广义梯形模糊数密度加权算子及其应用

针对多属性决策问题,本文面向广义梯形模糊数的决策信息,提出了广义梯形模糊数密度加权算子(TF-DWA算子)的信息集结方法。首先介绍了广义梯形模糊数密度加权算子及其合成算子,并分析了其性质特点。然后,基于信息分布的疏密程度讨论了广义梯形模糊数的分组问题,通过质心排序指标值进行聚类。在此基础上,基于熵值法求解密度加权向量。最后,通过一个应用算例对本文提出的算子进行简要说明。     

残缺数据下动态随机算法及应用

针对指标数据残缺的动态评价问题,提出了一种基于残缺数据的动态随机算法。首先依据时间维度上的分布情况将残缺值分为两类:离散型与连续型,并提出了对应的补足方法;然后在数据补足完整的基础上,利用随机模拟技术,计算优胜度矩阵,并推导出被评价对象之间的可能性排序。该算法避免了评价对象之间排序的绝对性,在对实际问题的解释方面具有较大弹性。最后,通过一个算例对该算法进行详细说明。     

考虑评价信息满意度的群体信息集结方法研究

信息集结方法是群体评价的重要研究内容,针对该问题本文对评价信息满意度进行测度,并基于此对群体信息的集结方法展开研究。该方法根据指标信息的变化赋予评价者不同的权重,以改变现有研究中评价者权重大多固定不变的做法,旨在使群体信息集结的结果更加公正和准确。首先对问题进行界定并给出评价信息满意度的定义;然后分别给出先验信息满意度和评价过程中的信息满意度的确定方法,利用先验信息满意度确定各评价者的初始权重,并利用评价过程中的信息满意度对其修正,从而得到各评价者的权重矩阵。最后,按照各评价者的评价信息满意度对群体评价信息进行集结。     

基于二维IOWA算子的客观自主式评价方法

对于有限方案的多指标综合评价问题,将各被评价对象视为平等的评价主体,建立了一种客观自主式评价的方法。该方法首先对各评价主体的竞争视野进行了界定,并根据竞争视野内指标信息的分布情况,给出了指标的绝对优势度和相对优势度概念。在此基础上,以指标的绝对优势度和相对优势度为诱导分量,对指标重新排序,并基于“权数非独裁”的思想,给出了一种确定指标位置加权向量的方法。最后通过一个算例对该方法的应用进行了说明,算例结果表明该方法不仅能够提升评价主体的竞争优势,而且提升了评价结果的可接受程度,从而验证了该方法的有效性。     

综合评价的随机模拟求解算法及应用

在经典的综合评价理论里,评价结论的信息形式通常是绝对的．本文认为这种绝对的结论形式阻碍了理论对实际问题本质的贴近,是产生“多评价结论非一致性”问题的重要原因．针对该问题,提出了一种基于“蒙特卡罗仿真”思想的随机模拟型综合评价求解算法,并对相应的排序方法进行了研究,该方法的特点是可产生带概率（可靠性）信息的评价结论,因而较绝对的结论形式从问题的可解释性方面拥有了更多的优势．因随机模拟求解方法具有独立性,作为示例,将其应用于“自下而上”的评价模式中,构建出一种新颖的自主式评价方法．最后,用一个算例验证了方法的有效性．     

基于泛激励控制线的多阶段信息集结方法

针对时序动态综合评价中多阶段评价信息集结问题,给出了一种基于泛激励控制线的集结方法,该方法能很好地刻画决策者对于被评价对象发展的预期,并在处理过程中实施"控制与激励"的双重管理手段,因而体现出明显的决策意图。实践中长期使用该方法,可对被评价对象的持续科学的发展行为产生良性诱导。最后,用一个算例验证了方法的有效性。     

基于先验信息和一维数据聚类的专家赋权方法

多属性群体评价方法研究中,对专家赋权是一项重要的研究内容。本文结合专家的先验信息和后验信息,提出了一种确定专家权重的方法。首先,利用专家历史评价活动中的序值相关系数,做出本次评价活动的预测值,进而确定专家先验权重;其次,基于群体共识视角,对各专家所给出的指标信息进行一维数据聚类,结合不同分组情况下出现的概率,计算出专家后验权重;最后,将两类权重进行组合确定最终权重,并用一个算例验证了该方法的有效性以及合理性。     

基于数值分布的激励型综合评价方法

针对激励评价中的等级划分问题,本文提出了一种基于数值分布的等级划分方法,相比于现有的等级划分方法,该方法能够综合考虑数值分布情况来划分等级,并结合本文提出的等级划分法对密度算子进行拓展,提出了一种基于数值分布的激励型综合评价方法。首先本文从数值分布的角度提出了一种新的等级划分方法,从而得出各等级区间的等级区间分界点;其次确定等级系数,并结合指标值和等级区间分界点给出各指标的权向量,给出一种不需要进行归一化处理的等级权向量确定方法,该方法能够较好的解决归一化处理带来的不公平性;再次根据密度算子思想对评价数据进行集结得出评价结果;最后通过一个算例对该方法进行验证,结果表明该方法可以实现对被评价对象科学激励的作用。该方法尤其适用于企业员工激励、省市综合排名、高校人才选拔等问题。     

基于随机模拟视角的混合数据形式密度算子

基于“蒙特卡罗仿真”的思想,采用随机模拟的方法从混合数据形式的角度对密度算子进行拓展研究。首先,给出了一种将混合数据转化为区间数的方法,并通过平移和放大或缩小处理,将所有区间数放到同一区间范围内;然后,运用随机数发生器给出区间上某分布的随机数信息,并依据随机数的分布情况对其进行聚类,给出了密度权重的确定方法;在此基础上,将随机模拟的方法应用于密度算子信息集结模型中,得到带有概率信息的评价结论。最后,通过一个算例验证了方法的有效性。     

基于分层激励控制线的多阶段信息集结方法

针对时序动态综合评价问题,给出了一种具有分层激励特征的多阶段信息集结方法。该方法通过分层实现逐步激励,从而诱导个体或组织的突破式发展。首先,在界定了分层原则的基础上给出了激励控制线的确定方法;然后,提出了一种带有奖惩特征的信息集结模型。最后,通过一个算例对该方法的有效性进行了验证。在实践中长期使用此方法,可促使被评价对象的快速成长,同时也能减弱或避免其出现大幅倒退的情形。