基于不完全偏好信息的多阶段应急群决策方法

针对灾害事件的多阶段演化特征,研究多阶段应急群决策方法。在复杂的决策环境下,为了解决决策专家难以对应急方案进行准确评价的问题,允许专家以残缺精确数与残缺模糊数判断矩阵给出偏好信息;而且,多阶段应急群决策模型通过构建目标规划模型对决策专家进行分阶段赋权,并解得各决策阶段下群体的方案偏好,最后通过求解决策阶段权重,获取全局群体偏好最优解。应用于危险化学品液态苯泄漏的应急处置案例验证了该方法的可行性与有效性。     

基于区间偏好信息的不确定性应急局部群决策模型

针对突发事件应急决策的复杂性特征,本文提出一种专家基于领域知识对应急方案集合进行局部评价的群决策模型。以区间数互反判断矩阵对属性进行偏好评价,采用线性规划求解权重区间,并利用集值统计序列得到属性权重向量的平均估计;在专家局部评价基础上,基于目标优化方法对方案群权重进行分配,并同时得到专家权重;通过集结个体局部偏好得到应急决策群组成员对备选方案偏好的一致性排序。最后,以地铁火灾事故为例模拟仿真应急疏散方案的群决策,对模型的实际运用说明了模型的可行性与有效性。     

基于效果域匹配的自适应案例推理决策模型

针对现有研究对案例匹配模式认识和应用的不足,通过分析案例推理决策机理,构建基于效果域匹配的案例推理决策模型.模型在对案例匹配模式进行识别的基础上,基于效果域匹配,采用自适应控制算法推理求解目标问题的决策.应用于煤矿瓦斯爆炸事故应急救援的算例与数值仿真结果表明,基于效果域匹配的决策模型使目标问题更趋近于理想解,求解过程具有更好的可控性.     

智能制造模式下基于改进BP-ARIMA组合模型产品需求预测方法

为有效预测智能制造模式下的不确定性需求,提出自回归移动平均模型ARIMA和改进BP神经网络的组合模型,对预测数据中包含线性规律的Lt以及非线性规律的ε_t进行模拟和分析,以解决预测有效性和精度问题.通过数据样本构建,对ARIMA模型结构进行辨识,确定p,d,q参数,并对模型进行诊断和检验;在此基础上进行需求数据一次预测;通过连接权值的修正降低BP神经网络学习误差,并对一次预测结果与原需求数据样本存在的误差进行二次预测.实例数据分析表明:组合模型的预测精度较ARIMA模型有显著提高,因此组合预测模型在预测效果上具有合理性和有效性.     

灾后初期考虑需求及时间不确定的应急物资配送中心选址-分配优化

面向灾后初期受灾点对应急物资需求的不确定性，考虑因通道中断造成的运输时间不确定性，以应急物资配送总成本最小和受灾点综合满意度最大为目标，构建应急物资供不应求状态下应急物资配送中心选址-分配多目标优化模型，其中，综合满意度由时间满意度和需求满意度共同刻画；设计量子粒子群优化算法对模型求解，采用遗传算法与之对比，并对相关参数进行敏感性分析。算例分析结果表明，该模型和算法是有效的，可以提供较优的选址-分配方案。