基于分层激励控制线的多阶段信息集结方法

针对时序动态综合评价问题,给出了一种具有分层激励特征的多阶段信息集结方法。该方法通过分层实现逐步激励,从而诱导个体或组织的突破式发展。首先,在界定了分层原则的基础上给出了激励控制线的确定方法;然后,提出了一种带有奖惩特征的信息集结模型。最后,通过一个算例对该方法的有效性进行了验证。在实践中长期使用此方法,可促使被评价对象的快速成长,同时也能减弱或避免其出现大幅倒退的情形。

基于泛激励控制线的多阶段信息集结方法

针对时序动态综合评价中多阶段评价信息集结问题,给出了一种基于泛激励控制线的集结方法,该方法能很好地刻画决策者对于被评价对象发展的预期,并在处理过程中实施"控制与激励"的双重管理手段,因而体现出明显的决策意图。实践中长期使用该方法,可对被评价对象的持续科学的发展行为产生良性诱导。最后,用一个算例验证了方法的有效性。

基于改进分层激励控制线的多阶段信息集结方法

针对时序动态综合评价问题,在分层激励方法的基础上,提出了3种改进的分层激励多阶段信息集结方法,即按比例分层的集结方法、按一维聚类分层的集结方法和按诱导变量分层的集结方法,并对其分层模式及信息集结过程进行了分析.改进后的分层方法对被评价对象评价值中包含的隐含信息的分析更为深入,且能够灵活地凸显决策者的激励意图.最后通过一个算例对方法的有效性进行了验证.在实际应用中,决策者可以根据实际问题选择适合的改进方法.

基于双激励控制线的多阶段信息集结方法

针对时序动态综合评价中多阶段评价信息集结问题,给出了一种基于双激励控制线的集结方法,该方法决策意图明确,能够利用并得出更多的评价信息,是对常用的算术平均、加权平均等合成方式在另一视角的有效补充。最后,用一个算例验证了方法的有效性。

基于二维密度加权算子的群体评价信息集结方法

群体评价中已有的信息集结算子都没有考虑到信息分布的疏密情况,且其评价信息又通常为二维数据,为此,提出了一种基于二维密度加权算子的群体评价信息集结方法。定义了二维密度加权算术平均(TDWA)算子和二维密度加权几何平均(TDWGA)算子2种新的集结算子。将新算子应用于群体评价的信息集结中,并分别给出了群体评价(二维)数据的分组与群体密度权向量的具体确定方法。最后,给出了一个具体的集结算例。

基于信息集结的新型灰色关联度构建及应用

在随机不确定数定义基础上,提出了一种新型灰色关联度构建方法,并阐述了该模型在服务品牌延伸中的应用。本模型拓展了灰色关联度的应用空间,对灰色关联度模型作了两点改进:一是定义了随机不确定数,既能体现随机数的特征且便于计算;二是在此基础上构建了新型灰色关联度,意义明确,克服了已有灰色关联度方法不能充分集结评估者信息的缺点。最后以服务品牌延伸实例对该模型的有效性进行了探讨,不仅从动态视角对服务品牌延伸机理进行了有益探索,结果还显示该模型具有一定的实用性。

具有不同偏好网络结构的群体评价信息集结方法

以评价者为节点,评价者之间偏好相似性测度为连接的网络为群体偏好网络,讨论了评价群体在偏好网络均衡状态时3种不同网络结构(星形网络、闭链结构和完整网络)的群体评价信息集结方法,将具有网络结构信息的节点数据转化为平面数据,提出了平面密度加权平均算子和平面密度加权几何平均中间算子。给出了平面数据的划分方法及平面密度算子的趋同性测度,并将算子应用于各网络结构的评价群体评价问题。

几种信息集结算子的灵敏度分析

从算子结构角度对几种较为常用的信息集结算子进行了灵敏度分析,分析视角为在数据突变以及极端数据加入两种情形下,观察算子集结值的波动情形。由于随机模拟方法的独立性,将其应用于数据突变或极端数据的生成,并融入到各算子信息集结的过程中,能够连续动态地分析集结值的变动情况。最后,通过一个模拟算例对各种集结算子的灵敏度进行了比较分析,并给出了相关结论。

一阶超对策模型中结局偏好认知信息集结的模式识别法

针对一类一阶n人超对策模型,提出了一种结局偏好认知信息的集结方法.首先通过对单一局中人中不同专家给出的对其他局中人结局偏好信息的不同认知进行关联分析,确定出专家的权重评价值,进而运用模糊模式识别原理,通过建立一个非线性规划模型,给出了一种新的超对策结局偏好认知信息的集结方法.最后,用一个数值例子对文中所提方法进行了说明.

基于三维信息集结的灰色动态多指标评价模型

文章针对传统动态多指标决策模型未能充分挖掘决策数据蕴含的有效信息问题,建立了三维评价信息的表征方法,提出了基于＂新信息优先＂原则和决策数据＂波动＂特征的时点权重确定方法,采用三维信息动态集结技术,构建了集结三维信息集结的灰色动态多指标综合评价模型,并将该模型应用于区域交通运输业综合发展水平评价中,通过应用检验模型的有效性,这种方法充分挖掘了决策数据蕴含的有效信息,能够体现被评价对象的内在属性,为开展动态多指标综合评价提供了方法支撑。

基于POWC-OWA算子的区间数多属性信息集结方法

针对属性间具有优先级别关系的区间数多属性信息集结问题,提出属性间具有优先级别关系的有序加权C-OWA(POWC-OWA)算子和有序加权C-OWG(POWC-OWG)算子,研究了其性质.基于POWC-OWA算子,提出了属性值为区间数的多属性决策方法,并进行了实例分析.

基于多属性偏好信息集结的复杂网络重要节点辨识

为了准确辨识复杂网络中的重要节点,避免单一属性指标评价节点重要性出现的偏差,提出了一种基于多属性偏好信息集结的复杂网络重要节点辨识方法。首先根据节点的局部特性、全局特性及空间位置等特性,选取度中心性、介数中心性、紧密度、结构洞、K-核(Ks)五个属性指标构建多属性复杂网络重要节点辨识模型,对节点属性偏好信息进行分析、集结和融合;然后将网络中所有节点作为评价主体,构建复杂网络多属性决策矩阵,根据熵理论对节点属性赋权,计算其与理想重要节点的贴近度,对节点重要性进行精细化排序。将该模型应用到"风筝网络"和"ARPA网络"中,根据节点重要性辨识结果对网络进行破坏性实验,结果表明,该方法的准确性比已有方法更高。

基于有序信息集结的高校图书馆效率评价方法

图书馆评价对提高图书馆管理和运行效率至关重要。由于图书馆评价涉及的指标较多,有必要研究定量化的综合评价方法。有序加权平均算子是近年来发展起来的一种有效的信息集结方法,通常的加权平均是它的特例。本文探讨其在高校图书馆多指标效率评价方面的应用研究,获得满意的结果。

基于属性约简的群体评价信息集结模型研究

针对群体评价问题中指标过多或指标相关性较高的情况,提出了基于粗糙集理论的指标约简法。根据指标属性的重要性大小确定指标的重要程度,约去冗余的、相关性高的评价指标,得到精简的指标体系,从而削减评价工作的工作量,提高评价工作的效率。对约简后的指标体系,运用基于到最优方案距离的评价方法进行综合评价。将所建立的综合评价模型应用到具体的群体评价问题中,并与其它方法结果进行比较,仿真结果验证了模型和方法的有效性与可行性,为群体评价问题提供了步骤上的创新。

一种基于三元联系数的语言区间信息集结方法

给出利用属性权重与信息决策解决语言区间信息集结的三元联系数问题的新方法。其主要思路是将语言区间变量转化为对应三元联系数矩阵,并通过对该矩阵最优集结,建立三元联系数多属性优化函数及语言区间属性权重区间数。然后进行集对势分析,计算势关联度大小并择优排序。通过实例说明该算法的处理过程及有效性。

一种体现发展趋势的自-互激励型多阶段信息集结方法

针对时序动态综合评价中多阶段信息集结问题,提出一种体现发展趋势的自-互激励型集结方法。首先,根据被评价对象不同的发展趋势得出不同的预测点,连接预测点得到预测线,以预测线为基准对被评价对象进行状态上的自激励;其次,依据原始评价值的大小衡量增长难度,并与增长速度结合,进行增长水平上的互激励;最后,通过算例验证方法的有效性。该集结方法从激励的视角考虑被评价对象自身的发展趋势和相对增长水平,据此对不同起点的对象实行差别化激励,充分尊重了个体发展差异。

博弈论方法的群体决策信息集结研究述评

近年来出现了不少用博弈论作为理论工具研究群体决策信息集结问题的文献,这些博弈论文献通过对群体决策过程中群体成员的动机与理性行为进行分析,给出了一些与人们的直觉完全相反的重要结论。文章从决策信息的获取、审议过程中信息的披露、透明性的影响与最优决策规则四个方面对此领域的研究进展进行了系统评述。将基于博弈论的群体决策信息集结研究与经济学、政治学、管理学以及社会心理学领域对群体决策的传统主流研究进行了比较,分析了博弈论作为理论工具研究群体决策信息集结问题的优势,最后指出了现有研究工作存在的不足之处。

群体信息集结过程中无量纲化方法的选择

针对线性无量纲化方法对群体评价中信息集结结果的影响问题,本文以线性加权的群体信息集结方法为背景,以集结成的群体信息最大程度地扩大被评价对象间的差异为导向,给出了群体信息集结过程中无量纲化方法选择的若干结论和建议。首先设定评价情景并提出研究假设,分析不同无量纲化方法集结成的群体信息对各被评价对象间的差异影响;然后对造成被评价对象之间差异的主要因素进行了讨论;通过对不同因素的分析以及与未经过无量纲化处理集结成的群体信息中各被评价对象间差异的比较,得出一些重要的结论,并给出一些针对群体信息结集过程中选择无量纲化方法的建议;最后,用一个算例检验了结论的有效性。

基于区间语言的灰Vague联系数信息集结方法

在集对分析联系数理论基础上,给出了一种Vague语言区间的信息集结的联系数问题的新思路及算法.其主要方法是将Vague语言区间标度变量转化为集对分析的同、异、反联系数形式,并将其对应的决策矩阵转化为相应灰联系数矩阵,建立计算Vague语言区间的灰联系数属性的记分函数的信任度和不确定因子.通过集结不确定因子的大小进行排序决策.最后,通过具体算例说明该算法的计算步骤及过程.

考虑评价信息满意度的群体信息集结方法研究

信息集结方法是群体评价的重要研究内容,针对该问题本文对评价信息满意度进行测度,并基于此对群体信息的集结方法展开研究。该方法根据指标信息的变化赋予评价者不同的权重,以改变现有研究中评价者权重大多固定不变的做法,旨在使群体信息集结的结果更加公正和准确。首先对问题进行界定并给出评价信息满意度的定义;然后分别给出先验信息满意度和评价过程中的信息满意度的确定方法,利用先验信息满意度确定各评价者的初始权重,并利用评价过程中的信息满意度对其修正,从而得到各评价者的权重矩阵。最后,按照各评价者的评价信息满意度对群体评价信息进行集结。