基于评价信息随机化的群体评价方法与应用

针对群体评价中共识集结的相关问题,从仿真的视角讨论了评价信息随机化的群体共识聚合求解方法。首先,面向实数类型的评价信息,将精确性的数据给予一定的宽松性处理,进一步结合正态分布的3σ原则,利用随机模拟的方式集结出带有概率特征的可能性排序;其次,面向区间数类型的评价信息,整合出各子区间发生概率不同的区间数评价信息,在充分随机模拟的情况下,给出了带有优胜概率特征的可能性排序。最后,通过相应的算例进行求解分析,说明了该方法的可行性和有效性。基于群体共识视角,针对实数和区间数两种类型的评价信息,分别进行相应的随机化处理,并为进一步探索区间数的分布形式提供了一种新的研究思路。     

综合评价中异常值的识别及无量纲化处理方法

针对综合评价中的异常值现象,讨论了原始数据中是否存在异常值、若存在异常值该如何识别异常值以及对含有异常值的评价数据如何进行无量纲化处理三个问题。关于异常值的判断与识别,给出了以“中位数”为参考点,通过比较排序后两端数据偏离中位数的距离的处理思路。对含有异常值的评价数据的无量纲化处理问题,基于常用的“极值处理法”,通过分别指定异常值和非异常值无量纲化取值区间的方式,提出了一种分段的无量纲化处理方法。最后,通过与已有文献异常值识别及无量纲化处理结果的对比分析,验证了本文方法的有效性,发现本文给出的方法能够实现对异常值的适度筛选,且能够提升无量纲化数据分布均衡性。     

一种基于蒙特卡罗模拟的群体协商评价方法及其应用

针对综合评价中不同专家(或利益相关者)对属性权重看法不一致的情况,提出了一种蒙特卡罗模拟的群体协商评价方法。文章首先给出了一种专家影响力的确定方法;然后对各属性下专家的非一致性意见进行协商集结,得出属性权重的协商区间;最后在权重协商区间确定的基础上,利用蒙特卡罗模拟的方式来计算方案的优先排序概率,据此对方案进行排序,并给出了一个排序可信度的概念。文章最后给出了一个应用例。     

一种体现发展趋势的动态综合评价方法

针对动态综合评价中没有考虑被评价对象指标的发展趋势的问题,综合考虑评价指标的发展趋势、指标权重和时间权重的影响,构建了一种体现发展趋势的动态综合评价模型。定义了发展因子,用于表示被评价对象指标的发展趋势,在纵横向拉开档次法的基础上采用离差平方和最小化的方法确定指标权重,并建立了一种体现“厚今薄古”思想的时间函数来确定时间权重。最后,将该动态综合评价模型应用于中国西部地区宏观经济发展评价问题中。     

随机模拟型综合评价模式及其求解算法

针对类似于“球队实力”比较的评价问题,通常很难以一次的比赛给出绝对的评价结论,提出了随机模拟型的综合评价模式。即通过参数设置的方式,可将传统评价模式转化为随机模式,求解得到方案之间优劣关系比较的可能性排序结论。可能性排序结论是对绝对形式评价结论的拓展。首先,对随机模拟型评价模式进行了介绍;然后,分析了传统评价方法向随机模拟型评价模式转化的一般思路;在此基础上,基于“在提升排序链出现的可能性基础上,进一步保证排序链的稳定性”的规则,给出了求解可能性排序结论的两种方法。最后,通过算例对随机模拟型评价模式的应用进行了说明,并将其与绝对形式评价结论进行了比较。该评价模式是对传统评价模式的拓展,可进一步拓宽综合评价理论的实际应用范围。     

拉开档次法稳定性分析及改进

采用随机模拟仿真的方法分别从增添异常对象和极端样本两个方面对拉开档次法的稳定性进行了分析,给出了相关结论。在此基础上,基于“因子分析”提出了拉开档次法的改进方法,算例部分的分析表明该方法因兼顾了同类数据之间的内部差异,能够削弱“异常值”对原始数据的干扰作用,从而进一步提升了方法的稳定性。最后,指出拉开档次法适用于评价指标数目较少的评价问题,而基于“因子分析”的改进方法则适合于数据数目较多且指标有相关关系的评价问题。     

一种体现发展趋势的自-互激励型多阶段信息集结方法

针对时序动态综合评价中多阶段信息集结问题,提出一种体现发展趋势的自-互激励型集结方法。首先,根据被评价对象不同的发展趋势得出不同的预测点,连接预测点得到预测线,以预测线为基准对被评价对象进行状态上的自激励;其次,依据原始评价值的大小衡量增长难度,并与增长速度结合,进行增长水平上的互激励;最后,通过算例验证方法的有效性。该集结方法从激励的视角考虑被评价对象自身的发展趋势和相对增长水平,据此对不同起点的对象实行差别化激励,充分尊重了个体发展差异。     

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。     

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．     

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。