法律状态公告日
法律状态信息
法律状态
2023-02-10
实质审查的生效 IPC(主分类):G06Q10/0637 专利申请号:2022114119398 申请日:20221111
实质审查的生效
2023-01-17
公开
发明专利申请公布
技术领域
本发明涉及犹豫模糊集技术领域,尤其涉及一种基于犹豫模糊扩散决策模型的决策方法及相关装置。
背景技术
决策在日常生活、商业活动、科学研究等方面都具有非常重要的应用。在决策过程中,主要任务是在多个可行方案中找出最优方案。合理的决策结果对方案需求方具有重要价值,因此引起了包括心理学家、经济学家和计算机科学家在内的众多研究者的关注和研究。
一般来说,决策是决定备选方案的优先级,每个备选方案都由几个属性或一系列标准组成。换句话说,备选方案可以看作是待决定的目标意见,而决策的基准实际上由若干属性或标准组成。在相关技术中,通常直接使用属性信息来确定最优备选方案,而属性信息无法保证不同模糊元素之间的正确关系,进而导致决策结果的准确性欠佳。
发明内容
本发明实施例的主要目的在于提供一种基于犹豫模糊扩散决策模型的决策方法及相关装置,至少能够解决相关技术中直接使用属性信息进行决策所得的决策结果的准确性欠佳的问题。
为实现上述目的,本发明实施例第一方面提供了一种基于犹豫模糊扩散决策模型的决策方法,该方法包括:
针对决策矩阵中多个备选方案,计算所有属性的权重信息;其中,各所述备选方案分别对应时间序列犹豫模糊集的一个元素;
基于所有属性的所述权重信息,计算所有所述备选方案的综合预先有序值;其中,所述综合预先有序值用于衡量所有所述备选方案之间的相关程度;
参考所有所述综合预先有序值对所有所述备选方案进行排序;
根据排序结果从所有所述备选方案中确定最优备选方案。
为实现上述目的,本发明实施例第二方面提供了一种基于犹豫模糊扩散决策模型的决策装置,该装置包括:
第一计算模块,用于针对决策矩阵中多个备选方案,计算所有属性的权重信息;其中,各所述备选方案分别对应时间序列犹豫模糊集的一个元素;
第二计算模块,用于基于所有属性的所述权重信息,计算所有所述备选方案的综合预先有序值;其中,所述综合预先有序值用于衡量所有所述备选方案之间的相关程度;
排序模块,用于参考所有所述综合预先有序值对所有所述备选方案进行排序;
确定模块,用于根据排序结果从所有所述备选方案中确定最优备选方案。
为实现上述目的,本发明实施例第三方面提供了一种电子装置,该电子装置包括:处理器、存储器和通信总线;
所述通信总线用于实现所述处理器和存储器之间的连接通信;
所述处理器用于执行所述存储器中存储的一个或者多个程序,以实现上述任意一种基于犹豫模糊扩散决策模型的决策方法的步骤。
为实现上述目的,本发明实施例第四方面提供了一种计算机可读存储介质,该计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述任意一种基于犹豫模糊扩散决策模型的决策方法的步骤。
根据本发明实施例提供的基于犹豫模糊扩散决策模型的决策方法及相关装置,针对决策矩阵中多个备选方案,计算所有属性的权重信息;其中,各备选方案分别对应时间序列犹豫模糊集的一个元素;基于所有属性的权重信息,计算所有备选方案的综合预先有序值;其中,综合预先有序值用于衡量所有备选方案之间的相关程度;参考所有综合预先有序值对所有备选方案进行排序;根据排序结果从所有备选方案中确定最优备选方案。通过本发明的实施,采用预先有序值作为最终结果来衡量备选方案之间的关系,使决策结果具有更好的辨别能力,保证了决策对象之间排序的准确性,进而有效提高了决策结果的准确性。
本发明其他特征和相应的效果在说明书的后面部分进行阐述说明,且应当理解,至少部分效果从本发明说明书中的记载变的显而易见。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提供的基于犹豫模糊扩散决策模型的决策方法的基础流程示意图;
图2为本发明第一实施例提供的基于犹豫模糊扩散决策模型的决策方法的细化流程示意图;
图3为本发明第二实施例提供的基于犹豫模糊扩散决策模型的决策装置的程序模块示意图;
图4为本发明第三实施例提供的电子装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一实施例:
犹豫模糊集是一种流行的颗粒计算方法,是决策场景中的一种重要方法。目前,时间序列犹豫模糊集(TSHFS)是通过将时间序列与经典犹豫模糊集关联起来提出的,但缺乏时间序列犹豫模糊集的相关系数计算方法。由于相关系数是模糊集和决策场景中重要的度量方法,本实施例提出了相应的针对TSHFS的相关系数计算方法。同时,为了充分利用决策矩阵中属性信息的重要性,使决策结果具有更好的辨别能力,提出了新的决策模型——犹豫模糊扩散决策模型(HFDDM),并将其应用于TSHFS环境下的多属性决策中。
将时间序列信息与HFS相结合,即时间序列犹豫模糊集(TSHFS),其可以用于描述时间序列线中隶属度的波动变化信息,是反映决策者对决策问题知识水平的一个重要因素。与经典HFS和其他变体相比,TSHFS不仅能很好地表达时间序列维度上的这种隶属度差异,即决策者的波动犹豫,而且可以消除隶属度的排列过程。然而,到目前为止,仍没有有效的可以应用于TSHFS的相关系数计算方法。
为了解决相关技术中直接使用属性信息进行决策所得的决策结果的准确性欠佳的问题,本实施例提出了一种基于犹豫模糊扩散决策模型的决策方法,首先,本实施例对时间顺序犹豫模糊集进行阐述:
1)设X为参考集,X上的时间顺序犹豫模糊集(TSHFS)定义如下:
其中,
如果
2)给定三个长度相同的TSHFSE:
3)假设存在一个TSHFSE
那么轨迹
对于前述TSHFSE:
应当说明的是,
进一步地,本实施例还对时间顺序犹豫模糊集的相关系数计算方式进行阐述:
1)给定一个映射r:TSHFS(X)×TSHFS(X)→[0,1],已知有两个TSHFS
应当理解的是,T与P之间的相关系数可通过TSHFSE相关系数的加权平均计算得到。
2)假设有两个TSHFS:
其中,
其中,T和P分别表示备选方案以及理想备选方案,n泛指个数,
如图1所示为本实施例提供的基于犹豫模糊扩散决策模型的决策方法的基础流程示意图,该基于犹豫模糊扩散决策模型的决策方法包括以下的步骤:
步骤101、针对决策矩阵中多个备选方案,计算所有属性的权重信息。
具体的,在本实施例中,各备选方案分别对应时间序列犹豫模糊集的一个元素。由于本实施例主要针对TSHFS环境下的决策,因此决策矩阵是建立在TSHFS环境下,本实施例的决策矩阵表示为:
其中,{A
属性的权重对最终的决策结果至关重要,而最终的决策结果通常是未知的。在本实施例中,在权重信息未知时,权重信息的计算公式如下:
其中,w'
步骤102、基于所有属性的权重信息,计算所有备选方案的综合预先有序值。
具体的,在本实施例中,综合预先有序值用于衡量所有备选方案之间的相关程度。
在本实施例一种可选实施方式中,上述基于所有属性的权重信息,计算所有备选方案的综合预先有序值的步骤,包括:基于所有属性的权重信息,对所有属性进行重要性排序;按照属性排序,分别计算每个属性下各备选方案的属性与理想备选方案的对应属性之间的接近度;基于所有接近度计算所有备选方案的综合预先有序值。
值得说明的是,大多数决策模型是直接用于计算最终结果,但本实施例在得到属性的权重之后,进一步根据权重对属性进行重要性排序。为了更加方便说明这一情形,假设w'
其中,α,β,γ∈[1,n]。
在本实施例一种可选实施方式中,上述接近度的计算公式表示为:
其中,
在每个属性下,计算备选方案的属性与理想备选方案的对应属性之间的接近度。然后可以根据每个属性获得一些组的接近度:
其中,α,β,γ∈[1,n]。
进一步地,在本实施例一种可选实施方式中,上述基于所有接近度计算所有备选方案的综合预先有序值的步骤,包括:基于每组对应属性的接近度,对所有备选方案进行排序;针对所有备选方案排序结果,计算所有备选方案的综合预先有序值。
在本实施例中,根据每组对应属性的接近度,对所有备选方案进行排序。根据C(A)的每一行接近度,对所有备选方案排序一次。在这一点上,可以接收一些备选方案的安排组,它们也与属性一致。详细地:
在本实施例中,a,b,d∈[1,m],f,h,g∈[1,m],s,l,q∈[1,m],另外,R(·)表示备选方案的属性排列。
进一步地,在本实施例一种可选实施方式中,上述针对所有备选方案排序结果,计算所有备选方案的综合预先有序值的步骤,包括:针对各备选方案排序结果,分别计算各备选方案的预先有序值;其中,预先有序值关联于各备选方案在备选方案排序结果中的排列位置;基于各备选方案的预先有序值以及权重信息,计算所有备选方案的综合预先有序值。
假设在一个可选域中有n个可选项,A={A
其中,k表示A
其中,α,β,γ∈[1,n],
接下来,利用权重信息对每个备选方案的预先有序值进行整合,得到综合预先有序值,计算公式表示为:
p(A)
步骤103、参考所有综合预先有序值对所有备选方案进行排序。
具体的,本实施例根据备选方案的综合预先有序值,将备选方案从可行方案排列到最小方案。
步骤104、根据排序结果从所有备选方案中确定最优备选方案。
本实施例的模型没有直接使用属性信息作为最终决策结果,而是通过预先有序值作为最终结果来衡量备选方案之间的关系,从而可以准确对待决策对象进行优先排序,然后根据该排序即可准确定位最优备选方案。
图2中的方法为本申请第一实施例提供的一种细化的基于犹豫模糊扩散决策模型的决策方法,该基于犹豫模糊扩散决策模型的决策方法包括:
步骤201、针对决策矩阵中多个备选方案,计算所有属性的权重信息;
步骤202、基于所有属性的权重信息,对所有属性进行重要性排序;
步骤203、按照属性排序,分别计算每个属性下各备选方案的属性与理想备选方案的对应属性之间的接近度;
步骤204、基于每组对应属性的接近度,对所有备选方案进行排序;
步骤205、针对各备选方案排序结果,分别计算各备选方案的预先有序值;
步骤206、基于各备选方案的预先有序值以及权重信息,计算所有备选方案的综合预先有序值;
步骤207、参考所有综合预先有序值对所有备选方案进行排序;
步骤208、根据排序结果从所有备选方案中确定最优备选方案。
应当理解的是,本实施例中各步骤的序号的大小并不意味着步骤执行顺序的先后,各步骤的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成唯一限定。
通过本发明的实施,采用预先有序值作为最终结果来衡量备选方案之间的关系,使决策结果具有更好的辨别能力,保证了决策对象之间排序的准确性,进而有效提高了决策结果的准确性。
第二实施例:
为了解决相关技术中直接使用属性信息进行决策所得的决策结果的准确性欠佳的问题,本实施例示出了一种基于犹豫模糊扩散决策模型的决策装置,该基于犹豫模糊扩散决策模型的决策装置用于实现第一实施例的基于犹豫模糊扩散决策模型的决策方法,本实施例的基于犹豫模糊扩散决策模型的决策装置请参见图3,该决策装置主要包括:
第一计算模块301,用于针对决策矩阵中多个备选方案,计算所有属性的权重信息;其中,各备选方案分别对应时间序列犹豫模糊集的一个元素;
第二计算模块302,用于基于所有属性的权重信息,计算所有备选方案的综合预先有序值;其中,综合预先有序值用于衡量所有备选方案之间的相关程度;
排序模块303,用于参考所有综合预先有序值对所有备选方案进行排序;
确定模块304,用于根据排序结果从所有备选方案中确定最优备选方案。
在本实施例的一些实施方式中,第二计算模块具体用于:基于所有属性的权重信息,对所有属性进行重要性排序;按照属性排序,分别计算每个属性下各备选方案的属性与理想备选方案的对应属性之间的接近度;基于每组对应属性的接近度,对所有备选方案进行排序;针对各备选方案排序结果,分别计算各备选方案的预先有序值;基于各备选方案的预先有序值以及权重信息,计算所有备选方案的综合预先有序值;其中,预先有序值关联于各备选方案在备选方案排序结果中的排列位置。
应当说明的是,前述实施例中的基于犹豫模糊扩散决策模型的决策方法均可基于本实施例提供的基于犹豫模糊扩散决策模型的决策装置实现,所属领域的普通技术人员可以清楚的了解到,为描述的方便和简洁,本实施例中所描述的基于犹豫模糊扩散决策模型的决策装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
采用本实施例提供的基于犹豫模糊扩散决策模型的决策装置,针对决策矩阵中多个备选方案,计算所有属性的权重信息;其中,各备选方案分别对应时间序列犹豫模糊集的一个元素;基于所有属性的权重信息,计算所有备选方案的综合预先有序值;其中,综合预先有序值用于衡量所有备选方案之间的相关程度;参考所有综合预先有序值对所有备选方案进行排序;根据排序结果从所有备选方案中确定最优备选方案。通过本发明的实施,采用预先有序值作为最终结果来衡量备选方案之间的关系,使决策结果具有更好的辨别能力,保证了决策对象之间排序的准确性,进而有效提高了决策结果的准确性。
第三实施例:
本实施例提供了一种电子装置,参见图4所示,其包括处理器401、存储器402及通信总线403,其中:通信总线403用于实现处理器401和存储器402之间的连接通信;处理器401用于执行存储器402中存储的一个或者多个计算机程序,以实现上述实施例一中的基于犹豫模糊扩散决策模型的决策方法中的至少一个步骤。
本实施例还提供了一种计算机可读存储介质,该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory,随机存取存储器),ROM(Read-Only Memory,只读存储器),EEPROM(Electrically Erasable Programmable read only memory,带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory,光盘只读存储器),数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
本实施例中的计算机可读存储介质可用于存储一个或者多个计算机程序,其存储的一个或者多个计算机程序可被处理器执行,以实现上述实施例一中的方法的至少一个步骤。
本实施例还提供了一种计算机程序,该计算机程序可以分布在计算机可读介质上,由可计算装置来执行,以实现上述实施例一中的方法的至少一个步骤;并且在某些情况下,可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。
本实施例还提供了一种计算机程序产品,包括计算机可读装置,该计算机可读装置上存储有如上所示的计算机程序。本实施例中该计算机可读装置可包括如上所示的计算机可读存储介质。
可见,本领域的技术人员应该明白,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。
此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、计算机程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
机译: 一种生成无人机换道决策模型的方法、方法和装置
机译: 基于决策模型的翼状DI肉诊断手术装置,方法及利用智能电话的POV水平测定方法
机译: 基于决策模型的翼状肉诊断的POV装置及其智能电话诊断VOGT等级的方法