两层多人多目标决策模型及其凸性

本文提出了四种一般性两层多人多目标决策模型及其最优解概念，它们适应于下层以不同已知信息提供给上层并涉及多个决策者不同偏好的两层多目标决策问题，研究了与这些模型相关的几种集值函数（包括下层有效前沿面，下层目标空间构成的集值函数和上层的两种复合目标集值函数）在各种意义下的凸性。     

资源分配的多目标模糊优选动态规划分析法

本尝试应用多目标模糊优选动态规划分析法求解具有多个量纲不一的定量评价目标,或既有定量目标又有定性目标的有限资源分配问题。     

多目标协商模型的标量化方法

多目标协商问题是协商理论的一个新的研究领域.本文讨论了由Bronisz和Krus提出的多目标协商模型和Bronisz-Krus-协商解概念,构造了由Bronisz-Krus多目标协商模型诱导的单目标协商模型并对其提出了一套公理系统和引入了Raiffa-协商解概念,讨论了诱导结局空间的性质,给出了Bronisz-Krus多目标协商模型与其诱导的单目标协商模型在某种意义下的等价性,即Bronisz-Krus-协商解与Raiffa-协商解可以互相确定,并给出了这种相互确定的关系式.     

多维多目标模糊优选动态规划及其在资源分配中的应用

将目前所研究的一维模糊优选动态规划扩展为多维模糊优选动态规划。在求解多维多阶段问题时,采用遗传算法与模糊动态规划法相结合进行求解,保证了优化变量的全局最优性。在其中权系数的处理中,本文采用了主客观综合评定的方法,保证了数据的合理性及准确性。并且文中用此方法解决了多维多阶段多目标的资源分配问题。     

一类资源分配与排序问题

给出与研究1 rj=bj-ajuj,∑uj U-∑uj+Cm ax型资源分配与排序问题.对于系统中加工顺序确定的情况给出并证明一个寻求其最优资源分配的多项式算法;就系统参量的某些特殊情况研究系统的最优排序.     

北京市区域教育资源分配研究

北京市作为中国的政治文化中心,其教育发展问题更是各界关注的焦点.而区域教育的发展状况及区域教育的协调发展程度.不仅体现着一个地区的教育发展水平,也体现着一个社会全面、协调和可持续发展的程度.北京市教育科学十二五规划中也将北京市区域教育均衡发展和教育现代化建设列为重要内容.为考察北京市区域教育发展状况并对今后教育发展趋势给出合理化建议,采用多元统计分析方法对北京市16个区县基础教育资源分配进行研究.首先使用脸谱图直观展示多维数据指标,其次利用因子分析综合评价各地区基础教育资源分配,最后通过聚类分析将北京市区县按基础教育资源状况分成三大类,并绘制教育发展状况地图,直观展示地理分布特点.总体来看北京市教育资源在人均数量上并没有偏重教育发展程度高的市区,反映了北京市区域教育均衡发展的方针.并针对北京市区县教育发展状况因地制宜提出合理化建议.     

供应链多层规划问题及其合作对策协商求解

针对由制造商、分销中心和零售商组成的多级分布式供应链协同计划问题,建立了三层规划生产-分销计划谈判模型,设计了基于合作对策的两步协商方法。首先,基于模糊隶属度原理,将三层规划问题转化为单层规划问题。接着,设计了基于合作对策的两步协商过程,描述了两步协商模型和交互协商算法步骤,并对算法进行了性能分析。最后,给出了基于多层规划的协同生产-分销计划模型,并得到了基于合作对策的协商算法的解决方案。并通过与其它优化策略的对比,验证该解决方案的优越性。     

软件模块测试中的动态资源分配问题

为有效利用测度过程中投入的测试资源,提高测试效率,本文考虑将测试过程为多个阶段并为各个阶段动态分配测试资源的方法,为此提出两种动态分配测试资源模型,当测试资源总数一定时,测试约束时各软件模块中剩余错误平均数量小的模型;当给定测试约束时各软件模块中剩余错误平均数要达到的预定指标时,所用的测试资源最少的模型。     

具有模糊目标的多目标双矩阵对策集结与求解

针对不确定性多冲突环境,建立了多个具有模糊目标的多目标双矩阵对策的综合集结模型.在假定局中人各模糊目标的隶属函数为线性函数的情形下,基于总体模糊目标的可达度,给出了纳什均衡解的定义,并应用粒子群优化算法对集结模型求解.最后,给出一个军事例子说明了模型的实用有效性和粒子群优化算法求解的高效性.     

多目标广义对策的良定性

By extending the concept of asymptotic weakly Pareto-Nash equilibrium point to vector-valued case, Tikhonov well-posedness and Hadamard well-posedness results of the multiobjective generalized games are established in this paper.