基于离差函数和联合熵的组合赋权方法

针对多指标评价权重确定问题,提出了基于最小离差和最大广义联合熵的组合赋权方法。该方法一方面综合考虑了各评价方法从不同角度所确定的权向量,使确定的理想组合评价权向量与所有其他方法的评价权向量之间的总体偏差为最小;另一方面尽量消除组合赋权的不稳定性,使各方法各指标权数赋予平衡因子后广义的联合熵最大,使得全局的不确定性最小、最为合理,由此建立了组合权系数优化模型。最后通过实例说明了此方法的合理性。     

面向一对多记录的数据隐私保护方法研究

数据共享在大数据时代各领域中有重要的实际应用,但数据共享容易造成个人隐私的泄露问题。传统隐私保护方法主要基于简单关系数据展开研究,而对实际中较为普遍的多记录数据即个人与记录是一对多关系的数据的研究较少。在多记录数据中,具有关系型数据特征的准标识属性和具有事务型数据特征的敏感属性均可能构成攻击者的背景知识,增加了个人隐私泄露的风险。当攻击者具有强背景知识时,攻击者可以通过对个人的敏感属性取值集合(简称项集)的相关性质来挖掘个人隐私信息,基于此本文提出一种新的多记录数据隐私泄露风险。为了保护隐私,本文首先提出一个基于敏感值的闭集性和强多元性相结合的隐私模型(简称CEIR l-多元性模型),接着设计了能够实现该隐私模型的DACEL算法来执行对多记录数据的匿名处理。在两个敏感值密度不同的数据集上与其它基准方法进行对比,结果表明本文方法在隐私保护水平、匿名信息损失和计算效率等方面都有稳定的突出表现。     

人工智能使能系统的可信决策：进展与挑战

人工智能的应用已经渗透到许多领域,对社会经济和人民生活产生了重大影响。但其在自动驾驶和智能医疗等高风险应用中产生了许多不可预知的风险和事故,使得人们对人工智能使能系统决策产生了信任危机,人工智能可信决策的研究也随之兴起。本文首先分析了人工智能使能系统的风险和不确定性,根据其风险来源,从模型、数据和信任等三方面重点阐述了人工智能可信问题的研究进展,从管理视角提出了多重不确定情境下人工智能使能系统可信决策的挑战,以及贯通人工智能系统生命周期的人机协同可信决策框架,最后对人工智能使能系统可信决策研究进行了展望,期望对解决多重不确定情境下的可信决策问题具有理论上和实践上的指导意义。     

考虑工作量均衡的护士联合调度决策优化模型及算法研究

为了科学有效地利用护士资源，提高护士的工作满意度，本文对护士联合调度问题进行了研究，分析了护士配置、排班和分配三个决策阶段和其相互影响关系，并在优化医疗机构配置护士成本的经济目标的同时，实现护士的均衡工作量和合理工作时长的非经济目标，有利于提升护士的工作满意度，降低护士的离职率。本文进一步构建了非线性整数规划模型来对研究问题进行解析，并针对模型的层次化特点，设计了基于Logic Benders割的Benders分解算法来进行求解。此外，本文设计了两种加速策略，进一步降低了问题的求解难度和规模，极大地提高了算法的求解效率。实验结果显示，考虑工作量均衡指标，不仅没有增加额外的人力成本，反而大幅度提升了护士之间工作量分配的均衡性，改善了工作的公平性。实验也验证了基于加速策略的Logic Benders算法的可行性和有效性，为护士联合调度优化问题提供了高效的求解手段和决策支持。