基于迭代思想的模糊多目标群决策模糊优选算法.docxVIP

基于迭代思想的模糊多目标群决策模糊优选算法 提案是指由相关员工通过妥协就某些问题达成一致的协议。根据各项方法的参与情况，建议模型可分为：一份单独的建议、一份多的建议和一份多的建议。基于官僚编程的新网络应用模式，研究人员引起了人们的注意，同时，许多官僚之间的讨论是一个难题之一。现在，有几种方法可以实现多目标协调、多属性协调和多阶段协调。然而，这些研究假设了多属性的权重。在这项工作中，我们研究了不同资源的矩阵，不同目标，每个资源的矩阵，不同属性之间的矩阵，不同层次的决策方法。 Yager P R将模糊理论与多目标决策支持算法结合起来, 开拓了多目标决策支持算法研究的新纪元.模糊多目标决策算法方面已取得长足发展, 应用到各个领域.模糊迭代算法中针对部分权重未知的单决策Agent多目标决策, 其目标属性权重是确定数, 即 (0, 1]之间的实数, 非模糊数.模糊多目标群决策模糊优选法, 能够解决模糊多目标群决策问题, 其目标权重不一定是确定数, 还可以是模糊数.但此算法需要事先给出权重 (可以是模糊数) .本文将两者结合到一起, 突破模糊迭代算法中属性权重必须是确定数和模糊优选法中权重必须事先给出的限制, 从而有效地解决了Agent群决策应用中权重部分未知的问题. 1 模糊决策矩阵 假设p个决策Agent来决策n个目标, 每个目标中有m个目标属性, 其中前s(s≤m) 个目标属性权重是未知的, 而后 (m-s) 个权重是已知的, 即 并记 d=1-m∑j=s+1ωjd=1?∑j=s+1mωj, (2) 对于p个决策Agent之间来说, 他们的决策权重也不尽相同, 因此, 记每个决策Agent权重为ωk(k=1, 2, …,p) , 类似地, 令前ρ(ρ≤p) 个权重未知. 令每个决策Agent为Pk∈P(k=1, 2, …,p) , 决策空间为有限集X={x1,x2, …,xn} (即有n个目标) .则每个决策AgentPk∈P的模糊决策矩阵为 ?Fk=(?fkij)n×m(k=1,2,?,p)F?k=(f?kij)n×m(k=1,2,?,p), (3) 这里, 对于每个?ff?kijkij来说, 它包含模糊数据, 而非全都是确定数. 再给出模糊距离为:dq={n∑i=1[ωi(μ?A(xi)-μ?B(xi))]q}1/q.dq={∑i=1n[ωi(μA?(xi)?μB?(xi))]q}1/q. 第一步, 规范化模糊决策矩阵: 令每个决策AgentPk∈P, 规范化模糊决策矩阵为: ?Rk=(?rkij)n×m(k=1,2,?,p)R?k=(r?kij)n×m(k=1,2,?,p). (4) 针对每个目标的属性性质不同, 可分为效益型属性和成本型属性, 分别记作集合Λ1和Λ2.因此, 对于每个决策AgentPk∈P的规范化模糊决策矩阵?Rk, 每一个元素可表示为: 第二步, 未知模糊权重初始化: 给定计算精度ε, 使得ε0, 选取初始权重向量ω0= (ω01,ω02, …,ω0m)T, 满足s∑j=1ω0j=d, 且ω0j≥0 (j=1, 2, …,s) .令t=0. 第三步, 确定正负理想决策: 正理想决策, 为模糊决策矩阵中可能出现的决策数据的最优极限值, 即属性值的最优极限值;而负理想决策, 为模糊决策矩阵中可能出现的决策数据的最差极限值, 即属性值的最优极限值. 正负理想决策有两个特征: (1) 由于理想决策是决策数据的极限值, 实际中这个属性值很有可能达不到; (2) 理想决策值一定是确定数, 而非模糊数. 在这里, 令正理想决策值为G= (gj)1×m, 令负理想决策值为B= (bj)1×m. 随着模糊决策数据的形式不尽相同, 理想决策值的求解方式也不尽相同.对于规范化模糊决策矩阵, 当模糊决策数据为三角模糊数 (或梯形模糊数) 等折线型结构, 即?rkij=(akij,bkij,dkij)(或?rkij=(akij,bkij,ckij,dkij))时, 有 gj=max{dkij|i=1, 2, …n;k=1, 2, …,p} (j=1, 2, …,m) , (6) 其它模糊决策数据形式, 则采用 gj=sup{?rkij|i=1,2,?n;k=1, 2, …,p} (j=1, 2, …,m) . (7) 第四步, 计算每个决策Agent的优属度: 由ωk,t与下式 μk,ti={1+[m∑j=1(dq(gj,?rkij))q/m∑j=1(dq(?rkij,bj))q]2/q}-1(i=1,2,?,n), (8) 可得xi优属度ˉμk,ti(i=1,2,?,n). 第五步, 计算权重: 根据优属度ˉμk,t=(ˉμk,ti)n×1与下式 ωk,tj=d