基于模糊DEA/AR的知识化制造模式评价和选择方法

考虑知识化制造模式的复杂度,以知识化制造模式为决策单元建立了数据包络分析模型,提出一种用于制造模式相对有效性评价的模糊数据包络-保证域方法。模型中的输入变量和输出变量以三角模糊数表征,采用权重保证域以避免传统非阿基米德无穷小量求解对评价结果的影响,引入α截集计算决策单元模糊有效性的上下界,实现决策单元的相对有效性评价。在此基础上,给出一种基于模糊有效边界值的制造模式相对有效性排序方法,为知识化制造模式选择提供依据。最后,通过试验算例验证了该方法的可行性。

基于非线性模糊支持向量机的知识化制造模式与动态环境匹配分类方法

为了评价企业当前知识化制造模式与动态环境因素的匹配性,为企业的快速响应提供依据,提出了一种考虑模糊输入和不均衡样本的非线性模糊加权支持向量机(NFW-SVM)模型.考虑到实际生产面临的动态环境因素具有模糊性和不确定性,引入三角模糊数对模糊因素进行描述.针对不同匹配类别数据样本的不均衡性,设置了不同的分类惩罚因子,以降低小样本错分的比例.将变异算子和具有收缩因子的动态惯性权重引入到标准粒子群优化算法中,利用改进的粒子群算法对模型参数进行优化,提高模型的分类精度.给出了基于NFW-SVM模型的知识化制造模式与动态环境匹配的分类方法.最后,通过实例验证了该方法的有效性和可行性.

基于熵权法的DEA/AR交叉效率知识化制造模式评价

用模糊DEA/AR交叉效率方法,解决制造模式的评价与排序问题.首先,构建了四种不同的DEA/AR交叉效率模型—任意型、对抗型、友好型和博弈型.然后,应用熵权法确定每一种交叉效率模型的最终交叉效率值,目的是用保证域来避免传统模型的权重偏差,从而实现了决策单元的相对有效评价和精确排序.同时,引入奇异指数的概念来衡量最终交叉效率的合理性及可靠性.最后,通过实例验证本文模型和方法的可行性及有效性:与采用简单DEA效率模型进行评价比较,我们的方法会使得效率更加精准、排序更加合理.