CN108764676A - 一种高维多目标评价方法及系统 - Google Patents

一种高维多目标评价方法及系统 Download PDF

Info

Publication number
CN108764676A
CN108764676A CN201810472843.XA CN201810472843A CN108764676A CN 108764676 A CN108764676 A CN 108764676A CN 201810472843 A CN201810472843 A CN 201810472843A CN 108764676 A CN108764676 A CN 108764676A
Authority
CN
China
Prior art keywords
evaluated
individual
dimension
target
evaluation index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810472843.XA
Other languages
English (en)
Other versions
CN108764676B (zh
Inventor
黎明
黄珊
陈昊
李军华
张聪炫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN201810472843.XA priority Critical patent/CN108764676B/zh
Publication of CN108764676A publication Critical patent/CN108764676A/zh
Application granted granted Critical
Publication of CN108764676B publication Critical patent/CN108764676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种高维多目标评价方法。该方法包括：获取高维多目标待评价集，高维多目标待评价集由多个个体的多维目标的属性值组成；根据各目标之间的相关性，对所述高维多目标待评价集中各目标进行排序；根据目标排序后的待评价集，将各个个体映射为二维空间点集；确定各所述个体对应的二维空间点集所构成的多边形的几何中心与所述直角坐标系原点的距离，记为第一评价指标；确定各所述个体对应的二维空间点集所构成的多边形的面积，记为第二评价指标；根据所述第一评价指标和所述第二评价指标对所述高维多目标待评价集进行评价。本发明提供的高维多目标评价方法及系统能够保障评价的科学、有效性。

Description

一种高维多目标评价方法及系统
技术领域
本发明涉及多高维目标优化领域，特别是涉及一种高维多目标评价方法及系统。
背景技术
在实际工程应用中涉及的优化问题往往具有多个相互冲突、耦合的优化目标，当目标函数超过4个时，被称为高维多目标优化问题。由于存在多个相互冲突及耦合的优化目标，高维多目标优化问题往往不利于决策者决策。可视化技术利用计算机图形学、图像处理、信号处理等方法来表达数据的内部结构、信息和知识，其有利于进行高维多目标优化问题进行性能评价与分析，最终供决策者根据实际需要做出选择。
高维多目标可视化技术主要包括全局可视化和降维可视化两类。其中全局可视化技术通常使用曲线、色块、图形等形式来实现待评价集可视化，能够完整无损地表示高维多目标数据信息，包含平行坐标系、热点图、两两坐标系、耦合线等。但全局可视化技术随着目标维数及个体数量的增多，大量的曲线或色块会复杂地交织在一起，在很多场合仅能通过直观感觉进行决策选择，极大地制约着决策的有效性。
降维可视化技术主要利用降维技术将高维多目标待评价集由高维目标空间映射至低维空间，然后在2维或3维空间上以散点形式表示，包括主成分分析可视化方法、基于自组织映射的可视化方法、神经元度量法、地形映射法、径向可视化方法等。降维可视化技术便于在低维空间可视化，但会丢失集合的有效信息，影响决策的正确性。
发明内容
本发明的目的是提供一种高维多目标评价方法及系统，该评价方法及系统能够保障评价的科学、有效性。
为实现上述目的，本发明提供了如下方案：
一种高维多目标评价方法，所述方法包括：
获取高维多目标待评价集，所述高维多目标待评价集由多个个体的多维目标的属性值组成；
根据各目标之间的相关性，对所述高维多目标待评价集中各目标进行排序；
根据目标排序后的待评价集，将各个个体映射为二维空间点集；
确定各所述个体对应的二维空间点集所构成的多边形的几何中心与所述直角坐标系原点的距离，记为第一评价指标；
确定各所述个体对应的二维空间点集所构成的多边形的面积，记为第二评价指标；
根据所述第一评价指标和所述第二评价指标对所述高维多目标待评价集进行评价。
可选的，所述根据各目标之间的相关性，对所述高维多目标待评价集中各目标进行排序，具体包括：
利用1到M个整数将所述高维多目标待评价集的各个个体按在其各目标上的属性值大小进行标序，得到标序矩阵；
根据确定标序矩阵的相关性，得到相似矩阵，其中，sij为所述相似矩阵中第i行第j列的元素，tki为第k个个体在第i维目标上的标序值，K表示待评价集中个体的数量；
确定所述相似矩阵的拉普拉斯矩阵；
对所述拉普拉斯矩阵进行特征分解，确定所述拉普拉斯矩阵最大特征值对应的特征向量，并利用1到M个整数对所述特征向量中的元素的大小进行标序；
根据特征向量中元素的标序对所述待评价集中的目标进行排序，得到排序后的待评价集其中，向量λ表示特征向量的标序向量，λ(i)表示向量λ第i个元素值，i＝1,2,...,M。
可选的，所述根据目标排序后的待评价集，将各个个体映射为二维空间点集，具体包括：
在二维直角坐标中以原点为圆心构建一个单位圆空间CO，记为类圆空间；
根据确定排序后的待评价集中各目标在CO圆弧上的坐标点Vλ(i)，其中，i＝1,2,...,M，M为目标维数；
在类圆空间中，对任一个体在坐标原点与坐标点Vλ(i)相连的直线上，确定到所述坐标原点的距离为的点，记为二维映射点，其中，为第k个个体在第λ(i)维上的属性值，任一个体对应M个二维映射点。
可选的，所述根据所述第一评价指标和所述第二评价指标对所述高维多目标待评价集进行评价，具体包括：
比较各所述个体的第一评价指标，所述第一评价指标的值越小的所述个体越优；
根据各所述个体的第二评价指标，确定各所述个体之间的类圆支配关系；
根据所述第一评价指标和所述第二评价指标，确定各所述个体之间的优劣关系。
可选的，在所述获取高维多目标待评价集之后，在所述对所述高维多目标待评价集中各目标进行排序之前，还包括：
对所述高维多目标待评价集中的属性值进行归一化处理。
本发明还提供了一种高维多目标评价系统，所述系统包括：
高维多目标待评价集获取单元，用于获取高维多目标待评价集，所述高维多目标待评价集由多个个体的多维目标的属性值组成；
排序单元，用于根据各目标之间的相关性，对所述高维多目标待评价集中各目标进行排序；
维度转换单元，用于根据目标排序后的待评价集，将各个个体映射为二维空间点集；
第一评价指标确定单元，用于确定各所述个体对应的二维空间点集所构成的多边形的几何中心与所述直角坐标系原点的距离，记为第一评价指标；
第二评价指标确定单元，用于确定各所述个体对应的二维空间点集所构成的多边形的面积，记为第二评价指标；
评价单元，用于根据所述第一评价指标和所述第二评价指标对所述高维多目标待评价集进行评价。
可选的，所述排序单元，具体包括：
标序子单元，用于利用1到M个整数将所述高维多目标待评价集的各个个体按其各目标上的属性值大小进行标序，得到标序矩阵；
相似矩阵确定子单元，用于根据确定目标标序矩阵的相关性，得到相似矩阵，其中，sij为所述相似矩阵中第i行第j列的元素，tki为第k个个体在第i维目标上的标序值，K表示待评价集中个体的数量；
拉普拉斯矩阵确定子单元，用于确定所述相似矩阵的拉普拉斯矩阵；
特征分解子单元，用于对所述拉普拉斯矩阵进行特征分解，确定所述拉普拉斯矩阵最大特征值对应的特征向量，并利用1到M个整数对所述特征向量中的元素的大小进行标序；
排序子单元，用于根据特征向量中元素的标序对所述待评价集中的目标进行排序，得到排序后的待评价集其中，向量λ表示特征向量的标序向量，λ(i)表示向量λ第i个元素值，i＝1,2,...,M。
可选的，所述维度转换单元，具体包括：
类圆空间构建子单元，用于在二维直角坐标中以原点为圆心构建一个单位圆空间CO，记为类圆空间；
坐标点确定子单元，用于根据确定排序后的待评价集中各目标在CO圆弧上的坐标点Vλ(i)，其中，i＝1,2,...,M，M为目标维数；
二维映射点确定子单元，用于在类圆空间中，对任一个体在坐标原点与坐标点Vλ(i)相连的直线上，确定到所述坐标原点的距离为的点，记为二维映射点，其中，为第k个个体在第λ(i)维上的属性值，任一个体对应M个二维映射点。
可选的，所述评价单元，具体包括：
第一评价子单元，用于比较各所述个体的第一评价指标，所述第一评价指标的值越小的所述个体越优；
类圆支配关系确定子单元，用于根据各所述个体的第二评价指标，确定各所述个体之间的类圆支配关系；
评价子单元，用于根据所述第一评价指标和所述第二评价指标，确定各所述个体之间的优劣关系。
可选的，所述系统还包括：
归一化单元，用于对所述高维多目标待评价集中的属性值进行归一化处理。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的高维多目标评价方法及系统对待评价集的属性值进行归一化处理，求解目标间的相关性，根据相关性对目标进行排序，并将待评价集内的每个个体映射为类圆空间内的一个多边形，求解多边形的几何中心与圆心的距离作为第一评价指标，距离越小的个体均衡性越优，求解多边形面积作为第二评价指标，对应多边形面积越小的个体越优，通过评价指标将高维多目标个体降维映射为二维，根据Pareto支配关系分析待评价集内个体间的优劣关系，保障了评价结果的科学、有效性，进而，为决策者提供了一种性能优秀的评价方法。
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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例高维多目标评价方法流程图；
图2为本发明实施例高维多目标评价系统结构示意图。
具体实施方式
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，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
本发明的目的是提供一种高维多目标评价方法及系统，该评价方法及系统能够保障评价的科学、有效性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
设待评价集在各个目标上的属性值越小越优，若实际中待评价集在各个目标上的属性值越大越优，则对其属性值取反。图1为为本发明实施例高维多目标评价方法流程图，如图1所示，本发明提供的高维多目标评价方法步骤具体如下：
步骤101：获取高维多目标待评价集，所述高维多目标待评价集由多个个体的多维目标的属性值组成；
根据公式对y＝(f1(x),f2(x),...,fM(x))预处理，使待评价集在所有目标上的属性值归一化，其中，表示第k个个体第m维目标的归一化属性值，max(fm)和min(fm)分别表示待评价集在第m维目标上最大和最小的属性值，x＝{x1,x2,...,xN}∈X，y＝{y1,y2,...,yM}∈Y，x表示N维决策向量，X表示决策向量x形成的决策空间，y表示M维目标向量，Y表示目标向量y形成的目标空间，k＝1,2,...,K，m＝1,2,...,M，K表示待评价集的规模，M表示待评价集的目标维数；
步骤102：根据各目标之间的相关性，对所述高维多目标待评价集中各目标进行排序；
步骤103：根据目标排序后的待评价集，将各个个体映射为二维空间点集；
步骤104：确定各所述个体对应的二维空间点集所构成的多边形的几何中心与所述直角坐标系原点的距离，记为第一评价指标；
根据公式：求解多边形的几何中心，其中P表示多边形的几何中心，
根据公式计算多边形的几何中心离圆心O的距离，确定个体的均衡性，距离越小的个体均衡性越优，并将其作为评价指标一，其中均衡性指个体在各个目标上属性值的差异程度；
步骤105：确定各所述个体对应的二维空间点集所构成的多边形的面积，记为第二评价指标；
将多边形分解为三角形及并根据公式：求解多边形的面积，其中SF表示多边形的面积，Sλ(i)表示三角形的面积，Sλ(M)表示三角形的面积；
根据多边形的面积大小，确定个体的类圆支配关系，对应多边形面积越小的个体越优；
根据个体类圆支配关系，确定个体的Pareto支配关系，其中，个体Pareto支配是类圆支配的充分非必要条件，其中，类圆支配关系指多边形面积大小关系，对应多边形面积小个体类圆支配面积大的个体；
步骤106：根据所述第一评价指标和所述第二评价指标对所述高维多目标待评价集进行评价。
在步骤101之后，步骤102之前还包括：对所述高维多目标待评价集中的属性值进行归一化处理。
其中，步骤102具体包括：
利用1到M个整数将所述高维多目标待评价集的各个个体按其在各目标上的属性值大小进行标序，得到标序矩阵；
根据确定标序矩阵的相关性，得到相似矩阵，其中，sij为所述相似矩阵中第i行第j列的元素，tki为第k个个体第i维目标的标序值，K表示待评价集中个体的数量；
确定所述相似矩阵的拉普拉斯矩阵；
对所述拉普拉斯矩阵进行特征分解，确定所述拉普拉斯矩阵最大特征值对应的特征向量，并利用1到M个整数对所述特征向量中的元素的大小进行标序；
根据特征向量中元素的标序对所述待评价集中的目标进行排序，得到排序后的待评价集其中，向量λ表示特征向量的标序向量，λ(i)表示向量λ第i个元素值，i＝1,2,...,M。
步骤103具体包括：
在二维直角坐标中以原点为圆心构建一个单位圆空间CO，记为类圆空间；
根据确定排序后的待评价集中各目标在CO圆弧上的坐标点Vλ(i)，其中，i＝1,2,...,M，M为目标维数；
在类圆空间中，对任一个体在坐标原点与坐标点Vλ(i)相连的直线上，确定到所述坐标原点的距离为的点，记为二维映射点，其中，为第k个个体的第λ(i)维目标值，任一个体对应M个二维映射点。
步骤106具体包括：
比较各所述个体的第一评价指标，所述第一评价指标的值越小的所述个体越优；
根据各所述个体的第二评价指标，确定各所述个体之间的类圆支配关系；
根据所述第一评价指标和所述第二评价指标，确定各所述个体之间的优劣关系。
为使本发明的上述目的、特征和优点能够更加明显易懂，以9维脉冲多普勒雷达波形待评价集为例，对本专利提出的评价方法做介绍。
步骤A：输入9维脉冲多普勒雷达波形待评价集，根据以下公式对其在各个目标上的属性值进行归一化处理:
式子，表示第k组多普勒雷达波形在第m维目标上的归一化属性值，max(fm)和min(fm)分别表示多普勒雷达波形待评价集在第m维目标上最大和最小的属性值。
步骤B：求解脉冲多普勒雷达波形待评价集目标间的相关性，根据相关性对其目标进行排序，并将每组脉冲多普勒雷达波形待评价集映射为类圆空间内的一个多边形。
进一步地，步骤B中求解脉冲多普勒雷达波形待评价集目标间的相关性，根据相关性对其目标进行排序，并将每组脉冲多普勒雷达波形待评价集映射为类圆空间内的一个多边形，具体包括：
利用1到9个整数，分别将11938组脉冲多普勒雷达波形按属性值fi *(x)大小进行标序，其中，fi *(x)表示归一化后的脉冲多普勒雷达波形，得到11938行9列矩阵T，其中T的元素由1到9个整数组成；
根据以下公式确定标序矩阵T的相关性:
式中，tki表示矩阵T第k行第i列的元素，表1为脉冲多普勒雷达波形待评价集的标序矩阵的相似矩阵S。
表1脉冲多普勒雷达波形待评价集的标序矩阵的相似矩阵S
1.000 0.690 0.992 0.695 0.968 0.821 0.971 0.710 0.688
0.690 1.000 0.690 0.964 0.703 0.812 0.702 0.946 0.970
0.992 0.690 1.000 0.708 0.974 0.817 0.960 0.702 0.698
0.695 0.964 0.708 1.000 0.726 0.812 0.685 0.914 0.997
0.968 0.703 0.974 0.726 1.000 0.807 0.940 0.703 0.720
0.821 0.812 0.817 0.812 0.807 1.000 0.816 0.816 0.813
0.971 0.702 0.960 0.685 0.940 0.816 1.000 0.756 0.686
0.710 0.946 0.702 0.914 0.703 0.816 0.756 1.000 0.922
0.688 0.970 0.698 0.997 0.720 0.813 0.686 0.922 1.000
根据以下公式确定相似矩阵S的Laplace矩阵L：
其中，L表示相似矩阵的Laplace矩阵；
表2.按相关性排序后的维度顺序
对矩阵L进行特征分解，求解L最大特征值对应的特征向量，并利用1到9个整数对特征向量中的元素大小进行标序，即为脉冲多普勒雷达波形待评价集按相关性排序后的目标顺序，如表2所示。
构建类圆空间为一个二维直角坐标以原点为圆心的单位圆内空间CO；
根据以下公式，确定脉冲多普勒雷达波形待评价集在CO圆弧上均匀分布的坐标。
式子，λ(i)如表2所示。
在类圆空间中，对任一组脉冲多普勒雷达波形个体映射成9个映射点
在类圆空间中，对任一个体在坐标原点与坐标点Vλ(i)相连的直线上，确定到所述坐标原点的距离为的点，记为在类圆空间中任意归一化个体第λ(i)维目标的映射点，其中，为第k个个体在第λ(i)维上的属性值；根据以下公式，确定类圆空间CO圆心O到映射点的距离：
式子，表示类圆空间CO圆心O到映射点的距离。
依次连接映射点确定一个由高维多目标全局信息确定的多边形
步骤C：求解多边形的几何中心与圆心的距离作为第一评价指标，距离越小的脉冲多普勒雷达波形个体均衡性越优。
步骤D：求解多边形面积作为第二评价指标，对应多边形面积越小的脉冲多普勒雷达波形个体越优。
进一步地，步骤C中求解多边形的几何中心与圆心的距离作为评价指标一，距离越小的脉冲多普勒雷达波形个体均衡性越优，具体包括：
根据以下公式，求解多边形的几何中心:
式中，P表示多边形的几何中心，
根据以下公式，确定脉冲多普勒雷达波形个体的均衡性，并将其作为第一评价指标：
式中，Dis表示脉冲多普勒雷达波形个体的均衡性大小，Dis越小的个体均衡性越优。
进一步地，步骤D中求解多边形面积作为第二评价指标，对应多边形面积越小的脉冲多普勒雷达波形个体越优，具体包括：
将多边形分解为三角形及并根据公式求解多边形的面积，其中SF表示多边形的面积，Sλ(i)表示三角形的面积，Sλ(9)表示三角形的面积；
根据多边形的面积大小，确定脉冲多普勒雷达波形个体的类圆支配关系，并将其作为第二评价指标，其中对应多边形面积越小的个体越优。
为了方便决策者在类圆空间直观地判断解集的支配关系，根据面积SF大小进行红蓝颜色插值操作，SF越大映射点颜色越趋向于蓝色，SF越小映射点颜色越趋向于红色。
根据以下公式，确定三维映射点坐标：
Q＝(p1,p2,SF)
式中，Q表示脉冲多普勒雷达波形个体在三维空间中的映射点。
步骤E：通过评价指标将脉冲多普勒雷达波形待评价集降维映射为二维，根据Pareto支配关系分析其个体间的优劣关系，具体包括：
根据以下公式将脉冲多普勒雷达波形个体降维映射为二维：
G＝[Dis,SF]
式中，G表示包含脉冲多普勒雷达波形个体均衡性和类圆支配信息的可行解集合。
根据Pareto支配关系分析脉冲多普勒雷达波形待评价集内个体间的优劣关系。
本发明提供的高维多目标评价方法对待评价集的属性值进行归一化处理，求解目标间的相关性，根据相关性对目标进行排序，并将待评价集内的每个个体映射为类圆空间内的一个多边形，求解多边形的几何中心与圆心的距离作为第一评价指标，距离越小的个体均衡性越优，求解多边形面积作为第二评价指标，对应多边形面积越小的个体越优，通过评价指标将高维多目标个体降维映射为二维，根据Pareto支配关系分析待评价集内个体间的优劣关系，保障了评价结果的科学、有效性，进而，为决策者提供了一种性能优秀的评价方法。
本发明还提供了一种高维多目标评价系统，图2为本发明实施例高维多目标评价系统结构示意图，如图2所所示，所述系统包括：
高维多目标待评价集获取单元201，用于获取高维多目标待评价集，所述高维多目标待评价集由多个个体的多维目标的属性值组成；
排序单元202，用于根据各目标之间的相关性，对所述高维多目标待评价集中各目标进行排序；
维度转换单元203，用于根据目标排序后的待评价集，将各个个体映射为二维空间点集；
第一评价指标确定单元204，用于确定各所述个体对应的二维空间点集所构成的多边形的几何中心与所述直角坐标系原点的距离，记为第一评价指标；
第二评价指标确定单元205，用于确定各所述个体对应的二维空间点集所构成的多边形的面积，记为第二评价指标；
评价单元206，用于根据所述第一评价指标和所述第二评价指标对所述高维多目标待评价集进行评价。
此外，还包括归一化单元，用于对所述高维多目标待评价集中的属性值进行归一化处理。
其中，所述排序单元202，具体包括：
标序子单元，用于利用1到M个整数将所述高维多目标待评价集中的各目标按目标属性值的大小进行标序，得到标序矩阵；
相似矩阵确定子单元，用于根据确定标序矩阵的相关性，得到相似矩阵，其中，sij为所述相似矩阵中第i行第j列的元素，tki为第k个个体第i维目标的标序值，K表示待评价集中个体的数量；
拉普拉斯矩阵确定子单元，用于确定所述相似矩阵的拉普拉斯矩阵；
特征分解子单元，用于对所述拉普拉斯矩阵进行特征分解，确定所述拉普拉斯矩阵最大特征值对应的特征向量，并利用1到M个整数对所述特征向量中的元素的大小进行标序；
排序子单元，用于根据特征向量中元素的标序对所述待评价集中的目标进行排序，得到排序后的待评价集其中，向量λ表示特征向量的标序向量，λ(i)表示向量λ第i个元素值，i＝1,2,...,M。
所述维度转换单元203，具体包括：
类圆空间构建子单元，用于在二维直角坐标中以原点为圆心构建一个单位圆空间CO，记为类圆空间；
坐标点确定子单元，用于根据确定排序后的待评价集中各目标在CO圆弧上的坐标点Vλ(i)，其中，i＝1,2,...,M，M为目标维数；
二维映射点确定子单元，用于在类圆空间中，对任一个体在坐标原点与坐标点Vλ(i)相连的直线上，确定到所述坐标原点的距离为的点，记为二维映射点，其中，为第k个个体在第λ(i)维上的属性值，任一个体对应M个二维映射点。
所述评价单元206，具体包括：
第一评价子单元，用于比较各所述个体的第一评价指标，所述第一评价指标的值越小的所述个体越优；
类圆支配关系确定子单元，用于根据各所述个体的第二评价指标，确定各所述个体之间的类圆支配关系；
评价子单元，用于根据所述第一评价指标和所述第二评价指标，确定各所述个体之间的优劣关系。
本发明提供的高维多目标评价系统对待评价集的属性值进行归一化处理，求解目标间的相关性，根据相关性对目标进行排序，并将待评价集内的每个个体映射为类圆空间内的一个多边形，求解多边形的几何中心与圆心的距离作为第一评价指标，距离越小的个体均衡性越优，求解多边形面积作为第二评价指标，对应多边形面积越小的个体越优，通过评价指标将高维多目标个体降维映射为二维，根据Pareto支配关系分析待评价集内个体间的优劣关系，保障了评价结果的科学、有效性，进而，为决策者提供了一种性能优秀的评价方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种高维多目标评价方法，其特征在于，所述方法包括：
获取高维多目标待评价集，所述高维多目标待评价集由多个个体的多维目标的属性值组成；
根据各目标之间的相关性，对所述高维多目标待评价集中各目标进行排序；
根据目标排序后的待评价集，将各个个体映射为二维空间点集；
确定各所述个体对应的二维空间点集所构成的多边形的几何中心与所述直角坐标系原点的距离，记为第一评价指标；
确定各所述个体对应的二维空间点集所构成的多边形的面积，记为第二评价指标；
根据所述第一评价指标和所述第二评价指标对所述高维多目标待评价集进行评价。
2.根据权利要求1所述的高维多目标评价方法，其特征在于，所述根据各目标之间的相关性，对所述高维多目标待评价集中各目标进行排序，具体包括：
利用1到M个整数将所述高维多目标待评价集的各个个体按其在各目标上的属性值大小进行标序，得到标序矩阵；
根据确定标序矩阵的相关性，得到相似矩阵，其中，sij为所述相似矩阵中第i行第j列的元素，tki为第k个个体在第i维目标上的标序值，K表示待评价集中个体的数量；
确定所述相似矩阵的拉普拉斯矩阵；
对所述拉普拉斯矩阵进行特征分解，确定所述拉普拉斯矩阵最大特征值对应的特征向量，并利用1到M个整数对所述特征向量中的元素的大小进行标序；
根据特征向量中元素的标序对所述待评价集中的目标进行排序，得到排序后的待评价集其中，向量λ表示特征向量的标序向量，λ(i)表示向量λ第i个元素值，i＝1,2,...,M。
3.根据权利要求1所述的高维多目标评价方法，其特征在于，所述根据目标排序后的待评价集，将各个个体映射为二维空间点集，具体包括：
在二维直角坐标中以原点为圆心构建一个单位圆空间CO，记为类圆空间；
根据确定排序后的待评价集中各目标在CO圆弧上的坐标点Vλ(i)，其中，i＝1,2,...,M，M为目标维数；
在类圆空间中，对任一个体在坐标原点与坐标点Vλ(i)相连的直线上，确定到所述坐标原点的距离为的点，记为二维映射点，其中，为第k个个体在第λ(i)维上的属性值，任一个体对应M个二维映射点。
4.根据权利要求1所述的高维多目标评价方法，其特征在于，所述根据所述第一评价指标和所述第二评价指标对所述高维多目标待评价集进行评价，具体包括：
比较各所述个体的第一评价指标，所述第一评价指标的值越小的所述个体越优；
根据各所述个体的第二评价指标，确定各所述个体之间的类圆支配关系；
根据所述第一评价指标和所述第二评价指标，确定各所述个体之间的优劣关系。
5.根据权利要求1所述的高维多目标评价方法，其特征在于，在所述获取高维多目标待评价集之后，在所述对所述高维多目标待评价集中各目标进行排序之前，还包括：
对所述高维多目标待评价集中的属性值进行归一化处理。
6.一种高维多目标评价系统，其特征在于，所述系统包括：
高维多目标待评价集获取单元，用于获取高维多目标待评价集，所述高维多目标待评价集由多个个体的多维目标的属性值组成；
排序单元，用于根据各目标之间的相关性，对所述高维多目标待评价集中各目标进行排序；
维度转换单元，用于根据目标排序后的待评价集，将各个个体映射为二维空间点集；
第一评价指标确定单元，用于确定各所述个体对应的二维空间点集所构成的多边形的几何中心与所述直角坐标系原点的距离，记为第一评价指标；
第二评价指标确定单元，用于确定各所述个体对应的二维空间点集所构成的多边形的面积，记为第二评价指标；
评价单元，用于根据所述第一评价指标和所述第二评价指标对所述高维多目标待评价集进行评价。
7.根据权利要求6所述的高维多目标评价系统，其特征在于，所述排序单元，具体包括：
标序子单元，用于利用1到M个整数将所述高维多目标待评价集的各个个体按其在各目标上的属性值大小进行标序，得到标序矩阵；
相似矩阵确定子单元，用于根据确定标序矩阵的相关性，得到相似矩阵，其中，sij为所述相似矩阵中第i行第j列的元素，tki为第k个个体在第i维目标上的标序值，K表示待评价集中个体的数量；
拉普拉斯矩阵确定子单元，用于确定所述相似矩阵的拉普拉斯矩阵；
特征分解子单元，用于对所述拉普拉斯矩阵进行特征分解，确定所述拉普拉斯矩阵最大特征值对应的特征向量，并利用1到M个整数对所述特征向量中的元素的大小进行标序；
排序子单元，用于根据特征向量中元素的标序对所述待评价集中的目标进行排序，得到排序后的待评价集其中，向量λ表示特征向量的标序向量，λ(i)表示向量λ第i个元素值，i＝1,2,...,M。
8.根据权利要求6所述的高维多目标评价系统，其特征在于，所述维度转换单元，具体包括：
类圆空间构建子单元，用于在二维直角坐标中以原点为圆心构建一个单位圆空间CO，记为类圆空间；
坐标点确定子单元，用于根据确定排序后的待评价集中各目标在CO圆弧上的坐标点Vλ(i)，其中，i＝1,2,...,M，M为目标维数；
二维映射点确定子单元，用于在类圆空间中，对任一个体在坐标原点与坐标点Vλ(i)相连的直线上，确定到所述坐标原点的距离为的点，记为二维映射点，其中，为第k个个体在第λ(i)维上的属性值，任一个体对应M个二维映射点。
9.根据权利要求6所述的高维多目标评价系统，其特征在于，所述评价单元，具体包括：
第一评价子单元，用于比较各所述个体的第一评价指标，所述第一评价指标的值越小的所述个体越优；
类圆支配关系确定子单元，用于根据各所述个体的第二评价指标，确定各所述个体之间的类圆支配关系；
评价子单元，用于根据所述第一评价指标和所述第二评价指标，确定各所述个体之间的优劣关系。
10.根据权利要求6所述的高维多目标评价系统，其特征在于，所述系统还包括：
归一化单元，用于对所述高维多目标待评价集中的属性值进行归一化处理。
CN201810472843.XA 2018-05-17 2018-05-17 一种高维多目标评价方法及系统 Active CN108764676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810472843.XA CN108764676B (zh) 2018-05-17 2018-05-17 一种高维多目标评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810472843.XA CN108764676B (zh) 2018-05-17 2018-05-17 一种高维多目标评价方法及系统

Publications (2)

Publication Number Publication Date
CN108764676A true CN108764676A (zh) 2018-11-06
CN108764676B CN108764676B (zh) 2020-10-30

Family

ID=64008316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810472843.XA Active CN108764676B (zh) 2018-05-17 2018-05-17 一种高维多目标评价方法及系统

Country Status (1)

Country Link
CN (1) CN108764676B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271441A (zh) * 2018-12-12 2019-01-25 南昌航空大学 一种高维数据可视化聚类分析方法及系统
CN109342680A (zh) * 2018-11-07 2019-02-15 浙江理工大学 基于lca多边形的纺织服装产品水环境负荷综合评价方法
CN111832168A (zh) * 2020-07-09 2020-10-27 南京航空航天大学 一种面向高维多目标优化的可视化方法
CN112328972A (zh) * 2020-11-11 2021-02-05 南昌航空大学 一种晶粒结构评价方法及系统
CN112330227A (zh) * 2020-12-04 2021-02-05 城云科技（中国）有限公司 基于数字化城管业务构建的城市管理能力评价方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778368A (zh) * 2015-04-20 2015-07-15 中国人民解放军国防科学技术大学 一种针对高维多目标优化问题的Pareto集个体排序方法
CN105612741A (zh) * 2013-10-09 2016-05-25 慧与发展有限责任合伙企业 在多维度中显示多元数据
CN106055580A (zh) * 2016-05-23 2016-10-26 中南大学 一种基于Radviz的模糊聚类结果可视化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105612741A (zh) * 2013-10-09 2016-05-25 慧与发展有限责任合伙企业 在多维度中显示多元数据
CN104778368A (zh) * 2015-04-20 2015-07-15 中国人民解放军国防科学技术大学 一种针对高维多目标优化问题的Pareto集个体排序方法
CN106055580A (zh) * 2016-05-23 2016-10-26 中南大学 一种基于Radviz的模糊聚类结果可视化方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109342680A (zh) * 2018-11-07 2019-02-15 浙江理工大学 基于lca多边形的纺织服装产品水环境负荷综合评价方法
CN109271441A (zh) * 2018-12-12 2019-01-25 南昌航空大学 一种高维数据可视化聚类分析方法及系统
CN111832168A (zh) * 2020-07-09 2020-10-27 南京航空航天大学 一种面向高维多目标优化的可视化方法
CN112328972A (zh) * 2020-11-11 2021-02-05 南昌航空大学 一种晶粒结构评价方法及系统
CN112328972B (zh) * 2020-11-11 2022-03-29 南昌航空大学 一种晶粒结构评价方法及系统
CN112330227A (zh) * 2020-12-04 2021-02-05 城云科技（中国）有限公司 基于数字化城管业务构建的城市管理能力评价方法和系统

Also Published As

Publication number Publication date
CN108764676B (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN108764676A (zh) 一种高维多目标评价方法及系统
CN103235947B (zh) 一种手写体数字识别方法及装置
CN107451619A (zh) 一种基于感知生成对抗网络的小目标检测方法
CN109993748B (zh) 一种基于点云处理网络的三维网格物体分割方法
JPH04211861A (ja) 適合集群化装置
CN108182433A (zh) 一种表计读数识别方法及系统
CN102930275B (zh) 基于Cramer’s V指数的遥感影像特征选择方法
CN106600537B (zh) 一种反距离权重的异向性三维空间插值方法
CN102999937A (zh) 心脏散乱点云数据曲面重建的方法
CN110197209A (zh) 一种基于多特征融合的辐射源识别方法
CN109271441A (zh) 一种高维数据可视化聚类分析方法及系统
CN106855941A (zh) 基于雷达微多普勒信号稀疏优化的手势识别方法及系统
CN108596885B (zh) 基于cpu+fpga的快速sar图像变化检测方法
Han et al. LWCDNet: A lightweight fully convolution network for change detection in optical remote sensing imagery
CN104574519B (zh) 多源居民地面要素的免阈值自动稳健匹配方法
Huang et al. Edge detection in UAV remote sensing images using the method integrating Zernike moments with clustering algorithms
CN109902589A (zh) 一种基于雷达一维距离像的目标识别方法及系统
CN110390337B (zh) 一种舰船个体识别方法
Hu et al. VODRAC: Efficient and robust correspondence-based point cloud registration with extreme outlier ratios
Hu et al. Shape-driven coordinate ordering for star glyph sets via reinforcement learning
CN108198173B (zh) 一种混凝土裂缝区域的在线检测方法、装置及终端设备
Zhou et al. Performance comparison of feature detectors on various layers of underwater acoustic imagery
Harikumar et al. Feature extraction techniques for exploratory visualization of vector-valued imagery
Günther Topological analysis of discrete scalar data
CN100580705C (zh) 基于小成分及噪声成分的多光谱图像配准方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant