一种多目标决策系统模糊优选方法.docxVIP

一种多目标决策系统模糊优选方法 在多目标决策系统中，方案的优点和缺点是一个客观存在的模糊概念，这是优化的模糊性，是方案识别过程中体现的客观属性。在模糊环境下的目标函数的模型中，该模型的物理意义明确，数学基础深厚，在方案的优化和评价中得到了广泛应用，但选择和评价不是任何条件都可以进行的。在本文中，我们提出了模糊选择阀值的概念，并在文章中讨论了阀值的应用，并从理论上分析了模糊结果的适应性。在文本中，这项算法提出了一种基于模糊优化计算的模糊交叉算法，并证明了其收取能力。然而，由于目标函数的函数是基于对象函数的，计算结果可能是与实际情况不符的。权重的确定并不完全取决于创建的目标函数。因此，本文提出了一种新的目标函数，并提出了具有主观监督因素的最佳最优优属性和最优重量的混合迭代算法。 模糊优选理论模型是基于多目标系统中方案的特征值进行优选的,方案的优劣与方案的特征值的相对隶属度有关,但多目标决策系统中方案的稳定性和可靠性也间接反映了方案的优劣. 因此,本文依据“数字-信息-知识”的思维,从系统的稳定性和可靠性角度,对原始数据进一步进行信息挖掘,提出了多目标决策二级模糊优选理论模型,从而进一步丰富了模糊优选理论. 2 模糊选择理论模型 2.1 第一模糊选择理论模型 2.1.1 设计集的内容 设多目标决策系统中有n个方案组成方案集 D={d1,d2,?,dn}(1) 优选是在方案集D中进行,即在D中的n个方案之间做优与劣的比较,与D以外的方案无关,这是优选的相对性. 2.1.2 指标特征值矩阵 设每个方案有m个评价指标,则n个方案的m个指标可用指标特征值矩阵表示 X=(xij)m×n(2) 式中,xij表示第j个方案的第i个指标特征值,i=1, 2, …,m,j=1, 2,, …,n. 2.1.3 方案参数的确定 由于各评价指标之间存在着量纲、量级上的差异,为消除此影响,用下式将m指标进行规格化处理 rij=xij-ximinximax-ximax(3)或rij=ximax-xijximax-ximin(4) 式中xij——为第j个方案第i个指标的特征值;ximax——为第i个指标的最大值;ximin——为第i个指标的最小值;rij——为xij的规格化值,0≤rij≤1. 用(3)或(4)式将评价指标特征值矩阵(2)式转化为相对隶属度矩阵. R=(rij)m×n(5) 2.1.4 权重的确定 m个指标对优选的作用程度不同,应给予不同的权重. 设m个评价指标的权向量为 W=(w1,w2,?,wm),m∑i=1wi=1(6) 式中,wi——为第i个评价指标的权重. 2.1.5 模糊优选相对性指标的确定 设最优方案为G=(g1,g2, …,gm),最劣方案为B=(b1,b2, …,bm). 根据模糊优选的相对性,gi、bi可用下式确定 gi=ri1∨ri2∨?∨rin(7)bi=ri1∧ri2∧?∧rin(8) 式中,gi——优等方案的第i个指标;bi——劣等方案的第i个指标. 为计算方便,最优方案可取为G=(1, 1, …, 1),最劣方案可取为B=(0, 0, …, 0). 2.1.6 最优方案的确定与求解 方案j与优等方案和劣等方案的差异分别用距优加权欧氏距离djg=√m∑i=1[wi(gi-rij)]2和距劣加权欧氏距离djb=√m∑i=1[wi(rij-bi)]2表示. 设方案j隶属于优等方案的优属度为u1j,属于劣等方案的优属度为uc1j=1-u1j,为了更全面衡量方案j与优等方案与劣等方案的差异,把优属度作为权重,称Djg=u1j√m∑i=1[wi(gi-rij)]2为距优广义加权欧氏距离,简称距优广义权距离,称Djb=(1-u1j)√m∑i=1[wi(rij-bi)]2为距劣广义加权欧氏距离,简称距劣广义权距离. 为了求解方案j相对优等方案的优属度u1j,建立模糊环境下的目标函数: min{F(u1j)=(1-α)n∑j=1(D2jg+D2jb)+αn∑j=1(d2jg+d2jb)}(9) 式中D1=n∑j=1(D2jg+D2jb)为所有方案的距优广义权距离与距劣广义权距离平方和;D2=n∑j=1(d2jg+d2jb)为所有方案的距优加权欧氏距离与距劣加权欧氏距离平方和;(9)式的物理含义为D1与D2的加权平均值最小.α称为主观监督因子,α越大认为主观影响力越大;若α=0则(9)式变为所有方案的距优广义权距离与距劣广义权距离平方和为最小,此时目标函数不受主观因素影响. 若α=1则(9)式变为所有方案的距优加权欧氏距离与距劣加权欧氏距离平方和为最小. 下面分三种情况进行分析: 1) 已知相对隶属度矩阵R和权重矩阵W,求解方案的最优优属度矩阵U1 在此情况下,求解方案j的最优优属度u1j为无约束求极值问题. 对(9)式求导并令导数为