基于Vague集信息的多属性群决策专家水平评判方法

针对基于Vague集信息的多属性群决策专家水平评判问题提出了两种评判方法.首先引进了基于Vague集信息的多属性群决策信息体(即决策信息体)的相关概念,通过决策信息体构造了基于Vague集信息的一致性决策矩阵及模糊熵,其次利用Vague集信息的相似度量以及Vague集信息的模糊熵两种信息不确定性度量方法,对基于Vague集信息的多属性群决策专家水平评判问题提出了两种评判方法,即统计分析方法和模糊熵分析方法,对专家的评判水平进行排序.最后,通过一个算例说明两种方法的一致性、有效性和实用性.     

基于Vague集的理想解和灰色关联结合的决策方法及应用

针对当前应用Vague集在解决多指标决策问题时存有的不足,提出一种基于Vague集的理想解与灰色关联结合的新决策方法.决策方法充分利用了Vague集强大的模糊信息表达能力,并将理想解法与灰色关联法进行有机结合,实现从位置和曲线形状两方面来更全面地反映备选方案与理想解的关系.最后,通过一个并购中目标企业选择的示例说明方法的应用过程,并验证了方法的可行性和实用性.     

Vague集的表现定理

在Fuzzy集理论和现有Vague集理论的基础上,引入二元集合套的概念,讨论它的代数性质。在此基础上,结合Vague集的分解定理,建立Vague集的表现定理,同时得到一系列相关结果,进一步揭示Vague集与经典集合之间的联系。     

Fuzzy集的偏熵与关联熵

在文献[1]的基础上,推广模糊熵的概念。首次定义Fuzzy集的偏熵、关联熵和关联熵系数等新概念。对其主要性质进行讨论,并与模糊散度建立联系．得到一些重要结果。     

Vague集向Fuzzy集转化的新模型

回顾了Vague集的定义,并对它予以了解释,在此基础上提出了Vague集向Fuzzy集转化应满足的约束条件,最后根据信息扩散原理构建了一个新的、较为合理和应用性较强的转化模型.     

基于Vague集的PROMETHEE-Ⅱ

PROMETHEE是应用广泛的多属性决策方法之一.研究了PROMETHEE-Ⅱ的Vague集方法,首先定义了Vague集的减法,然后提出了Vague集的PROMETHEE-Ⅱ,并给出具体的算例.     

基于Vague集的群决策方法研究

首先介绍了Vague集的基本概念,将直觉模糊集的一些运算规则重新在Vague集上作了定义,提出用Vague值表示的九级语言术语集.接着指出衡量Vague集(值)相似度要考虑的三个因素,提出了新的度量方法.在同时考虑专家决策结果的一致性和专家权重的基础上,提出了汇总各专家Vague意见的方法.最后以一个案例说明了所提出的方法.     

改进Vague集评价方法在IT项目经理评价中的应用

针对Vague集评价过程中信息容易遗失的问题,提出采用Vague综合评价的思想进行计算.通过定义Vague基本运算法则,以及建立加权综合评价函数构建了新的评价方法.方法体现了Vague集理论描述不确定性问题的优点,反映了项目经理评价的一般特点.最后,通过案例计算,得到了公平公正的评价结果,并验证了计算结果的可靠性.     

基于不确定方法的项目方案优选研究

典型的Vague集Topsis评价中以[1,1]和[0,0]作为正负理想解,认为这种选择方法会造成待评价方案不确定信息的丢失,影响待评价方案的区分度低.进而提出通过方案Vague值的横向比较获取正负理想解的方法,并通过实际案例验证了方法的可靠性和科学性.这一方法的提出,进一步丰富了Vague集评价方法的理论,拓展了Vague集评价方法的应用空间.     

基于Vague集的模糊多目标决策方法及应用

针对目前基于Vague集多目标决策中Vague值计算困难以及确定目标满意度的下界和不满意度的上界存在主观随意性问题.提出了一种基于Vague集的模糊多目标决策方法.利用属性数学中的属性集和属性测度理论构造目标的真隶属度函数、假隶属度函数和犹豫度函数,从而可计算出目标的Vague值;采用记分函数计算方案的多目标评分值,从而可以对方案进行排序并选择出最优方案.应用实例验证了该方法的有效性和实用性.     

粗糙Vague集及其相似度量

对粗糙V ague集的基本操作和性质进行了研究。另外,对粗糙V ague集的相似度量问题进行研究,首先构造一种粗糙V ague值的相似度函数并给出其基本性质,然后给出一种粗糙V ague集的相似度函数以及一种粗糙V ague集的加权相似度函数。     

Vague集TOPSIS方法在方案优选中的应用

指出Vague集理论中现有距离度量的不足之处以及Vague集距离度量的基本准则,建立新的距离公式,给出建立在该距离公式基础上的TOPSIS方法,并将其应用到方案选优的实例中,得到合理的结论.     

Vague集上模糊熵的几点注记

V ague集上的不确定性度量有两种途径,一种是度量V ague集是模糊集的程度,一种是度量V ague集具有的模糊性的程度。后者将模糊集的模糊熵作为特例。本文基于“投票模型”分析了V ague集的熵应具有的特征,对国内作者提出的V ague集上的模糊熵进行了评述。     

信息熵在粗糙集信息检索模型中的应用

在信息检索过程中,由于文档中存在大量的多义和近义现象,导致不确定性出现,这将影响检索的性能.为此我们采用信息熵和粗糙集理论来处理这类不确定性问题.首先计算训练文档集中的词之间的信息熵,对信息熵做模糊聚类来构造词之间的等价关系,然后借助于该等价关系提出并实现了一个以粗糙集上下近似为基础的信息检索模型,通过实验的测试,该模型能够提高信息检索的效率.     

关于粗糙集和灰色系统之间某些关系的探讨

首先介绍粗糙集与灰色系统两种理论,并对二者进行比较。接着介绍普通粗糙集、P-粗糙集以及灰色集的定义,并就灰色集、模糊集和经典集合三者进行对比分析。我们提出了点灰度和集灰度两种灰度概念用于描述灰色系统的信息不确定性。通过P粗糙集导出相应的灰色集,并研究相关的灰度、粗糙度与边界域的性质和关系。分析表明使用导出的灰色集对系统的信息不确定性的估计与相应的粗糙集是一致的,因此两种理论在描述和处理不确定性信息系统方面的一定的相关性,将两种理论相结合来处理某些不确定性信息系统可能更为有效。     

Vague Convergence of Semimartingale Random Measures

Abstract

In this paper, we introduce and research the vague convergence of semimartingale random measures in distribution. The conditions are provided for the vague convergence of semimartingale random measures and the convergence of stochastic integrals with respect to semimartingale random measures in distribution.     

A new method for solving differential equations with vague parameters

In the literature, it is pointed out that it is better to use vague sets instead of fuzzy sets. Several authors have proposed different methods for solving such differential equations in which all the parameters are represented by fuzzy numbers but to the best of our knowledge till now no one have represented the same as vague sets. In this paper, a new representation of (α, β)-cut, named as JMD (α, β)-cut, is proposed and with the help of JMD (α, β)-cut a new method is proposed to find the analytical solution of vague differential equations. To show the application of proposed method in real life problems the vague Kolmogorov’s differential equations, obtained by using vague Markov model of piston manufacturing system, are solved by proposed method. Also, to show the advantage of JMD (α, β)-cut over existing (α, β)-cut the same vague Kolmogorov’s differential equations are solved by using the proposed method with the help of existing (α, β)-cut and it is shown that the obtained results are not necessarily vague sets while the results, obtained by using JMD (α, β)-cut, are always vague sets.     

广义模糊粗糙集的不确定性度量

研究广义模糊粗糙集的不确定性问题,利用一种新的信息熵定义模糊粗糙集的模糊性度量,并给出这种度量的性质,证明当且仅当A是经典可定义集合时其模糊粗糙集的模糊性度量FR(A)等于0。