方案集Z = {zi | i = 1,2,n}有几种方案可以分为s类,除了s类的决策方案外,仍然有决策 - 不属于任何类别的制作计划; 2在最终的分类过程中,指标的权重决定了最终的顺序,这需要考虑决策者对所有方案的主观性。分类,同时考虑非分类决策方案是否可以是某类方案。

文献、中提到了类似的问题。在员工绩效评估等实际问题、学生成绩评价、教师教学质量评估中,人员层次能力的不完全分类也很常见。研究这类问题的难点在于如何同时考虑分类样本与未分类样本之间的相对亲密关系,然后根据分类样本的相对接近程度进行案例分类,并对未分类样本进行分类。本文的想法是根据相同的类别方案尽可能相似。、不同类别的方案与规划模型的构造不相似,获得属性权重,从而对方案进行排序,并对未分类方案进行相应的分类和判断。

2.2决策方法

基于理想点的方法基于有限数量的评估对象到理想化目标的方法。 TOPSIS的目标是独一无二的,它反映了决策过程中判断的直观性和简单性。因此,本文提出了一种基于TOPSIS的分析框架。

在基于TOPSIS的决策过程中,参考点的选择是一个关键环节。由于实数归一化决策矩阵中的元素是处理后的数据,因此在构造最优效果时,选择归一化决策矩阵中与每个索引对应的最大实数的最优效果作为指标。在接近度测量方面,通常有几个考虑因素。例如,可以测量正负理想点的接近程度。、测量类别的模糊贴近度。本文提出了一种相对接近度测量方法,见定义4。(2)非分类方案的类别归属判断

对于未对专家进行分类的方案,可能存在以下情况:1某些方案可能属于其中一个分类类别方案; 2某些方案可能不属于任何类别的分类方案;该程序可以构成除分类方案之外的一种程序。描述了非分类方案的案例研究过程。在此过程中,通过等式(2)计算所有未分类方案的相对接近度,将分类方案的相对接近度区域作为分类参数,并与上述三种可能性的分类方案的相对接近度进行比较。执行类别的归因判断。

不完全类别信息下多属性决策的案例研究方法

步骤1:根据TOPSIS原理,确定决策矩阵的正理想点R +和负理想点R-;

步骤2:计算同一类别方案中所有方案的综合接近程度和同一类别方案中所有方案的平均接近程度,并计算不同平均接近度之间差异的绝对值之和计划类别*;

步骤3:根据程序的程序的不同偏好类别,根据偏好模型M =(1,2,m)优化目标权重向量;

步骤4:将=(1,2,m)代入等式(2),并获得与理想点的接近度,以便对方案进行排序,可以得到每个方案的最优顺序;

步骤5:将未分类方案中的相对接近度与分类方案的相对接近度以及未分类方案的分类的第二判断进行比较。

3实证比较

根据省工业经济统计年鉴提供的16个市县主要工业经济效益指标统计数据,对经济效益进行比较和排序。本评价选择的指标为:全劳动生产率(w1)、资本利润税率(W2)、百元销售收入实现利润(W3)、百元工业总产值(w4)和产值利润率和税率(w5),见标准化数据。

根据直觉,专家认为3、4、5、6、7、9应属于一个类别(由同一类1表示); 13、14、15应属于一个类别(由同一类2表示),并根据专家判断,每个指标属性权重应在0.15~0.25之间。要解决的以下问题是:根据专家的判断挖掘分类规则,并对未分类的样本进行分类(用?表示)。

步骤1:确定决策矩阵的正理想点R +和负理想点R-:R + = {1,1,1,1,1},R - = {0,0,0,0,0};

4。结论

鉴于专家对该计划的类别偏好不完整,提出了一种新的案例研究问题和对策。使用TOPSIS方法,考虑到相同类别方案之间的相对接近程度和不同类别方案之间的平均接近程度,决策信息利用率更加完整。、是全面的,符合决策者的直觉判断。基于案例研究的思想,建立了一个不完全类别偏好的属性权重确定模型。本文模型具有明确的意义和良好的实用价值,适用于大样本场景下的数据挖掘和分析。本文以实数决策为例,还可以实现其他类型的决策方案,如语言信息、三角模糊数。下一步是研究所提出的方法在海量数据下的算法经济性和适用性。

上一篇:基于应用型本科人才的机械课程体系构建
下一篇:碳纳米管炭黑天然橡胶复合材料的性能分析