多类型需求流的截流选址问题研究和算法实现

本文研究了网络上固定的O-D对上存在不同类型的需求流的选址问题。在基本截流模型的基础上提出了多类型需求流多目标截流选址问题的模型,将模型转化为多目标模糊规划问题,运用混合遗传算法求解模型,最后给出了算例,并与分支定界法相比,证明了混合遗传算法可以有效的求解此模型。     

一种基于模糊多目标决策的炮兵火力优化方法

适应现代炮兵作战的战术思想和要求，深入分析影响炮兵目标威胁度和炮兵火力单位射击有利度的诸因素，构建了基于模糊多目标决策算法的目标威胁度评估和火力优化模型，通过实例仿真，表明所建立的优化模型能有效提高炮兵辅助指挥决策的可信度。     

模糊环境下的城市生活垃圾逆向物流网络设计

在垃圾回收逆向物流网络中,回收的数量具有不确定性,根据这一特点,将各消费区域垃圾回收量看成模糊参数,提出了逆向物流网络的模糊约束机会规划模型,通过把模型中模糊机会约束清晰化,将模型转化为确定性的混合整数规划模型,通过算例对模型进行了求解,为逆向物流网络设计提供了依据.     

多目标运输问题的区间模型及其算法

主要给出一类目标函数的系数、供应量和需求量均为区间数的多目标运输问题模型,根据参数的实际意义和区间数的序关系,针对所建立模型,利用区间规划的方法,将其转化为确定型的多目标运输问题,最后用模糊规划技术处理等价的多目标运输问题.数值例子表明算法的有效性和可行性.     

企业发展的多目标决策模糊优化模型

企业多目标决策优化是企业生产管理以及发展的一项非常重要的工作 .企业生产管理以及发展受多种因素影响 ,而且企业的多目标决策优化问题具有模糊性 ,本文将针对其模糊性 ,运用模糊数学理论进行研究 ,并给出具体应用实例 ,其结果令人满意 ,且具有较强的可靠性和实用性     

人数与任务数不相等的指派问题

本提出人数与任务数不相等的指派问题应当视为一个多目标决策问题，首先要求指派给各人的任务数目两两之间相差不能超过1，其次要求所需总时间最少；并且给出了该问题的求解方法。     

应急避难场所选址问题的多目标规划模型及算法

城市应急避难场所选址问题是城市应急管理中首要解决的问题,应急避难场所的选址决策对处置突发事件应急的成败有至关重要的意义.目前国内外学者已经从不同的研究角度提出了避难场所规划的原则和方法.绝大多数国内外学者在研究设置避难场所时没有考虑在疏散过程中不同线路的通行速度问题,另外避难场所基本都是在现有的节点中选择若干个节点来建立避难场所,这与实际应急避难场所规划是不一样的.主要问题在综合考虑了避难场所个数、疏散时间、人员分配的平衡性、在疏散过程中不同线路的速度构建数学模型.针对所建模型,设计了求解该问题的一个启发式算法.最后结合实际案例来验证模型和算法的有效性.     

基于拟物方法的网络服务器选址问题的模型

带约束条件下的网络服务器的选址决策问题在信息服务中具有重要意义．本文从客户段的不确定性分析出发,建立一个基于拟物方法的服务器选址决策的改进模型．与原有模型相比,它能更合理描述信息服务中各种不同类型商品的供应者．并且它克服了原有模型不适用于已有多个供应者存在的情形．为带约束的网络服务决策提供科学依据．     

具有模糊数的模糊多目标群体决策优选模型与方法

多目标群体决策问题是运筹学的一个重要研究领域，目前已经提出了一些有效的决策方法。但对目标值和权重均为模糊数的模糊多目标群体决策问题却研究不多，本对此类模糊多目标群体决策问题进行了探讨，利用相对正理想方案与相对负理想方案概念定义了相对差异距离，进而建立了模糊多目标群体决策优选模型与方法，并通过战役决心方案的评价说明了该方法是可行、有效的，可作为军事决策与决策支持系统的备选方法。     

约束多目标选址问题及其算法

文章考察了一类带有区域约束的多目标选址问题，给出了用模拟退火法进行求解的策略，并在微机上予以实现，经试算得到了满意的效果。     

模糊多属性决策的三种结构元方法

将结构元理论引入到模糊多属性决策中,按照经典多属性决策的乐观型准则、悲观型准则和乐观-悲观结合型准则,对应地建立了基于模糊结构元理论的模糊乐观型、模糊悲观型、模糊乐观-悲观结合型决策方法。借助一个实例,本文运用这三种算法进行了决策,得出了和传统决策算法一致的结论。本文提出的算法不仅易于理解,而且计算的速度也远比传统算法要快,对于进一步研究模糊多属性决策问题有很好的参考作用。     

基于熵的多目标多维模糊决策模型

顾及多目标多维决策中存在的模糊性和随机性,基于Jaynes的信息熵最大原理,提出一种模糊环境下带有主观监督因子和信息熵的目标函数,导出了新的计算模糊决策识别矩阵与目标权重的模糊交叉计算公式.该模型将基于目标的客观决策与主观决策有机结合起来,为求解最优模糊决策识别矩阵和确定目标最优权重提供了一种有效途径,并把信息熵作为评价决策优劣的指标,进一步发展了多目标多维模糊决策理论模型.将本文提出的模糊决策方法应用于16家电炉炼钢企业的模糊综合评价,取得了较为满意的效果.     

应用模糊目标规划方法求解多目标线性分式规划问题

针对多目标分式线性规划问题,提出利用上(下)界表示目标期望水平及允许上(下)限,且利用一阶泰勒公式逼近隶属函数,将多目标分式规划转化为线性规划问题,并用单纯形法求解,通过实验算例说明了所提出的方法的有效性.     

离差最大化时基于交叉评价的多属性决策方法

针对属性权重完全未知,且评价系统内既有客观数据、又有主观因素的多属性决策问题,提出一种基于离差最大化和交叉评价的模糊多属性决策方法。该方法首先定义了最小交叉效率、最大交叉效率等概念,将量化指标用交叉评价方法进行处理;然后采用模糊综合评价方法评价非量化指标,并基于离差最大化思想确定权重;最后将模糊化处理之后的量化指标与非量化指标一起进行最终评价,建立离差最大化条件下基于交叉评价的模糊多属性决策模型。最后通过算例验证了方法的可行性及有效性。     

Multi-Decision-Makers Equalizer: A Multiobjective Decision Support System for Multiple Decision-Makers

In this paper we present a decision support system that helps to solve multiobjective decision problems considering a multi decision-makers framework. By an iterative procedure this system looks for a single solution that satisfies all decision-makers equally. The negotiation process requires that each decision-maker trade certain benefits in some of the objectives being analyzed for benefits in others. Finally a compromise solution should be obtained.     

多目标决策二级模糊优选模型

研究了近年来多目标决策系统模糊优选理论的发展状况,基于一种新的目标函数,给出了求解最优优属度与最优指标权重的模糊迭代算法;依据“数字-信息-知识”的思维,从系统的稳定性和可靠性角度,对原始数据进行信息挖掘,提出了二级模糊优选理论模型,进一步丰富了模糊优选理论模型.将提出的模糊决策模型应用于1 6家电炉炼钢企业的模糊综合评价决策,取得了较为满意的结果.     

采购量分配决策模糊规划模型

供应商对形成企业的竞争力起着关键性的作用。采购决策中,采购商需要决策两方面的问题:应该选择哪些供应商以及在每一供应商应该采购多少。本文考虑了多目标性和目标的模糊性,同时为供应商选择和采购量分配提出了一个集成的决策模型。最后,通过一个算例阐释了该模型。     

A Multiobjective Exploratory Procedure for Regression Model Selection

Variable selection is recognized as one of the most critical steps in statistical modeling. The problems encountered in engineering and social sciences are commonly characterized by over-abundance of explanatory variables, nonlinearities, and unknown interdependencies between the regressors. An added difficulty is that the analysts may have little or no prior knowledge on the relative importance of the variables. To provide a robust method for model selection, this article introduces the multiobjective genetic algorithm for variable selection (MOGA-VS) that provides the user with an optimal set of regression models for a given dataset. The algorithm considers the regression problem as a two objective task, and explores the Pareto-optimal (best subset) models by preferring those models over the other which have less number of regression coefficients and better goodness of fit. The model exploration can be performed based on in-sample or generalization error minimization. The model selection is proposed to be performed in two steps. First, we generate the frontier of Pareto-optimal regression models by eliminating the dominated models without any user intervention. Second, a decision-making process is executed which allows the user to choose the most preferred model using visualizations and simple metrics. The method has been evaluated on a recently published real dataset on Communities and Crime Within the United States.