基于动态广义正交模糊集的多属性决策方法

针对现有模糊多属性决策方法大多仅给出备选方案的静态排序问题,提出一种基于动态广义正交模糊集的多属性决策方法。首先,将广义正交模糊集进行动态扩展,定义动态广义正交模糊集及其基本运算。然后,利用动态广义正交模糊集对初始决策信息进行量化,并采用广义正交有序加权平均算子进行信息集结,从而在动态广义正交模糊环境下给出备选方案的偏好排序。最后,通过5G通信企业评估问题对该方法的合理性和有效性进行验证,结果表明,基于动态广义正交模糊集的多属性决策方法考虑了时间因素对决策过程的影响,能够捕捉不同时刻决策信息的变化,从而做出更符合实际情况的科学决策。

余弦函数下广义正交模糊集成算子及应用

在广义正交模糊环境下,定义了基于余弦函数的广义正交模糊运算法则;同时研究了一些运算性质,提出了基于余弦函数的广义正交模糊加权算术平均(CT-q-ROFWA)算子和加权几何平均(CT-q-ROFWG)算子.最后在广义正交模糊环境下基于CT-q-ROFWA算子和CT-q-ROFWG算子提出了一种多属性决策方法,并通过算例验证了方法的可行性与有效性.

广义正交模糊Maclaurin对称平均算子及其应用

研究广义正交模糊决策环境下的集结算子及其决策应用。针对在信息集成时,需要考虑多个输入变量之间的相关关系以及专家的评价值为广义正交模糊信息的多属性决策问题,提出一种解决广义正交模糊多属性决策问题的方法。考虑到Maclaurin对称平均算子能够反映多个输入变量之间的相关关系,利用该算子集结广义正交模糊信息,提出了广义正交模糊Maclaurin对称平均算子、广义正交模糊加权Maclaurin对称平均算子,并研究了这些算子的性质和特殊情形。提出了基于广义正交模糊集结算子的多属性决策方法,并通过实例验证了其可行性和优势。

广义正交模糊IOWA算子及其在多属性决策中的应用

广义正交模糊集是直觉模糊集和毕达哥拉斯模糊集的推广,诱导有序加权平均算子(IOWA)是一种常用的聚合算子。将广义正交模糊集和诱导有序加权平均算子相结合,引入了广义正交模糊诱导有序加权平均算子,研究了它的一些重要性质,同时提出了一种基于广义正交模糊诱导有序加权平均算子的多属性决策方法。通过一个评奖实例说明了该方法的有效性,并分析了参数q对决策结果的影响,决策结果表明了广义正交模糊诱导有序加权平均算子的稳定性。

区间值广义正交模糊Frank算子及群决策方法

基于区间值广义正交模糊环境和Frank算子,定义了区间值广义正交模糊Frank算子的运算法则,提出了区间值广义正交模糊Frank加权平均算子(IVq-ROFFWA)和加权几何算子(IVq-ROFFWG),并研究了它们的幂等性、有界性和单调性。然后提出了基于IVq-ROFFWA算子的多属性群决策方法(MAGDM),该方法通过选取满足条件的q值,使用IVq-ROFFWA算子集结得到目标区间值模糊数,比较它们的得分得到最优方案,还得出了不同q值不影响最优方案排序的结论。最后通过实际案例验证了基于IVq-ROFFWA算子的多属性群决策方法的可行性和有效性,验证了不同q值不影响最优方案排序的结论。经过比较分析,基于IVq-ROFFWA算子和IVq-ROFFWG算子的群决策方法与基于其他算子的群决策方法运算结果一致。

面向广义正交模糊分级匹配的服务群推荐研究

针对不确定情景下的服务群推荐问题,以广义正交模糊信息处理为底层技术支撑,运用分级匹配思想建立服务群推荐模型。首先由双边推荐主体给出广义正交模糊偏好信息,构成匹配矩阵;然后提出广义正交模糊相关系数,将偏好信息转化为满意度;进一步以满意度最大化为目标建立分级匹配模型,通过模型求解最优匹配方案,以此作为最优推荐列表。

区间值广义正交模糊Aczel-Alsina Power算子及其群决策应用研究

根据Aczel-Alsina(AA)算子的灵活性与幂(PA)算子对异常数据处理能力,文章提出了区间值广义正交模糊集下AA与PA的融合算子及其多属性群决策方法.首先提出了融合的区间值广义正交AAPA的运算法则,在运算法则基础上,提出了区间值广义正交AAPA算子(IVq-ROFAAPA)和区间值广义正交AAPA加权平均算子(IVq-ROFAAPWA),并研究了它们的性质.在IVq-ROFAAPWA算子的基础上,提出了群决策方法,风险预警案例实施表明,提出的算子及决策方法可行且有效.

Frank算子在广义正交梯形模糊语言环境下的应用

基于广义正交梯形模糊语言变量及Frank T模和S模,定义了广义正交梯形模糊语言环境下的Frank T模和S模的运算规则。同时,给出了广义正交梯形模糊语言Frank加权算术平均算子、加权几何平均算子的具体表达形式,并证明了算子具有幂等性、有界性、单调性等性质。之后,将这些算子应用于属性权重已知且属性值以广义正交梯形模糊语言变量形式给出的多属性群决策问题中。最后,提出了两种不同的决策方法来处理多属性决策问题,并通过具体的示例验证了文中所提方法的正确性和可行性。

区间值广义正交模糊IOWA算子及在能源工厂优选决策中的应用

广义正交模糊IOWA(q-ROFIOWA)算子是将广义正交模糊集(q-ROFSs)与诱导有序加权(IOWA)算子相结合的一个聚合算子,但该算子只能在确定性环境下进行决策。当决策者在不确定性环境下对决策目标进行决策时,更希望通过区间值来表达决策意见。因此,本文将区间值广义正交模糊集与诱导有序加权算子相结合,提出了区间值广义正交模糊IOWA算子,即IVq-ROFIOWA算子,并研究它的一些基本性质。最后,以政府新建的能源工厂选择为例,将该算子运用于模糊多属性决策中,并对参数的灵敏性进行分析,证明该算子具有一定的稳定性。

基于广义正交三角模糊数的WSM-TOPSIS群决策方法

结合广义正交模糊集和三角直觉模糊数,给出广义正交三角模糊数的定义和运算法则,在此基础上,对WSM和TOPSIS方法进行拓展,提出一种多属性群决策方法WSM-TOPSIS。考虑到决策者和属性的权重,该方法使用WSM对决策者提出的决策矩阵进行第一次集结,通过TOPSIS计算各方案的相对贴近度得到方案的优劣排序。最后通过实例和对比分析验证了该方法的有效性和实用性。

基于广义正交模糊粗糙集的属性约简

针对不确定性问题的模糊性和信息不完整性,将广义正交模糊集和粗糙集进行融合研究。首先,基于广义正交模糊关系建立了广义正交模糊粗糙集并讨论了该模型的性质。其次,在广义正交模糊信息系统中定义了信息熵,探讨了该模型的属性约简。基于此,设计了信息熵约简算法,并将其应用到一个实际案例中,阐述了该算法的有效性。

广义正交模糊混合平均算子及其在多属性决策中的应用

研究了将广义正交模糊集与混合平均算子相结合的决策过程及其应用。利用广义正交模糊隶属度空间比毕达哥拉斯模糊和直觉模糊隶属度空间都大的优势,把混合平均算子推广到广义正交模糊隶属空间中。首先,基于广义正交模糊集和混合平均算子的概念,定义了广义正交模糊混合平均(q-ROFHA)算子;其次,考察了广义正交模糊混合平均算子的相关性质,同时对特殊条件下该算子的退变情形给予说明;最后,通过实例验证了该算子在多属性决策应用中的可行性与合理性,并探讨了不同参数取值对结果的影响。