您现在的位置: 首 页 >> 医学论文 >> 不完全类别信息下多属性决策的案例学习方法

不完全类别信息下多属性决策的案例学习方法

作者:民法论文
出处:www.lunrr.com
时间:2019-10-07

多属性决策是指对程序集进行排序并从有限数量的候选计划中综合权衡每个属性后,选择最满意的过程的过程。在多属性决策的过程中,尤其是在采用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知名程序中给出类别偏好或所谓的分类决策。在分类决策的研究中,取得了一些成就,可以分为以下三类:1,针对案例的分类方法,文本,文本和文本分别提出基于案例的多指标排序方法,多属性分类方法和语言信息灰色目标决策分类方法; 2根据方案之间的分配水平,方案的优缺点的强弱以及方案的优缺点的程度,分别关注分类方案之间的偏好强度,文本,文本和文本。 3专注于案例统计以做出分类决策,基于文本和文本的统计数据,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。它们大多数集中在不完整的属性值,不完整的属性权重,13。不完整的属性值和属性权重以及不完整的程序偏好关系上。在实践过程中,本文还发现了一种特殊的不完全信息问题,在管理实践中也很普遍。也就是说,在有时间限制和决策的情况下,专家会为某些程序形成一个类别相对清晰的类别。有些方案判断结论的决策情况尚不明确,也可以称为专家方案不完善的类别判断信息。原因是多方面的:1由于专业知识专家的局限性和注意力的偏爱,一些决策方案的类别偏爱信息难以准确给出; 2。 2在紧急情况下,专家很难做出决定。在特定的时间和特殊情况下,对某些决策方案进行明确的评估; 3在有限的时间内,无法完成决策类别的分类和汇总。

对于此类问题,本质上是不完整的程序类别首选项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,以及对所有节目的排名和班级归属的判断是非常值得研究的。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,本文构建了一个模型,该模型具有相同类别中所有方案的最小相对亲和性和不同类别之间方案的平均亲和性。给出权重以给出该方案的完整顺序关系,并对未知类别方案执行类别归属判断。

1必备知识

TOPSIS是一种用于多属性决策问题的相对通用的决策方法。该方法及其扩展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。

多属性决策问题具有n个评估对象或建议的决策方案Z={zi | i=1,2,n},m个评估指标或属性组成指标集W={ωj| j=1,2 ,m},则决策矩阵R=(rij)n×m个元素为实数,且不失一般性,假定Z中的属性全部为最大值(受益类型)。

2主要结果与方法

2.1问题描述和思路

多指标分类决定是将方案划分为在每个类别中具有相似属性的特定类别。但是,在许多决策情况下,由于要评估的程序数量众多,因此很难对所有程序进行完整且严格的分类。基于案例研究的方法,运用数据挖掘和模糊数学的思想,通过对具体样本案例的分析研究,根据样本学习的结论,对方案进行分类,对未知方案进行分类。

本文具有以下特点:1.在分类过程中,决策者对所有方案进行了不完全分类。例如,专家认为方案集Z={zi | i=1,2,n}有几种方案可以划分为s。除s类决策方案外,还有t个决策方案不属于任何类别。 2在最终排序过程中,指标的权重决定了最终顺序,这需要考虑决策者的所有方案。主观分类,考虑到未分类的决策方案是否可以属于某个类别的方案。

文献中也提到了类似的问题。在诸如员工绩效评估,学生成绩评估和教师教学质量评估等实际问题中,人员水平能力的不完全分类也是常见的。研究此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紧密度关系,然后基于分类样本的相对紧密度进行案例分类,并对未分类样本进行分类。本文的思想是尽可能根据同一类别方案和不同类型方案的相似性来构建计划模型。获取属性权重,对方案进行分类,并对未分类方案进行分类和判断。

2.2决策方法

基于理想点的方法是基于有限数量的评估对象接近理想目标的方法。 TOPSIS的目标是独特的,它反映了决策过程中判断的直观性和简便性。因此,本文提出了一种基于TOPSIS的分析框架。

(1)基于TOPSIS方案的相对亲和力表征

在基于TOPSIS的决策过程中,参考点的选择是关键环节。由于实数归一化决策矩阵中的元素是经过处理的数据,因此在构造最佳效果时,要选择与归一化决策矩阵中的每个索引相对应的最大实数的最优效果。在紧密度测量方面,通常需要考虑多个因素,例如,测量正负理想点的紧密度,以及测量类别的模糊紧密度。本文提出了一种相对亲密度测量方法,请参见定义4。

(2)未分类方案的类别归因判断

对于未分类专家的方案,可能会出现以下情况:1一些方案可能属于已分类类别方案之一; 2一些方案可能不属于任何分类方案;程序可以构成除分类方案之外的程序的一种类型。介绍了未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,并针对上述三种可能性与分类方案的相对接近度进行比较。确定类别的归属。

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相对理想点的综合亲和力β和同一类别方案中所有方案的平均亲和力γ,计算差的绝对值之和在不同方案的平均接近度之间。 *;

步骤3:根据该程序的不同偏好类别,根据偏好模型M对目标权重向量ω=(ω1,ω2,ωm)进行优化;

步骤4:将ω=(ω1,ω2,ωm)代入公式(2),求出与理想点的接近度,对方案进行排序,得到各方案的最优顺序;/p>

步骤5:将未分类方案的相对接近度与已分类方案的相对接近度进行比较,并对未分类方案进行分类的第二个判断。

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的统计数据,对经济效益进行比较和排名。为该评估问题选择的指标为:全员劳动生产率(w1),资本利税率(w2),百元销售收入实现利润(w3),百元工业总产值占用流动性(w4)和产值和利得税率(w5),可以找到标准化数据。

根据直觉,专家认为3、4、5、6、7和9应该属于一个类别(用“相同的1类”表示)。 13、14、15应该属于一个类别(用于“同一类别2”),并且根据专家的判断,每个指标的属性权重应该在0.15和0.25之间。需要解决的以下问题是:根据专家的判断来挖掘分类规则,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};

步骤2:根据公式(7)计算相同类别方案集O1和O2的综合接近度β:

4结论

鉴于专家对该程序的类别偏好不完整,提出了一种新型的案例研究问题和对策。 TOPSIS方法用于综合考虑同一类别方案之间的相对亲和度和不同类别方案之间的平均亲和度,从而使决策信息的利用更加完整和全面,符合决策者的“直觉判断”。基于案例研究的思想,建立了具有不完全类别偏好的属性权重确定模型。

该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。本文以实数决策问题为例,还可以实现其他类型的决策方案,如语言信息和三角模糊数。下一步是研究海量数据下该方法的算法经济学和适用性。

最新论文
不完全类别信息下多属性决策的案例学习方法
企业财务报表分析的的作用及重要性
《洞穴奇案》谋杀案件的法哲学分析
TPP与TRIPS知识产权规则比较分析
关于工作过程系统化的高职酒店管理专业课程体系建设探讨
企业财务报表分析的的作用及重要性
关于大学生政府认知的影响因素分析
企业财务报表分析的的作用及重要性
不完全类别信息下多属性决策的案例学习方法
《洞穴奇案》谋杀案件的法哲学分析
关于工作过程系统化的高职酒店管理专业课程体系建设探讨
中国与中上收入国家、高收入国家卫生投入的比较分析
热门论文
六年级解决问题的策略中如何引导学生自主探究
浅析家庭因素对大学生心理健康的影响
分析小学机器人编程语言需求及设计
中国与中上收入国家、高收入国家卫生投入的比较分析
六年级解决问题的策略中如何引导学生自主探究
关于企业铁路工务日常养护及大修安全管理的研究
谈九年级英语课堂教学法
信息化视角下的建筑工程质量检测技术分析
以口碑网站非法经营为例谈谈网络删帖行为法律制度的完善
中国与中上收入国家、高收入国家卫生投入的比较分析
关于企业铁路工务日常养护及大修安全管理的研究
探讨初中班主任德育教育与心理沟通的有效的途径
热门标签
日期归档
2019年10月
2019年09月