CAPP 和 PPC 的集成决策模型与算法

实现ＣＡＰＰ和ＰＰＣ功能集成是从根本上解决生产计划与工艺整体优化的途径．根据ＣＡＰＰ和ＰＰＣ多级并行分布式集成体系结构，研究了支持ＣＡＰＰ和ＰＰＣ功能集成的决策模型与算法，建立ＣＡＰＰ和ＰＰＣ的集成决策目标以及在该统一目标下的多层集成单元递阶决策的模型，设计有效支持该决策模型的工艺技术分析算法和瓶颈处理算法．该模型和算法强调相关决策活动并行完成与将工艺计划和生产（作业）计划作为一个整体进行优化的原则．仿真实验结果表明，模型和算法是正确可行的．

权系数未知下的灰色关联综合集成决策模型

提出了一种新的多指标决策方法—权系数未知下的灰色关联综合集成决策模型 ,此模型的显著特点在于它可以让决策者在权系数未知的情况下进行多指标决策。介绍了此方法的原理及步骤 ,并把它应用于工业经济效益综合评价中 ,以检验其科学性和实用性。

决策信息不完全确知的模糊决策集成模型

从模糊模式识别概念出发 ,建立决策方案集对全体级别加权广义欧氏权距离平方和最小的非线性规划模型 ,导出决策信息不完全确知的多目标模糊决策集成模型。该模型将模糊优选、模糊模式识别、模糊交叉迭代、模糊聚类等多种决策方法有机地结合到一起 ,用于处理决策人偏好、方案评价、分级标准等决策信息不完全确知情况的决策问题 ,为解决复杂系统的不完全信息多目标决策提供了一条新途径。

基于决策树及其集成模型的水库调度规则提取方法

水库调度规则作为指导水库调度运行的重要工具,不仅是水库规划设计时期的决策参考要素,且是运行管理期影响水库综合效益发挥的关键技术之一。为此,以长江上游水库群历史调度运行数据为基础,结合水库调度原理及运行特征,挑选时段数、前期水位、入库、出库及当前时段入库作为影响因子组建输入因子集,综合考虑运行期数据特征及决策树原理确定时段末水位作为模型输出,同时提出相应基于水库调节库容的水位评价指标,并采用相关系数和互信息作为模型输入因子相关性评定指标,引入树形Parzen评估器对输入因子个数和算法超参数进行优化,在此基础上,建立了基于决策树及其集成模型的水库调度规则提取模型,形成了融合历史调度过程和专家经验的水库调度规则。试验结果表明,决策树及其集成模型在水库调度规则提取应用时具有较强的能力和适用性。

依据主、客观权重集成最终权重的一种方法

本文根据已掌握的主、客观信息,利用最优化技术构造既反映主观信息,又反映客观信息的确定属性权重的最优化模型,通过求解该优化模型得出各属性的最终权重．

基于概率模型检查的树模型公平性验证方法

如今,越来越多的社会决策借助机器学习模型给出,包括法律决策、财政决策等等.对于这些决策,算法的公平性是极为重要的.事实上,在这些环境中引入机器学习的目的之一,就是为了规避或减少人类在决策过程中存在的偏见.然而,数据集常常包含敏感特征,或可能存在历史性偏差,会使得机器学习算法产生带有偏见的模型.由于特征选择对基于树的模型具有重要性,它们容易受到敏感属性的影响.提出一种基于概率模型检查的方法,以形式化验证决策树和树集成模型的公平性.将公平性问题转换为概率验证问题,为算法模型构建PCSP#模型,并使用PAT模型检查工具求解,以不同定义的公平性度量衡量模型公平性.基于该方法开发了FairVerify工具,并在多个基于不同数据集和复合敏感属性的分类器上验证了不同的公平性度量,展现了较好的性能.与现有的基于分布的验证器相比,该方法具有更高的可扩展性和鲁棒性.

山区高速公路交通事故风险多维度耦合研究

为有效降低山区高速公路事故率,以2016—2021年云南省山区高速公路交通事故数据为研究对象,基于集成决策实验法-对抗解释结构模型(DEMATEL-AISM),筛选识别山区高速公路交通风险要素,从人-车-路-环境-管理时空全维度出发,分析风险要素因果并绘制UP和DOWN型有向拓扑层级图,最终确定19种风险因素;构建N-K-耦合度模型量化风险因素,对山区高速公路交通事故风险因素间进行时空全维度耦合,探究风险因素间的关系,并提出山区高速公路交通事故全维耦合交通风险弹性解耦模型。研究结果表明:单维度中,人因的跟车太近与疲劳驾驶耦合值为0.741,路因长大下坡与急弯耦合值为0.816,为单维度中对系统影响较大的2种作用情况;双维度下,较大的作用情况为人-车及人-路,耦合值为0.157、0.124,其中,路因的长大下坡、人因的跟车太近与其他要素易形成强耦合;多维度下最大的作用情况为人-路-环,耦合值为0.891,其中,驾驶人的不良驾驶行为、道路的急弯与长大下坡、环境的雨天、雾天、冰雪天极易与其他因素耦合结果超过70%,构成强耦合关系,发生交通事故概率较大。

一种基于地形因素的空气质量空间估计方法

空气质量监测对于污染评估、危害降低和环保治理等具有重要的指导意义。然而,由于空气质量监测站点的数量十分有限,且空气质量随位置的变化是非线性的,因此空气质量空间估计(即估计任意无空气质量监测站点位置的空气质量)是一项具有挑战性的工作。目前最先进的空气质量空间估计方法考虑了交通、人流、POI等因素,并基于机器学习技术建立估计模型。然而,这些方法仍存在如下不足:1)由于考虑的因素主要反映城区的特性,因此只能局限在城区范围内使用;2)直接使用从各类因素中提取的特征建立模型,没有对特征进行更深层次的提炼。针对上述问题,提出了一种基于地形因素的空气质量空间估计方法。在该方法中,首先建立地形数据库并提取地形特征,然后基于集成决策树模型对地形特征进行深层转换,最后基于因子分解机建立回归模型。基于真实数据的实验表明,该方法对估计自然地形(如高原、森林、水域等)区域中的空气质量有明显的优势。