数据库中挖掘决策偏好信息的粗糙集方法研究

获取决策者的决策偏好信息是多属性决策问题的关键所在，这种偏好信息往往隐藏在大量历史数据中。数据挖掘技术是知识自动获取的一个重要手段。该文基于粗糙集理论提出了一个自动发现决策偏好信息的算法，利用该算法挖掘出的偏好信息采用if …then 规则的形式，因此更容易被决策者所理解。

CPS框架下基于决策者偏好信息的NPS-CSS算法

在研究钢铁企业面临的最优化问题中,提出了一种新的针对多目标优化问题的求解算法——基于决策者偏好信息的NPS-CSS算法,同时结合鞍钢球团在链篦机-回转窑的预热、焙烧过程,对该算法的实用性和高效性进行了验证。为解决多目标优化问题提供了一种可行性方案,具有较强的有效性和实用性。

数据挖掘技术在交通事故分析中的应用

结合关联规则与粗糙集的思想,提出了基于偏好信息的决策规则约简算法,并将该算法应用于长春市历年的道路交通事故数据分析中,从而找出交通事故发生的潜在规律.

CP-nets及其表达能力研究

偏好处理是人工智能中的一个重要研究内容,它的4个研究热点是偏好的表示、提取、聚合和推理.条件偏好网(Conditional preference networks,CP-nets)是一种简单直观的偏好表示的图形工具,但很少有工作研究CP-nets的表达能力.本文研究CP-nets的表达能力,详细研究了CP-nets表达偏好的完备性,其上构造的运算复杂度以及适用的场合.首先给出了CP-nets模型上的几个运算,利用改进的Warshall算法求出了二值网的强占优测试在最坏情况下的复杂度为O(4n).其次通过构造CP-nets导出图及其性质的研究,得出CP-nets特别适合不完全信息下的多属性定性偏好决策.当需要处理更完全信息时,可借助于与Agent的交互来完成.虽然我们给出了CP-nets的强占优测试的理论解,但其理论上可解,实际上不可解.为了解决强占优测试的指数级复杂度问题,本文最后给出了一种带有软约束的满足问题(Soft constraint satisfactionproblem,SCSP)的求解方法.它把CP-nets中的定性运算转为约束半环中的定量运算,从而将指数级的复杂度转化为多项式的复杂度,间接提高了部分CP-nets的表达能力.本文所做的工作是对Boutilier和Bistarelli工作的改进和提高.