多目标决策问题的博弈论方法初探

本通过对多目标决策中常用解法的改进，提出了运用博弈论的方法求解多目标评价的思想，讨论了相互冲突的目标决策和非合作博弈问题中的三种类型，并给出了相应的求解路径。     

多目标规划强较多有效解和弱较多有效解的标量化和对偶性

利用n维Euclid空间中较多锥的闭包,定义了多目标规划强较多有效解.利用较多锥闭包的Minkowski泛函,给出了强较多有效解和弱较多有效解的标量化结果,并讨论了强较多有效解和弱较多有效解的标量对偶问题及其应用.     

多目标、多约束工程系统可靠度的一种求解方法

为进一步研究工程实际问题中，当系统受多方面限制的情况下，提高系统多方面功能的能力，本研究了系统多目标、多约束可靠度的一种求解的方法，其思想是：首先将系统多目标可靠度的数学模型转化为单目标的数学模型，然后由单目标问题的求解来实现多目标问题的解。     

基于UTA方法的多目标优化模型

针对多目标线性优化问题进行研究,提出了一种基于效用加性方法(UTA)的多目标线性优化方法.利用不同目标值的组合给出训练方案,决策者针对训练方案给出一些偏好信息,据此推断决策者的效用函数,并进一步求解多目标线性优化模型.进一步给出了算例来说明方法的实施过程及验证可行性.方法较多的考虑了决策者对于决策的偏好,注重决策者的意见,为多目标决策问题提供了一种新的思路.     

基于神经网络的多目标演化优化方法

本文考虑在决策者偏好不明确的条件下，使系统获得最优的思想，提出了多目标决策系统最优解的概念。把前馈神经网络与演化算法相结合，用于多目标决策系统最优解的选取。给出了有关定理的证明和示例。     

多目标优化问题的Pascoletti-Serafini标量化方法

非线性标量化方法是研究非凸多目标优化问题的一个重要途径.目前Pascoletti-Serafini标量化方法是处理非凸多目标优化问题的有力工具之一.但绝大部分结果是针对多目标优化问题的弱有效解和有效解建立的.因此,本文深入研究Akbari等(2018)提出的3类改进的Pascoletti-Serafini标量化方法,主...     

求解多目标规划最小弱有效解的同伦内点方法

本文利用非线性规划中的组合同伦方法;给出了求解目标规划问题最小弱有效解的同伦内点方法,并证明了该方法是整体收敛的。     

多目标规划的其他充分性条件

本文讨论了多目标规划其他形式的充分性条件。在主要结果中,还特别指明了:等式约束函数甚至是不等式约束函数都可以不附加任何限制条件,证明方法也都不需要依赖于单目标规划来处理。     

用AHP方法确定多目标的优先等级

本文给出了一种确定目标规划问题中多目标的优先等级的方法—— AHP方法 .     

一种改进的GDF多目标优化算法

本文提出一种交互式非线性多目标优化算法，该算法是ＧＤＦ多目标优化算法的改进，具有这样的特点：算法采用了既约设计空间策略，具有良好的收敛性；算法生成的迭代点是有效解；算法具有多种一维搜索准则；对于线性多目标问题，算法只需一次交互迭代即可示出多目标问题的最优解。     

On the implementation of the L-Nash bargaining solution in two-person bargaining games

The “Nash program” initiated by Nash (Econometrica 21:128–140, 1953) is a research agenda aiming at representing every axiomatically determined cooperative solution to a game as a Nash outcome of a reasonable noncooperative bargaining game. The L-Nash solution first defined by Forgó (Interactive Decisions. Lecture Notes in Economics and Mathematical Systems, vol 229. Springer, Berlin, pp 1–15, 1983) is obtained as the limiting point of the Nash bargaining solution when the disagreement point goes to negative infinity in a fixed direction. In Forgó and Szidarovszky (Eur J Oper Res 147:108–116, 2003), the L-Nash solution was related to the solution of multiciteria decision making and two different axiomatizations of the L-Nash solution were also given in this context. In this paper, finite bounds are established for the penalty of disagreement in certain special two-person bargaining problems, making it possible to apply all the implementation models designed for Nash bargaining problems with a finite disagreement point to obtain the L-Nash solution as well. For another set of problems where this method does not work, a version of Rubinstein’s alternative offer game (Econometrica 50:97–109, 1982) is shown to asymptotically implement the L-Nash solution. If penalty is internalized as a decision variable of one of the players, then a modification of Howard’s game (J Econ Theory 56:142–159, 1992) also implements the L-Nash solution.     

锥拟凸集值映射多目标优化的解集的连通性

在一般拓扑向量空间中,本文引进了一类锥进凸（锥严格拟凸）集值映射。并在目标映射是锥拟凸（锥严格拟凸）和上半连续的条件下,利用Minkowski泛函,证明了弱有效解（有效解）集是连通的。文[9]中的结论是本文所得结果大目标映射为单值和拓扑空间为格的情况下的特例。     

多目标规划锥有效解的最优性条件

该文提出了广义锥凸向量函数以及向量函数关于锥八的下降、不变、非升、非降方向集等概念．在讨论它们的性质和判别条件的基础上，给出了决策可行集中的点为锥八一有效解的一系列充分必要条件．     

考虑损失厌恶行为与谈判破裂的Rubinstein谈判博弈研究

本文考虑具有损失厌恶行为与破裂风险的Rubinstein谈判博弈。首先构建子博弈完美均衡,并证明子博弈完美均衡的存在性及唯一性。然后分析子博弈完美均衡的性质,结果表明:参与人受益于对手的损失厌恶行为,而因自身具有损失厌恶行为遭受损失;谈判破裂概率对均衡结果的影响取决于贴现因子与参与人的损失厌恶系数;当谈判破裂的概率趋于零时,极限均衡结果收敛于经典的Rubinstein谈判博弈结果。最后建立了与非对称Nash谈判解的关系,其中参与人的议价能力与自身的损失厌恶水平呈负相关性,与对手的损失厌恶水平呈正相关性;参与人的议价能力依赖于谈判破裂概率与出价时间间隔的比值。     

多目标决策问题的广义折衷解研究

引进决策偏好参数，提出了多目标决策问题的广义折衷解概念，然后探讨了广义折衷解的性质，最后也给出其数学规划的求解方法。     

非凸多目标优化中真有效解的一个非线性标量化性质

基于Pascoletti-Serafini标量化方法,利用罚函数思想提出了一类新的标量化函数,进而获得非凸多目标优化问题真有效解的充分条件和必要条件.该结果的建立不需要目标函数的像集有界这一条件,故文章是对Akbari等人[J.Optim.Theory Appl.,2018,178(2):560-590]建立的相应标量...     

多目标规划的鞍点准则

本文给出多目标规划有效解适应鞍点准则的一个新的判别法 ,它不使用凸性的几何术语及凸分析中的概念。最后给出单目标规划的一个相应的判别法     

二人谈判问题

本文避开了Nash谈判公理,根据实际情况建立了支付可转让和支付不可转让两类谈判问题模型,并通过引入谈判因子,给出了类似的谈判解.     

Explicit gradient information in multiobjective optimization

This work presents an algorithm that converges to points that satisfy a first-order necessary condition of weakly Pareto solutions of multiobjective optimization problems. Hints on how to include second-order information are given. Preliminary numerical results are encouraging.