基于群体共识算法的深度学习推荐系统评价

针对群决策过程中专家群体共识水平不高的问题,构建一种基于调整成本最小化的群决策算法。该算法在三个层面定义一致性-共识性测度,用于衡量模糊判断矩阵的一致性和共识性水平;建立基于最小调整成本的共识调整反馈机制来识别需要调整的决策者和偏好值;建立以共识调整总成本最小为目标函数的最优化模型计算每个决策者的最优调整参数和共识阈值上界;设计基于调整成本最小化的群决策算法,并验证其收敛性。通过深度学习推荐系统的优选实验表明,构建的群决策算法在成本和效率方面更有效。

基于模糊群决策算法的高性能数据库优选

模糊群决策的两个主要问题包括完全一致模糊偏好关系(FPR)的构造和专家共识水平的提升,因此,构建了基于乘性一致性和共识调整模型的群决策算法,并将其运用于高性能数据库优选问题。首先,运用专家提供的FPR,设计一种完全乘性一致FPR的构造方法,进而引入同时衡量一致性和共识性的一致性-共识性指数;其次,提出基于最小调整成本策略的群共识调整模型,以共识调整总成本最小化为目标函数建立最优化模型,进而得到每个专家的最优调整参数和共识阈值下界;最后,构建一种具有收敛性的模糊群决策算法。通过高性能数据库产品的优选实验表明,所构建的群决策算法在成本和效率方面更为有效。