对方案有偏好的不确定语言多属性决策方法

研究了属性权重完全未知、属性值和对方案的偏好值以不确定语言变量形式给出的不确定语言多属性决策问题。首先,引入不确定语言变量的运算法则,以及不确定语言变量之间比较的可能度公式,给出了不确定语言变量间的距离的概念。针对属性权重完全未知的情形,给出了求解权重的公式。然后,利用不确定语言加权平均算子,对不确定语言决策信息进行加权集成,并利用可能度公式构造可能度矩阵(互补判断矩阵),继而利用互补判断矩阵排序公式对决策方案进行排序和择优。最后进行了实例分析。     

选聘优秀管理人员的直觉模糊决策模型

文章给出了一个选聘优秀管理人员的直觉模糊决策模型。该方法依据传统的TOPSIS方法的基本思路,给出了选聘优秀管理人员的直觉模糊决策模型的计算步骤,通过计算每个方案与正、负理想管理人员间的加权海明距离,进而计算出每个方案与正理想管理人员间的相对接近度,即可得到所有备选管理人员的排序结果。最后,进行了实例分析,说明了该方法的实用性和有效性。     

I-FIFOWA算子及其在群决策中的应用

对模糊数直觉模糊信息的集结算子进行了进一步研究,引入了模糊数直觉模糊的一些运算法则、模糊数直觉模糊的得分函数,并基于这些运算法则,提出了一些新算子:模糊数直觉模糊加权平均(FIFWA)算子、模糊数直觉模糊有序加权平均(FIFOWA)算子和诱导的模糊数直觉模糊有序加权平均(I-FIFOWA)算子,然后分析了它们的性质.针对属性权重和专家权重为实数,属性取值为模糊数直觉模糊数的多属性群决策问题,给出了一种基于FIFWA算子和I-FIFOWA算子的模糊数直觉模糊多属性群决策方法.最后,进行了实例分析,说明了该方法的实用性和有效性.     

权重为区间数的多属性决策的集对分析法

文章针对属性权重为区间数且属性值确定的多属性决策问题,提出了集对分析的决策方法。该方法将属性权重为区间数且属性值确定的多属性决策问题转化为属性取值为区间数的多属性决策问题,然后依据集对分析理论把论域三划分的思想,把区间评价值转化成联系数的形式,进而得到每个方案的综合联系数,计算出每个方案的集对势,即可得到所有方案的排序结果。最后给出了一个数值例子,结果表明方法简单,有效和易于计算。     

一种权重信息不完全的区间直觉模糊数多属性决策方法

文章针对权重信息不完全的区间直觉数多属性决策问题,首先引入了区间直觉模糊数的定义和区间直觉模糊数的得分函数。然后对权重信息不完全的区间直觉模糊数的多属性决策方法进行了研究,给出了一个基于加权得分函数的目标规划模型,从而获得相应的属性权重,然后得到每个方案的加权综合得分函数,进而根据加权综合得分函对方案进行排序。     

一种二元语义多属性群决策方法研究

文章针对解决具有语言评价信息的多属性群决策问题,提出了一种基于二元语义信息处理的群决策方法。该方法是采用近年来最新发展的二元语义概念对语言评价信息进行处理和运算。对于属性权重完全未知的情形,基于群体理想方案分别给出了一个求解属性权重的简洁公式获得相应的属性权重,然后利用二元语义加权算术平均(T-WAA)算子,对二元语义决策信息进行加权集成,继而对决策方案进行排序和择优。最后给出了一个实例分析。结果表明该方法简单,有效和易于计算。     

一种区间直觉模糊数多属性决策的TOPSIS方法

针对属性权重信息确定且属性值为区间直觉模糊数的多属性决策问题,提出了一种逼近理想解的决策分析方法。该方法依据传统的TOPSIS方法的基本思路,得到每个方案与正、负理想方案间的加权海明距离,进而计算出每个方案与正理想方案间的相对接近度,即可得到所有方案的排序结果。最后,进行了实例分析,说明了该方法的实用性和有效性。     

多维AR(p)模型的估计理论及应用

叙述了多维AR(p)模型的分析与处理方法、多维AR(p)预测模型的建模过程及参数估计的计算方法,并将该模型在测井曲线的预测中加以实际应用.应用结果表明:本预测模型对多维动态数据进行预测是可行的.     

基于投影的直觉模糊数多属性决策方法

针对指标取值以直觉模糊数形式给出的多属性决策问题,提出了一种基于投影的直觉模糊决策方法.该方法依据一般投影分析方法的基本思路,给出了解决属性取值为直觉模糊数的多属性决策问题的计算步骤,其核心是通过构建并求解每个方案在虚拟正、负理想方案上的投影,进而计算出每个方案对虚拟正、负理想方案的相对隶属度,即可得到所有方案的排序结果.最后给出的数值算例表明,该方法简单、有效和易于计算.     

FAR(p)与指数平滑的组合预测算法

一、引言 梅炽、姚俊峰等在<粗铜冶炼中铜铳品位的动态预测模式>一文中(见中南工业大学学报,2000,31(1):34-36)和邵义元在一文中(见鄂州大学学报,2002,9(4):38-39)提出了一种对铜统品位进行预测的方法,即以采集的现场数据为基础,采用系统辨识动态地建立了AR(p)模型与三次指数平滑模型.并将两种模型按最小二乘原理,以组合预测误差平方和为目标函数,通过使误差平方和极小化来确定两种预测方法的最优加权系数,建立一种新的组合模型,其预测误差最小.结果表明,在当时数据下,AR(p)与指数平滑组合模型比AR(p)与指数平滑模型单独使用时精确度都要高.本文在此基础上,对AR(p)与指数平滑组合预测模型做了改进,将AR(p)模型中的时间序列模糊化,便成为模糊时间序列,进而建立模糊时间序列AR(p)模型,即FAR(p)模型.从而提出一种新的组合预测模型--FAR(p)与指数平滑组合预测模型.最后将两种组合模型用于预测油田产油量,结果表明,FAR(p)与指数平滑组合预测模型比AR(p)与指数平滑组合预测模型有更高的预测精度.