基于熵权的单值直觉中智集的多属性决策方法及其应用

考虑到单值直觉中智集能更加准确描述不确定性、不一致性、不连续性信息,基于熵权TODIM和TOPSIS融合方法,建立了单值直觉中智集环境下的熵权TODIM和TOPSIS融合模型,并且将其应用于解决多属性决策问题.通过两个实际案例分析了该方法的可行性和有效性,并将该方法与常用的方法进行对比.结果表明,单值直觉中智集环境下的熵权多属性决策方法能够给出合理可行的决策方案,并且更加贴切地处理不确定信息,有助于人们进行决策.

关于单值映象对和集值映象对的公共不动点

本文给出了单值映象和集值映象相容和次相容的两个定义,讨论了它们与已知定义之间的关系;得到了一些单值映象对和集值映象对的公共不动点定理.

单值中智语言集属性相关联的多属性群决策方法

单值中智语言集同时具有单值中智集和语言集的优点,对于模糊信息的处理更加有效,结合TODIM方法可以解决在单值中智语言环境下且属性相关的多属性群决策问题.首先给出了单值中智语言集的一些相关知识,定义了基于单值中智语言集的Choquet积分算子,来解决属性间的关联性问题并集结了各个专家的评价值,再通过TODIM方法计算方案间的优势度从而得到全局优势,据此对方案进行排序.最后将此法运用到具体算例之中验证该法的可行性和有效性.

关于一对集值映象和两对单值映象的公共不动点定理(英文)

该文的主要目的是,对于一类严格压缩条件,在不具有紧性和不使用连续性的条件下,建立了一对集值映象和两对单值映象的公共不动点定理.定理推广和改进了一些现有文献的相应结果.

单值中智软集及其相关性质

为进一步丰富软集理论并扩展其适用范围,将软集和中智集有效结合,提出了单值中智软集的概念,给出了相关运算及性质,并证明了基于上述运算定义所得到的结合律、对偶律、分配律等定理。该研究不仅完善了中智集理论,也为软集在决策领域上的应用提供了新工具。

集值映象对和单值映象对的公共不动点定理

本文给出了单值映象与集值映象次弱可换和次轻微可换的两个定义,得到了几个新的关于四个映象的公共不动点定理,改进和推广了 Fisher,Singh,徐洪坤和张石生教授的结果,且也是许多作者关于单值映象公共不动点定理的改进和推广.

基于维度根距离相似度量方法对单值和区间中性的聚类算法进行聚类算法（英文）

聚类在数据挖掘、模式识别、机器学习等方面具有重要作用。然而,直觉模糊集(IFSs)和区间直觉模糊集(IVIFSs)无法描述和处理不确定和不一致的信息,而单值中性化的模糊集(SVNSs)和区间神经网络集(INSs)可以描述和处理它。到目前为止,现有的集群技术几乎不涉及SVNSs,也不涉及到INSs。为此基于直觉模糊聚类算法和单值中性聚类算法,首先提出了基于SVNSs维根距离的余弦相似度度量的另一种单值中性聚类算法(SVNCA)。在聚类算法中,我们定义了SVNSs与SVNSs之间的余弦相似度度量之间的维根距离度量,然后提出一种基于SVNSs的余弦相似度度量的聚类算法,用于聚类单值中性化数据。然后,将SVNSs的聚类算法扩展到簇内,并提出了一个区间中性聚类算法(INCA)。最后,给出了一个算例,说明了在单值中性化和间隔中性环境下所提出的聚类算法的应用和有效性。

单值中智语言环境下的TODIM决策方法

基于决策过程中属性值信息的不确定性以及决策者对收益与损失风险态度的差异,提出了单值 中智语言环境下的交互式多属性决策方法(TODIM).首先,利用单值中智语言集量化属性值信息中的不确 定度并进一步地描述属性值信息;其次,基于改进后的语言标度函数定义了单值中智语言数的距离测度和集 结算子;在此基础上,通过标准差计算属性权重,依据TODIM 方法计算各方案的全局优势度并排序;最后, 通过节能服务公司的选择案例验证了该方法的可行性与有效性.

Common Fixed Point Theorems of Single-valued and Set-valued Mappings in Complete,Convex Metric Spaces

Under the conditions of compatility or sub -c ompatility between a sigle-valued mapping and set-valued mapping, this paper d iscusses the existence of common fixed points for two set-valued mappings and a single-valued mapping in complete, convex matric spaces. We extend and develop the main results.

集合概念的扩张与完善

从集合概念的内涵出发,剖析了单值集——Cantor集合、Fuzzy集合、Rough集合、可拓集合概念的内涵;剖析了复值集——Grey集合、未确知集合、Vague集合、泛灰(UG)集合和广义泛灰(GUG)集合的内涵;从而得出广义泛灰集合是内涵最深的集合概念;它具有极强的描述能力,可以描述客观存在的一切现象,故又是外延最广的集合概念.

A RELATION BETWEEN THE MATCHING NUMBER AND LAPLACIAN SPECTRUM OF A TREE

Let T be a tree with matching number μ(T). In this paper we obtain the following result: If T has no perfect matchings, thenμ(T) is a lower bound for the number of nonzero Laplacian eigenvalues of T which are smaller than 2.