区间数多属性决策matlab,区间多属性决策及其优化方法

摘要:多属性决策问题普遍存在于我们的生活中,有着广泛的实际应用背景。区间多属性决策是多属性决策问题的重要组成部分,有关此方面的理论研究已经取得了丰硕的成果,但是由于人们对这方面的研究起步较晚,有的理论还不完善,有待于近一步地研究。鉴于此,本文在前面学者们研究的基础上对区间多属性决策主要做了以下几个方面的工作。(1)针对属性权重已知的区间多属性决策问题,在传统的区间多属性方法的基础上提出了两种新的决策方法,即基于可能度的区间多属性决策和基于投影的区间多属性决策。与传统的方法相比,本文提出的基于可能度的区间多属性决策方法计算了各方案与正、负理想方案的可能度,结合了决策者的风险态度,得出一个综合排序。基于投影的区间多属性决策方法避开了对区间数直接进行比较,计算了方案在正、负理想方案上的投影,构建一个新的评价指标,最后得到方案的排序。(2)针对属性权重信息不完全的区间多属性决策问题,提出了两种新的决策方法,即属性权重信息不完全的区间多属性TOPSIS法和基于满意度的区间多属性决策方法。两种方法都通过决策者给出的权重信息来控制正、负理想点的取值,与传统的方法相比,避免了选取正、负理想点的随意性,使其尽量贴近决策者的主观要求。不同的是,第一种方法是基于传统的TOPSIS法通过单目标线性规划确定权重,再得出方案的排序;第二种方法是基于满意度建立优化模型,最后得出排序的。两种方法都体现了决策者的主观信息,又充分利用了决策数据,具有主观和客观相结合的特点,决策更合理。(3)提出了基于兼容度和差异度的多属性决策评价方案优化方法。目前学者们提出了众多的多属性决策方法,决策者到底选用哪一个方法比较好,没有一个值得参考的标准。而且对于同一个决策问题,如果采用不同的多属性评价方法,得到的评价结果很可能是不同的,有的时候还会差别很大。所以当依据单一方法的评价结果进行决策时,降低了决策的可靠性和科学性;当采用多种方法同时进行决策时,又会因为多种评价方法的结果不一致而陷入困境。而基于兼容度、差异度的多属性评价择优方法和模型,可以对多种传统的多属性评价方法进行综合和优化,将传统方法评价结果中一致的部分保留,不一致的部分则根据兼容度极大化和差异度极小化的原则得到新的评价结果,并且可以对评价方法的优劣进行排序。

区间优化工具以及程序,INTLAB完全是用Matlab编写的.自我验证方法 密集的线性系统(也包括内部包含和结构化矩阵) 稀疏的spd线性系统 非线性方程组 几个全球性例程: 非线性方程组的所有根 验证了全局优化 验证约束全局优化识别 单变量和多变量非线性方程的根(简单和集群) 特征值问题(简单和集群,也包含内部包含和结构化矩阵) 广义特征值问题(简单和集群) 正交用于单变量函 单变量多项式零(简单和群集) 前向和后向FFT 包含向量和矩阵的实和复据的区间算法(非常快) 实和复稀疏矩阵的区间算法(非常快) 仿射算法包括向量和矩阵 渐变使用仿射算法 Hessians使用仿射算术 泰勒扩展使用仿射算法 fl-numbers:k位浮点和区间运算 自动微分(正向模式,矢量化计算,快速) 梯度(解决非线性方程组) Hessians(用于全球优化) 泰勒系列的单变量函 自动斜率(顺序方法,对于很多变量很慢) 验证(简单)单变量函的集成 单变量和多变量(区间)多项式 严格的实时间隔标准函,包括gamma,erf和erfc(快速,非常准确,〜3 ulps) 严格的复杂间隔标准功能(快速,严谨,但不一定是尖锐的内含物) 一些严格的更高的先验功能 严格的输入/输出(外部和内部包含) 精确求和,点积和矩阵向量残差(解释,参考实现,慢) 几个实用程序 具有误差范围的多精度区间算术(作业慢,速度慢)
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值