基于证据理论和Vague集的多属性群决策方法研究

为了解决人们在复杂环境中决策困难的问题,论文基于Vague集描述不确定事物的优势,通过证据理论对Vague集进行合成,得到一种信息集结的多属性群决策方法。该算法首先考虑专家评分的可信度,在分析Vague集与证据理论的数学关系后,使用证据理论将各方案在各属性下的专家集证据集结。然后通过Vague集记分函数进行属性权重的计算,将方案集在属性集下的Vague评价值进行加权修正,再通过证据理论将属性集证据集结得到各方案最终的Vague评价值。之后使用记分函数计算每一方案的得分来确定最优方案。最后通过算例进一步说明所提方法的可行性与有效性。文章给出的算法使决策者在不确定环境下可以进行理性决策,从而选出最优方案。     

基于犹豫模糊相似的网络正能量推荐算法研究

论文依据网络正能量模糊性和多规则的特点,借助语言犹豫模糊集和普通犹豫模糊集建立正能量事件的评价集,针对事件属性对正能量的影响效应确定各属性的模糊熵和权重,建立犹豫模糊推荐模型。借助TOPSIS的思想,从大数据中得到正能量事件的标准值,通过事件与标准值模糊相似度的计算确定推荐阈值以得到满意的正能量事件推荐结果。