为了解决在实际决策时,由于知识背景不同决策者采用不同粒度语言术语集来表达而导致决策结果不准确的问题,本文提出了一种基于多粒度犹豫模糊语言术语集的逼近理想解排序(technique for order preference by similarity to ideal soluti...为了解决在实际决策时,由于知识背景不同决策者采用不同粒度语言术语集来表达而导致决策结果不准确的问题,本文提出了一种基于多粒度犹豫模糊语言术语集的逼近理想解排序(technique for order preference by similarity to ideal solution,TOPSIS)决策方法。首先选用各术语集中的最大粒度作为标准粒度,通过转换算法将每个决策者的语言术语集转换到同一标准粒度下进行集结,得出相应的隶属度语言术语集;然后结合TOPSIS方法,计算每个备选方案与正、负理想点距离,以相对贴近度的大小排序实现最优方案的选择;最后,通过一个实例,验证该方法的可行性和优越性。本文所提方法可应用于最优方案的选择问题中,提升决策结果准确度。展开更多
犹豫模糊语言术语集(Hesitance Fuzzy Linguistic Term Sets,HFLTSs)允许决策者们用几个可能的语言术语来评估一个属性.近来,采用HFLTSs来进行模糊聚类分析的问题越来越受关注.考虑到目前基于HFLTSs的模糊聚类算法还存在计算复杂度高的...犹豫模糊语言术语集(Hesitance Fuzzy Linguistic Term Sets,HFLTSs)允许决策者们用几个可能的语言术语来评估一个属性.近来,采用HFLTSs来进行模糊聚类分析的问题越来越受关注.考虑到目前基于HFLTSs的模糊聚类算法还存在计算复杂度高的问题,提出了一种新的正交模糊聚类算法:首先计算样本之间的距离测度得到距离测度矩阵,接着计算其等价矩阵;然后确定置信水平值,通过置信水平值对等价矩阵进行切割;最后根据切割矩阵的列向量之间的正交关系来确定对应样本是否可以放在同一个类别,以此得到聚类结果.该算法步骤简单,计算复杂度低,并且适合于数据量大的模糊聚类问题.本文末尾将通过一个实例结合k-means聚类算法证明该算法的可行性和高效性.展开更多
文摘为了解决在实际决策时,由于知识背景不同决策者采用不同粒度语言术语集来表达而导致决策结果不准确的问题,本文提出了一种基于多粒度犹豫模糊语言术语集的逼近理想解排序(technique for order preference by similarity to ideal solution,TOPSIS)决策方法。首先选用各术语集中的最大粒度作为标准粒度,通过转换算法将每个决策者的语言术语集转换到同一标准粒度下进行集结,得出相应的隶属度语言术语集;然后结合TOPSIS方法,计算每个备选方案与正、负理想点距离,以相对贴近度的大小排序实现最优方案的选择;最后,通过一个实例,验证该方法的可行性和优越性。本文所提方法可应用于最优方案的选择问题中,提升决策结果准确度。
文摘犹豫模糊语言术语集(Hesitance Fuzzy Linguistic Term Sets,HFLTSs)允许决策者们用几个可能的语言术语来评估一个属性.近来,采用HFLTSs来进行模糊聚类分析的问题越来越受关注.考虑到目前基于HFLTSs的模糊聚类算法还存在计算复杂度高的问题,提出了一种新的正交模糊聚类算法:首先计算样本之间的距离测度得到距离测度矩阵,接着计算其等价矩阵;然后确定置信水平值,通过置信水平值对等价矩阵进行切割;最后根据切割矩阵的列向量之间的正交关系来确定对应样本是否可以放在同一个类别,以此得到聚类结果.该算法步骤简单,计算复杂度低,并且适合于数据量大的模糊聚类问题.本文末尾将通过一个实例结合k-means聚类算法证明该算法的可行性和高效性.