基于三枝决策粗糙集的供应链合作伙伴选择方法

选择合适的合作伙伴对提升供应链竞争力具有重要的战略意义。选择合作伙伴的常见方法有:线性加权法、数学规划法和层次分析法等,在存在噪声的实际决策环境中,大多数评价和选择方法缺乏对误分类的容错能力。本文根据三枝决策粗糙集理论,提出了一种新的方法来选择合作伙伴。该方法引入了最小风险贝叶斯决策理论,采用定量的概率包含关系来度量对象集合相对于目标概念的隶属度(条件概率),找出最小期望风险的决策,将其作为划分正域、负域和边界域的基本依据。本文给出了该方法的具体步骤,并通过算例对其有效性进行了验证。

一种自适应求三枝决策中决策阈值的算法

在三枝决策粗糙集模型中,基于贝叶斯决策理论,在给定的损失函数基础上可以计算出不同决策之间的阈值,从而可以推导出各种现有的概率型粗糙集模型,如可变精度粗糙集模型等.但是决策粗糙集模型需要对损失函数预先设定,这就需要合适的先验知识.本文通过研究三枝决策粗糙集模型中的风险损失和建立模型需要的阈值参数之间的关系,提出了一个最优化问题,给出了理论分析,说明解决该优化问题即可求得所需参数,并给出了一种自适应求阈值参数的算法.该算法将每个样本的条件概率作为搜索空间,以决策风险损失最小化为目标,求得的损失函数和阈值能够使得用户基于此作出的风险最小.在部分数据集上的实验也表明了算法的有效性,利用学习到的阈值建立的三枝决策粗糙集模型能够取得更好的分类性能.

广义梯形模糊数决策粗糙集

考虑到在决策过程中损失函数的不确定性且广义梯形模糊数作为三角模糊数的一种拓展,从贝叶斯理论出发,在三角模糊数决策粗糙集的基础上,将广义梯形模糊数引入三枝决策粗糙集,建立了广义梯形模糊数决策粗糙集并推导了其性质和规则;然后,通过一个协同知识管理项目的例子来阐明模型的具体应用.优势在于不仅将离散模糊集合扩展到连续集合,而且与其它模糊集合相比较具有更好的泛化性.