基于粗集理论的属性权重确定方法

通常属性权重的确定方法是根据决策者的先验知识来确定。本文根据粗集理论中属性重要度的判断方法,提出将决策者先验知识给定的权重同粗集理论确定的属性重要度结合起来最终确定属性权重,即基于粗集理论的属性权重确定,实现主观先验知识同客观情况的统一,从而得出更加理想的权重确定结果。     

一种基于方差最大化的组合赋权评价方法及其应用

粗糙集权重确定方法利用属性重要度来确定属性的客观权重,这种方法克服了权重确定过分依赖专家经验知识的不足,但也忽略了各属性指标本身的重要性问题。本文将粗糙集权重确定方法与专家主观赋权的层次分析法相结合,基于方差最大化的原理提出了一种主客观组合赋权方法。粗糙集结合主观层次分析法的组合权重很好地将两者的优点有效结合,同时方差最大化原理也对传统组合权重确定方法进行了改进,使得权重的确定更加合理,更能有助于决策者做出决策。最后,用一个算例应用证明了该种组合赋权决策方法的可行性。     

股票遴选与投资业绩——基于属性约简及动态时间规整距离

评价风险资产价值的指标(属性)有很多,以少量指标(属性)从数以千计的风险资产中筛选出有投资价值的资产对投资业绩影响重大。本文以股票市场为例,提出了基于属性约简及动态时间规整距离的股票遴选方法。首先利用基于属性重复度的改进属性约简算法筛选出能区分股票投资价值的约简属性集,之后将单指标动态时间规整算法拓展到多指标,建立股票间基于约简属性集的多维动态时间规整距离集,利用聚类技术对规整距离集进行聚类并通过拆分规整距离对股票进行类别划分,遴选收益-风险特征均较好的类别中的股票构建资产池。数值试验表明:随机模拟权重和均等权重投资组合的累积收益率均高于市场基准,且资产的优化配置进一步改善了投资组合的收益-风险特征。该方法通过属性约简降低了投资者评价股票投资价值的难度,通过多维动态时间规整距离度量了不同股票关于各指标(属性)时间序列变动趋势的相似程度;遴选过程基于历史数据,避免了主观因素的影响,且筛选结果具有稳健性。此外,该方法适合于一般风险资产的遴选,还可以将不同市场不同行业考虑在内,以便更好地实现分散化投资。     

方法群评价中权重集化问题的研究

本文将运用多种方法独立地确定一个多属性评价问题的权重,它形成一个基本的权重向量集,在这个基础上构造出可能的权重向量集,采用非线性规划方法在可能的权重集上选择最优的权向量,这是一种对权重进行集化的新方法.本研究方法思路清晰,易于计算机上实现,可以更好地解决权重的确定问题.最后用一个算例说明本方法实际应用上的方便性和有效性.     

从数据库中发现知识的方法研究与应用

知识发现与数据开来是90年代中期兴起的决策支持新技术．本文以近年来获得快速发展的粗集方法为基础,从数据库中自动抽取相关属性,发现知识,提出了最小属性集算法以及规则化简算法,从而改进粗集方法使之得到实用的规则,并应用于一个疾病诊断．     

不完全偏好信息下国有企业并购多属性拍卖的模糊决策

拍卖是国有企业并购的一种有效市场配置方式.从社会整体效用的视角出发,国有企业并购多属性拍卖比以价格为目标的单属性拍卖的效用更高.在分析国有企业并购中凸显问题的基础上,构建了国有企业并购多属性拍卖决策的属性集.采用了Vague集的方法描述国有企业并购多属性拍卖中的模糊信息.根据实际的情况,建立了不完全偏好信息下的国有企业并购多属性拍卖的模糊决策模型.该决策模型中利用Vague值的得分函数确定理想解和负理想解,并依据新定义的Vague集的一种距离测度方式计算各方案与理想解和负理想解的距离.提出了一种交叉迭代法用于求解包含未知权重信息的非线性规划模型,得到属性集的最优权重.最后的应用算例分析表明了该方法的有效性和可行性,为国有企业并购的多属性拍卖决策提供了一种新的思路.     

基于证据推理的不确定多属性决策方法

针对基本属性权重的不确定性,以及基本属性与广义属性评价集的不一致性等问题,提出一种基于证据推理的不确定多属性决策方法,将证据推理算法推广到更一般的决策环境中.根据决策矩阵的信息熵客观地获得属性的权系数;而对于基本属性与广义属性评价集不一致的情况,则通过对基本属性分布评价的模糊化及模糊变换,合理地实现到广义分布评价的统一形式;最后应用证据推理算法得到整个方案集的排序.实例结果表明,该方法是可行的、有效的.     

基于粗糙集和神经网络的供应商决策选择研究

本文提出了一种基于粗集理论与神经网络相结合的供应商优化选择新方法.首先利用粗集理论对供应商原始指标决策表进行一致性属性约简,然后借助神经网络强大的学习能力对决策表进行自学习,完成属性的不一致约简,最后再由粗糙集对其进行值约简,得到最终的供应商优化选择决策规则,并给出了相应的算法.最后通过实例说明该方法的有效可行性.     

基于离差的区间二元语义多属性群决策方法

针对具有多粒度区间语言评价信息的多属性群决策问题,提出一种基于区间二元语义信息处理和离差最大化的群决策方法。该方法首先针对由基本语言评价集表示的区间二元语义信息,采用了多粒度区间语言评价信息一致化的方法;然后对属性权重信息完全未知的情形建立基于离差最大化的目标规划模型,得到一个求解属性权重的公式,从而获得相应的属性权重;再利用区间二元语义的集结算子对评价信息进行加权集成,通过区间二元语义信息的可能度公式对集成结果进行排序和择优;最后由实例分析说明该方法的有效性和可行性。     

基于方案占优和排序稳健性的多属性决策方法

在多属性决策问题中,不同的属性权重会产生不同的评价结果。由于实际问题的复杂性与不确定性,决策者对于属性权重的确定也存在不确定性。这些不确定既来自现实问题的复杂性和可变性,也来自决策者选择的模糊性与随机性。目前已有的研究主要是将不确定的权重信息转化为相对确定的信息（如转化为区间数等）,硬性地消除了不确定,从而给决策结果带来较大风险。本文从方案排序的视角出发,研究在权重空间下,方案的占优关系和排序的稳健性。首先,定义了占优矩阵用于刻画不确定权重信息下方案两两比较的占优关系;其次,分析了方案的排序区间,即在所有可能存在的权重组合下,方案的最好排序和最差排序。然后,定义了方案的全排序排序概率,并且给出了排序概率的计算方法。进而,我们给出了方法的决策步骤和实施过程。最后,本文将该方法应用到某远洋集团的港口评估当中。