CN109447445A - 一种对象评价方法、装置、可读介质及存储控制器 - Google Patents
一种对象评价方法、装置、可读介质及存储控制器 Download PDFInfo
- Publication number
- CN109447445A CN109447445A CN201811219853.9A CN201811219853A CN109447445A CN 109447445 A CN109447445 A CN 109447445A CN 201811219853 A CN201811219853 A CN 201811219853A CN 109447445 A CN109447445 A CN 109447445A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- judgment matrix
- formula
- particle collection
- iteration optimization
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 181
- 239000002245 particle Substances 0.000 claims abstract description 146
- 238000005457 optimization Methods 0.000 claims abstract description 120
- 239000011159 matrix material Substances 0.000 claims abstract description 117
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 17
- 238000007689 inspection Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 230000005055 memory storage Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 abstract description 12
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种对象评价方法、装置、可读介质及存储控制器,该方法包括:构建针对待评价对象的判断矩阵;计算判断矩阵的最大特征根所对应的目标特征向量;根据最大特征根对判断矩阵进行一致性检验,若判断矩阵不具有一致性则随机化若干特征向量;构建初始的粒子集,其中包括目标特征向量和该若干特征向量,初始的粒子集中各个特征向量均经归一化处理;针对初始的粒子集执行预设迭代次数的迭代优化,以依次得到每一次迭代优化后的粒子集,对于每一次迭代优化:基于当前存在的每一个粒子集以执行当前次迭代优化;根据判断矩阵和最后一次迭代优化后的粒子集,计算待评价对象的得分。由于无需专家重新打分,故能够降低实际实施难度。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种对象评价方法、装置、可读介质及存储控制器。
背景技术
在多目标决策中,会遇到一些变量繁多、结构复杂和不确定因素作用显著等特点的复杂系统,这些复杂系统中的决策问题都有必要对描述目标相对重要度做出正确的估价,也就是评估各种影响因素的权重。
系统工程理论中的层次分析法(Analytic Hierarchy Process,AHP)是一种较好的权重确定方法,它是把复杂问题中的各因素划分成相关联的有序层次,使之条理化的多目标、多准则的决策方法,是一种定量分析与定性分析相结合的有效方法。
对于层次分析法,需要计算判断矩阵的最大特征根对应的特征向量,并对判断矩阵进行一致性校验。若判断矩阵不具有一致性,传统的修正方法为专家重新打分,如此可基于修正后的判断矩阵以评价对象。
但由于需要专家重新打分,使得从实际实施方式上存在困难。
发明内容
本发明提供了一种对象评价方法、装置、可读介质及存储控制器,能够降低实际实施难度。
为了达到上述目的,本发明是通过如下技术方案实现的:
第一方面,本发明提供了一种对象评价方法,包括:
构建针对待评价对象的判断矩阵;
计算所述判断矩阵的最大特征根所对应的目标特征向量;
根据所述最大特征根对所述判断矩阵进行一致性检验,在确定出检验结果为所述判断矩阵不具有一致性时,随机化至少一个特征向量;
构建初始的粒子集,所述初始的粒子集中包括所述目标特征向量和所述至少一个特征向量,所述初始的粒子集中的每一个特征向量均经归一化处理;
针对所述初始的粒子集执行预设迭代次数的迭代优化,以依次得到每一次迭代优化后的粒子集,其中,对于每一次迭代优化:基于当前存在的每一个粒子集以执行当前次迭代优化;
根据所述判断矩阵和最后一次迭代优化后的粒子集,计算所述待评价对象的得分。
进一步地,所述基于当前存在的每一个粒子集以执行当前次迭代优化,包括:利用公式一和公式二,基于当前存在的每一个粒子集以执行当前次迭代优化;
所述公式一包括:
所述公式二包括:
其中,为第k次迭代优化后的粒子集中第i个特征向量的第d维位置,1≤d≤n,n为所述判断矩阵的因素个数,同一特征向量在不同粒子集中的排序位置保持一致;f、c1、r1、c2、r2均为预设常数;为第k-2次迭代优化后的所述粒子集中的第i个特征向量的第d维速度;pbestid为第一特征向量的第d维位置,其中,当前存在的各个粒子集的第i个特征向量中,所述第一特征向量代入所述公式二时所得校验值,不大于任一其他特征向量代入所述公式二时所得校验值;gbestd为第二特征向量的第d维位置,其中,当前存在的各个粒子集的每一个特征向量中,所述第二特征向量代入所述公式二时所得校验值,不大于任一其他特征向量代入所述公式二时所得校验值;
Y为校验值;amh为所述判断矩阵的第m行第h列的数值;wjh为代入所述公式二的特征向量wj的第h行的数值;wjm为代入所述公式二的特征向量wj的第m行的数值。
进一步地,所述根据所述判断矩阵和最后一次迭代优化后的粒子集,计算所述待评价对象的得分,包括:将最后一次迭代优化后的粒子集中的任一特征向量代入公式三,以计算所述待评价对象的得分;
所述公式三包括:
其中,y为所述待评价对象的得分;a1h为所述判断矩阵的第1行第h列的数值。
进一步地,在所述计算所述待评价对象的得分之前,进一步包括:
A1:将最后一次迭代优化后的粒子集中的第一个特征向量,确定为当前特征向量;
A2:根据当前特征向量对所述判断矩阵进行一致性检验,判断检验结果是否为所述判断矩阵不具有一致性,若是,执行所述针对所述初始的粒子集执行预设迭代次数的迭代优化,并结束当前流程,否则,执行A3;
A3:判断所述当前特征向量是否为最后一次迭代优化后的粒子集中的最后一个特征向量,若是,执行所述计算所述待评价对象的得分,否则,以下一个特征向量作为当前特征向量,并执行A2。
第二方面,本发明提供了一种对象评价装置,包括:
判断矩阵构建单元,用于构建针对待评价对象的判断矩阵;
计算单元,用于计算所述判断矩阵的最大特征根所对应的目标特征向量;
校验单元,用于根据所述最大特征根对所述判断矩阵进行一致性检验,在确定出检验结果为所述判断矩阵不具有一致性时,随机化至少一个特征向量;
粒子集构建单元,用于构建初始的粒子集,所述初始的粒子集中包括所述目标特征向量和所述至少一个特征向量,所述初始的粒子集中的每一个特征向量均经归一化处理;
迭代优化单元,用于针对所述初始的粒子集执行预设迭代次数的迭代优化,以依次得到每一次迭代优化后的粒子集,其中,对于每一次迭代优化:基于当前存在的每一个粒子集以执行当前次迭代优化;
处理单元,用于根据所述判断矩阵和最后一次迭代优化后的粒子集,计算所述待评价对象的得分。
进一步地,所述迭代优化单元,用于利用公式一和公式二,基于当前存在的每一个粒子集以执行当前次迭代优化;
所述公式一包括:
所述公式二包括:
其中,为第k次迭代优化后的粒子集中第i个特征向量的第d维位置,1≤d≤n,n为所述判断矩阵的因素个数,同一特征向量在不同粒子集中的排序位置保持一致;f、c1、r1、c2、r2均为预设常数;为第k-2次迭代优化后的所述粒子集中的第i个特征向量的第d维速度;pbestid为第一特征向量的第d维位置,其中,当前存在的各个粒子集的第i个特征向量中,所述第一特征向量代入所述公式二时所得校验值,不大于任一其他特征向量代入所述公式二时所得校验值;gbestd为第二特征向量的第d维位置,其中,当前存在的各个粒子集的每一个特征向量中,所述第二特征向量代入所述公式二时所得校验值,不大于任一其他特征向量代入所述公式二时所得校验值;
Y为校验值;amh为所述判断矩阵的第m行第h列的数值;wjh为代入所述公式二的特征向量wj的第h行的数值;wjm为代入所述公式二的特征向量wj的第m行的数值。
进一步地,所述处理单元,用于将最后一次迭代优化后的粒子集中的任一特征向量代入公式三,以计算所述待评价对象的得分;
所述公式三包括:
其中,y为所述待评价对象的得分;a1h为所述判断矩阵的第1行第h列的数值。
进一步地,所述校验单元包括:确定子单元、校验子单元、处理子单元;
其中,所述确定子单元,用于将最后一次迭代优化后的粒子集中的第一个特征向量,确定为当前特征向量;
所述校验子单元,用于根据当前特征向量对所述判断矩阵进行一致性检验,判断检验结果是否为所述判断矩阵不具有一致性,若是,触发所述迭代优化单元并结束,否则,触发所述处理子单元;
所述处理子单元,用于判断所述当前特征向量是否为最后一次迭代优化后的粒子集中的最后一个特征向量,若是,触发所述处理单元,否则,以下一个特征向量作为当前特征向量,并触发所述校验子单元。
第三方面,本发明提供了一种可读介质,包括执行指令,当存储控制器的处理器执行所述执行指令时,所述存储控制器执行上述任一所述的对象评价方法。
第四方面,本发明提供了一种存储控制器,包括:处理器、存储器和总线;
所述存储器用于存储执行指令,所述处理器与所述存储器通过所述总线连接,当所述存储控制器运行时,所述处理器执行所述存储器存储的所述执行指令,以使所述存储控制器执行上述任一所述的对象评价方法。
本发明提供了一种对象评价方法、装置、可读介质及存储控制器,该方法包括:构建针对待评价对象的判断矩阵;计算判断矩阵的最大特征根所对应的目标特征向量;根据最大特征根对判断矩阵进行一致性检验,若判断矩阵不具有一致性则随机化若干特征向量;构建初始的粒子集,其中包括目标特征向量和该若干特征向量,初始的粒子集中各个特征向量均经归一化处理;针对初始的粒子集执行预设迭代次数的迭代优化,以依次得到每一次迭代优化后的粒子集,对于每一次迭代优化:基于当前存在的每一个粒子集以执行当前次迭代优化;根据判断矩阵和最后一次迭代优化后的粒子集,计算待评价对象的得分。由于无需专家重新打分,故能够降低实际实施难度。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种对象评价方法的流程图;
图2是本发明一实施例提供的一种对象评价装置的示意图;
图3是本发明一实施例提供的另一种对象评价装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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的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。
如图1所示,本发明实施例提供了一种对象评价方法,可以包括以下步骤:
步骤101:构建针对待评价对象的判断矩阵。
步骤102:计算所述判断矩阵的最大特征根所对应的目标特征向量。
步骤103:根据所述最大特征根对所述判断矩阵进行一致性检验,在确定出检验结果为所述判断矩阵不具有一致性时,随机化至少一个特征向量。
步骤104:构建初始的粒子集,所述初始的粒子集中包括所述目标特征向量和所述至少一个特征向量,所述初始的粒子集中的每一个特征向量均经归一化处理。
步骤105:针对所述初始的粒子集执行预设迭代次数的迭代优化,以依次得到每一次迭代优化后的粒子集,其中,对于每一次迭代优化:基于当前存在的每一个粒子集以执行当前次迭代优化。
步骤106:根据所述判断矩阵和最后一次迭代优化后的粒子集,计算所述待评价对象的得分。
本发明实施例提供了一种对象评价方法,包括:构建针对待评价对象的判断矩阵;计算判断矩阵的最大特征根所对应的目标特征向量;根据最大特征根对判断矩阵进行一致性检验,若判断矩阵不具有一致性则随机化若干特征向量;构建初始的粒子集,其中包括目标特征向量和该若干特征向量,初始的粒子集中各个特征向量均经归一化处理;针对初始的粒子集执行预设迭代次数的迭代优化,以依次得到每一次迭代优化后的粒子集,对于每一次迭代优化:基于当前存在的每一个粒子集以执行当前次迭代优化;根据判断矩阵和最后一次迭代优化后的粒子集,计算待评价对象的得分。由于无需专家重新打分,故能够降低实际实施难度。
详细地,对于层次分析法来说,可以首先将所要进行的决策问题置于一个大系统中,这个系统中存在互相影响的多种因素,再将这些问题层次化,形成了一个多层的分析结构模型,之后运用数学方法与定性分析相结合,通过层层排序,最终根据各方案计算出的所占的权重,来辅助决策。
比如,以待评价对象为若干供应商为例,首先可以分析影响供应商评价的因素,并将归纳出的因素作为中间层,供应商作为底层,建立基于基本层次分析法的供应商评价模型,并将专家打分录入模型。然后,即可将打分后的模型进行计算,以计算得出判断模型矩阵最大特征值对应的特征向量,针对此特征向量计算一致性。
假设定义供应商评价指标项包括:报价合理性及配合度、配送及时性、配送完整性、送货配合度、产品质量及数量、售后服务、发票开具配合度。如此,影响供应商评价的因素有7个。专家针对这7个因素对某一供应商打分后,基于专家打分即可构建针对该供应商的判断矩阵。例如,专家打分可参照下述表1。
表1
详细地,对于构建好的判断矩阵,在本发明一个实施例中,可以通过下述公式(1)计算判断矩阵的最大特征根,以及计算该最大特征根对应的特征向量,即上述目标特征向量;
P×w=λmax×w (1)
其中,P为判断矩阵,λmax为最大特征根,w为最大特征根对应的特征向量。
详细地,在上述公式(1)中,特征向量w经归一化,即可以为各评价因素的重要性排序,也就是权重分配。据此,可用于计算待评价对象的得分。
详细地,以上得到的权重分配是否合理,还需要对判断矩阵进行一致性检验。如此,上述目标特征向量可用于计算得分的前提,可以为判断矩阵具有一致性。在本发明一个实施例中,可以利用下述公式(2)和下述公式(3),以根据最大特征根对判断矩阵进行一致性校验;
CR=CI/RI (2)
CI=(λmax-n)/(n-1) (3)
其中,CR为判断矩阵的随机一致性比率,CI为判断矩阵的一般一致性指标,RI为判断矩阵的平均随机一致性指标,λmax为最大特征根,n为判断矩阵的因素个数。
通常情况下,1~9阶的判断矩阵的RI值参见如下表2。
表2
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
RI | 0 | 0 | 0.52 | 0.89 | 1.12 | 1.26 | 1.36 | 1.41 | 1.46 |
通常情况下,当判断矩阵的CR<0.1时或λmax=n且CI=0时,认为判断矩阵具有满意的一致性。
通常情况下,判断矩阵的阶数,即等于判断矩阵的行数、判断矩阵的列数以及判断矩阵的因素个数。
假设经校验,可确定出判断矩阵不具有一致性,区别于重新调整判断矩阵的传统处理方式,本发明实施例可利用粒子群优化算法对特征向量进行迭代优化,以对权重自动进行修正。
如此,可以随机化若干特征向量,且这些特征向量同目标特征向量一样经归一化处理,并据此组成初始的粒子集。通常情况下,粒子集中的各个特征向量,为n行1列。通过对初始的粒子集进行预设迭代次数的迭代优化,即可根据原有判断矩阵和最后一次迭代优化后的粒子集,计算待评价对象的得分,且能够保证计算出的得分准确度。
在本发明一个实施例中,为了说明一种迭代优化的可能实现方式,所以,所述基于当前存在的每一个粒子集以执行当前次迭代优化,包括:利用下述公式(4)和下述公式(5),基于当前存在的每一个粒子集以执行当前次迭代优化;
其中,为第k次迭代优化后的粒子集中第i个特征向量的第d维位置,1≤d≤n,n为所述判断矩阵的因素个数,同一特征向量在不同粒子集中的排序位置保持一致;f、c1、r1、c2、r2均为预设常数;为第k-2次迭代优化后的所述粒子集中的第i个特征向量的第d维速度;pbestid为第一特征向量的第d维位置,其中,当前存在的各个粒子集的第i个特征向量中,所述第一特征向量代入所述公式二时所得校验值,不大于任一其他特征向量代入所述公式二时所得校验值;gbestd为第二特征向量的第d维位置,其中,当前存在的各个粒子集的每一个特征向量中,所述第二特征向量代入所述公式二时所得校验值,不大于任一其他特征向量代入所述公式二时所得校验值;
Y为校验值;amh为所述判断矩阵的第m行第h列的数值;wjh为代入所述公式二的特征向量wj的第h行的数值;wjm为代入所述公式二的特征向量wj的第m行的数值。
详细地,在上述公式(4)中,可以确定出任一特征向量的任一维位置,即确定出特征向量相应行数上的数值,特征向量的每一维位置均确定后,即完成当前次对该特征向量的优化。
基于上述公式(4)和公式(5)可知,每执行一次迭代优化,即可生成一迭代优化后的粒子集,对于该粒子集中任一特征向量来说,该特征向量中的任一数值均向着个体历史最优和群体历史最优的方向进行改变。如此,完成预设迭代次数的优化后,最后一次迭代优化后的粒子集中的特征向量,通常可以为各评价因素的重要性排序,即权重分配,从而可用于得分计算。
由于这一实现方式并未对判断矩阵进行修正,而是对特征向量进行了修正,故可以基于原有判断矩阵和修正后的特征向量,以计算得分。由于修正后的特征向量使得权重分配更为合理,故在无需专家重新打分的情况下,仍能保证计算出的得分的准确性。
在本发明一个实施例中,为了说明一种计算得分的可能实现方式,所以,所述根据所述判断矩阵和最后一次迭代优化后的粒子集,计算所述待评价对象的得分,包括:将最后一次迭代优化后的粒子集中的任一特征向量代入下述公式(6),以计算所述待评价对象的得分;
其中,y为所述待评价对象的得分;a1h为所述判断矩阵的第1行第h列的数值。
详细地,由于判断矩阵为n行n列,各个特征向量为n行1列,故上述公式(6)的计算结果即为一数值,该数值即为待评价对象的得分。
在本发明一个实施例中,在所述计算所述待评价对象的得分之前,进一步包括:
A1:将最后一次迭代优化后的粒子集中的第一个特征向量,确定为当前特征向量;
A2:根据当前特征向量对所述判断矩阵进行一致性检验,判断检验结果是否为所述判断矩阵不具有一致性,若是,执行所述针对所述初始的粒子集执行预设迭代次数的迭代优化,并结束当前流程,否则,执行A3;
A3:判断所述当前特征向量是否为最后一次迭代优化后的粒子集中的最后一个特征向量,若是,执行所述计算所述待评价对象的得分,否则,以下一个特征向量作为当前特征向量,并执行A2。
通常情况下,工作人员可以根据经验值预设迭代次数,比如可以设置迭代次数为100次,如此,第100次迭代优化后的粒子集,即为用于计算得分的粒子集。由于在每一次迭代优化时,粒子集中的每一个特征向量均向着最优变化,故最后一次迭代优化后的粒子集中的任一特征向量,通常均可用于得分计算。
基于上述内容,通常情况下,对于最后一次迭代优化后的粒子集中的任一特征向量,根据该特征向量对判断矩阵再次进行一致性校验时,校验结果应为判断矩阵具有一致性,否则,可以认为迭代次数不足,以至于不能保证得分计算准确性,故可延续执行迭代过程。
在本发明一个实施例中,可以将特征向量代入上述公式(1)以求得其对应的特征根,并将求得的特征根代入上述公式(2)和上述公式(3)以进行一致性校验。
如此,为避免出现上述迭代次数不足的情况,可以在完成预设次数的迭代过程后,基于上述内容,可以针对最后一次迭代优化后的粒子集中每一个特征向量,依次对判断矩阵进行一致性校验,若校验均通过即可执行得分计算。
对应地,只要发现存在校验不通过的情况,即可在该最后一次迭代优化后的粒子集的基础之上,进行下一循环的预设迭代次数的迭代优化。如此循环,直至针对最终迭代优化后的粒子集中每一个特征向量,依次对判断矩阵进行一致性校验时,均校验通过,从而基于该最终迭代优化后的粒子集以执行得分计算。
本发明实施例中,得分的计算是针对同一待评价对象的,基于同样的实现原理,可分别计算其他各个待评价对象的得分。通常情况下,得分最高的待评价对象,即可以为最优选的对象。
在本发明实施例中,以供应商为待评价对象为例,对于候选供应商数量较少的情况,可以针对每个中间层因素分供应商,通过专家打分构造判断矩阵。但是,考虑到实际情况中一般存在大量候选供应商,也可通过直接查询数据库,以确定针对每个中间层因素的各供应商权重。比如,请参照上述表1,针对产品数量及质量指标,可以查询该供应商历史供货合格产品/不合格产品的比重作为权重。
基于上述内容,在本发明一个实施例中,上述任一对象评价方法的相关实现代码可以如下所述:
(一)初始化
//参数
static int count=10;//粒子个数
float w=1;//惯性因子
float c1=1.49445f;
float c2=1.49445f;
float vMax=0.1f;//最大速度
float vectorMax=1;//边界位置
//数据结构
float[]y=new float[]{0,0,0,0,0,0,0,0,0,0};//记录当前适应函数返回值
float[][]matrix=new float[7][];//判断矩阵
float[][]vector=new float[count][];//向量集(粒子群)
float[][]v=new float[count][];//粒子速度
float[][]pbest=new float[count][];//个体最佳位置
float[]gbest=new float[7];//群体最佳位置
(二)根据适应函数计算当前适应值
(三)粒子群优化算法
综上所述,本发明实施例中,在判断矩阵不具有一致性时,在计算得出目标特征向量后,再随机化一定数量的特征向量,以作为迭代优化算法的基本粒子群,初始算法需要的数据结构和参数,并定义合适的终止条件,经对特征向量进行迭代优化以找到最优特征向量,以确定各影响因素的最佳权重分配,从而计算待评价对象得分。可见,这一实现方式无需专家重新打分,不用重新定义判断矩阵,从而避免了因重新打分调整而造成的不必要的麻烦,在带来良好体验的同时也不会因为过于迁就一致性而造成的打分修改不客观,故本发明实施例所述方法具有良好的实用性,且特征向量的迭代优化自动进行,使得实施难度大大降低。
如图2所示,本发明一个实施例提供了一种对象评价装置,可以包括:
判断矩阵构建单元201,用于构建针对待评价对象的判断矩阵;
计算单元202,用于计算所述判断矩阵的最大特征根所对应的目标特征向量;
校验单元203,用于根据所述最大特征根对所述判断矩阵进行一致性检验,在确定出检验结果为所述判断矩阵不具有一致性时,随机化至少一个特征向量;
粒子集构建单元204,用于构建初始的粒子集,所述初始的粒子集中包括所述目标特征向量和所述至少一个特征向量,所述初始的粒子集中的每一个特征向量均经归一化处理;
迭代优化单元205,用于针对所述初始的粒子集执行预设迭代次数的迭代优化,以依次得到每一次迭代优化后的粒子集,其中,对于每一次迭代优化:基于当前存在的每一个粒子集以执行当前次迭代优化;
处理单元206,用于根据所述判断矩阵和最后一次迭代优化后的粒子集,计算所述待评价对象的得分。
在本发明一个实施例中,所述迭代优化单元205,用于利用上述公式(4)和上述公式(5),基于当前存在的每一个粒子集以执行当前次迭代优化。
在本发明一个实施例中,所述处理单元206,用于将最后一次迭代优化后的粒子集中的任一特征向量代入上述公式(6),以计算所述待评价对象的得分。
在本发明一个实施例中,请参考图3,所述校验单元203包括:确定子单元2031、校验子单元2032、处理子单元2033,
其中,所述确定子单元2031,用于将最后一次迭代优化后的粒子集中的第一个特征向量,确定为当前特征向量;
所述校验子单元2032,用于根据当前特征向量对所述判断矩阵进行一致性检验,判断检验结果是否为所述判断矩阵不具有一致性,若是,触发所述迭代优化单元205并结束,否则,触发所述处理子单元2033;
所述处理子单元2033,用于判断所述当前特征向量是否为最后一次迭代优化后的粒子集中的最后一个特征向量,若是,触发所述处理单元206,否则,以下一个特征向量作为当前特征向量,并触发所述校验子单元2032。
上述装置内的各单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
此外,本发明一个实施例还提供了一种可读介质,包括执行指令,当存储控制器的处理器执行所述执行指令时,所述存储控制器执行上述任一所述的对象评价方法。
另外,本发明一个实施例还提供了一种存储控制器,包括:处理器、存储器和总线;
所述存储器用于存储执行指令,所述处理器与所述存储器通过所述总线连接,当所述存储控制器运行时,所述处理器执行所述存储器存储的所述执行指令,以使所述存储控制器执行上述任一所述的对象评价方法。
综上所述,本发明的各个实施例至少具有如下有益效果:
1、本发明实施例中,对象评价方法包括:构建针对待评价对象的判断矩阵;计算判断矩阵的最大特征根所对应的目标特征向量;根据最大特征根对判断矩阵进行一致性检验,若判断矩阵不具有一致性则随机化若干特征向量;构建初始的粒子集,其中包括目标特征向量和该若干特征向量,初始的粒子集中各个特征向量均经归一化处理;针对初始的粒子集执行预设迭代次数的迭代优化,以依次得到每一次迭代优化后的粒子集,对于每一次迭代优化:基于当前存在的每一个粒子集以执行当前次迭代优化;根据判断矩阵和最后一次迭代优化后的粒子集,计算待评价对象的得分。由于无需专家重新打分,故能够降低实际实施难度。
2、本发明实施例所述的这一实现方式无需专家重新打分,不用重新定义判断矩阵,从而避免了因重新打分调整而造成的不必要的麻烦,在带来良好体验的同时也不会因为过于迁就一致性而造成的打分修改不客观,故本发明实施例所述方法具有良好的实用性,且特征向量的迭代优化自动进行,使得实施难度大大降低。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个······”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种对象评价方法,其特征在于,包括:
构建针对待评价对象的判断矩阵;
计算所述判断矩阵的最大特征根所对应的目标特征向量;
根据所述最大特征根对所述判断矩阵进行一致性检验,在确定出检验结果为所述判断矩阵不具有一致性时,随机化至少一个特征向量;
构建初始的粒子集,所述初始的粒子集中包括所述目标特征向量和所述至少一个特征向量,所述初始的粒子集中的每一个特征向量均经归一化处理;
针对所述初始的粒子集执行预设迭代次数的迭代优化,以依次得到每一次迭代优化后的粒子集,其中,对于每一次迭代优化:基于当前存在的每一个粒子集以执行当前次迭代优化;
根据所述判断矩阵和最后一次迭代优化后的粒子集,计算所述待评价对象的得分。
2.根据权利要求1所述的方法,其特征在于,
所述基于当前存在的每一个粒子集以执行当前次迭代优化,包括:利用公式一和公式二,基于当前存在的每一个粒子集以执行当前次迭代优化;
所述公式一包括:
所述公式二包括:
其中,为第k次迭代优化后的粒子集中第i个特征向量的第d维位置,1≤d≤n,n为所述判断矩阵的因素个数,同一特征向量在不同粒子集中的排序位置保持一致;f、c1、r1、c2、r2均为预设常数;为第k-2次迭代优化后的所述粒子集中的第i个特征向量的第d维速度;pbestid为第一特征向量的第d维位置,其中,当前存在的各个粒子集的第i个特征向量中,所述第一特征向量代入所述公式二时所得校验值,不大于任一其他特征向量代入所述公式二时所得校验值;gbestd为第二特征向量的第d维位置,其中,当前存在的各个粒子集的每一个特征向量中,所述第二特征向量代入所述公式二时所得校验值,不大于任一其他特征向量代入所述公式二时所得校验值;
Y为校验值;amh为所述判断矩阵的第m行第h列的数值;wjh为代入所述公式二的特征向量wj的第h行的数值;wjm为代入所述公式二的特征向量wj的第m行的数值。
3.根据权利要求2所述的方法,其特征在于,
所述根据所述判断矩阵和最后一次迭代优化后的粒子集,计算所述待评价对象的得分,包括:将最后一次迭代优化后的粒子集中的任一特征向量代入公式三,以计算所述待评价对象的得分;
所述公式三包括:
其中,y为所述待评价对象的得分;a1h为所述判断矩阵的第1行第h列的数值。
4.根据权利要求1至3中任一所述的方法,其特征在于,
在所述计算所述待评价对象的得分之前,进一步包括:
A1:将最后一次迭代优化后的粒子集中的第一个特征向量,确定为当前特征向量;
A2:根据当前特征向量对所述判断矩阵进行一致性检验,判断检验结果是否为所述判断矩阵不具有一致性,若是,执行所述针对所述初始的粒子集执行预设迭代次数的迭代优化,并结束当前流程,否则,执行A3;
A3:判断所述当前特征向量是否为最后一次迭代优化后的粒子集中的最后一个特征向量,若是,执行所述计算所述待评价对象的得分,否则,以下一个特征向量作为当前特征向量,并执行A2。
5.一种对象评价装置,其特征在于,包括:
判断矩阵构建单元,用于构建针对待评价对象的判断矩阵;
计算单元,用于计算所述判断矩阵的最大特征根所对应的目标特征向量;
校验单元,用于根据所述最大特征根对所述判断矩阵进行一致性检验,在确定出检验结果为所述判断矩阵不具有一致性时,随机化至少一个特征向量;
粒子集构建单元,用于构建初始的粒子集,所述初始的粒子集中包括所述目标特征向量和所述至少一个特征向量,所述初始的粒子集中的每一个特征向量均经归一化处理;
迭代优化单元,用于针对所述初始的粒子集执行预设迭代次数的迭代优化,以依次得到每一次迭代优化后的粒子集,其中,对于每一次迭代优化:基于当前存在的每一个粒子集以执行当前次迭代优化;
处理单元,用于根据所述判断矩阵和最后一次迭代优化后的粒子集,计算所述待评价对象的得分。
6.根据权利要求5所述的对象评价装置,其特征在于,
所述迭代优化单元,用于利用公式一和公式二,基于当前存在的每一个粒子集以执行当前次迭代优化;
所述公式一包括:
所述公式二包括:
其中,为第k次迭代优化后的粒子集中第i个特征向量的第d维位置,1≤d≤n,n为所述判断矩阵的因素个数,同一特征向量在不同粒子集中的排序位置保持一致;f、c1、r1、c2、r2均为预设常数;为第k-2次迭代优化后的所述粒子集中的第i个特征向量的第d维速度;pbestid为第一特征向量的第d维位置,其中,当前存在的各个粒子集的第i个特征向量中,所述第一特征向量代入所述公式二时所得校验值,不大于任一其他特征向量代入所述公式二时所得校验值;gbestd为第二特征向量的第d维位置,其中,当前存在的各个粒子集的每一个特征向量中,所述第二特征向量代入所述公式二时所得校验值,不大于任一其他特征向量代入所述公式二时所得校验值;
Y为校验值;amh为所述判断矩阵的第m行第h列的数值;wjh为代入所述公式二的特征向量wj的第h行的数值;wjm为代入所述公式二的特征向量wj的第m行的数值。
7.根据权利要求6所述的对象评价装置,其特征在于,
所述处理单元,用于将最后一次迭代优化后的粒子集中的任一特征向量代入公式三,以计算所述待评价对象的得分;
所述公式三包括:
其中,y为所述待评价对象的得分;a1h为所述判断矩阵的第1行第h列的数值。
8.根据权利要求5至7中任一所述的对象评价装置,其特征在于,
所述校验单元包括:确定子单元、校验子单元、处理子单元,
其中,所述确定子单元,用于将最后一次迭代优化后的粒子集中的第一个特征向量,确定为当前特征向量;
所述校验子单元,用于根据当前特征向量对所述判断矩阵进行一致性检验,判断检验结果是否为所述判断矩阵不具有一致性,若是,触发所述迭代优化单元并结束,否则,触发所述处理子单元;
所述处理子单元,用于判断所述当前特征向量是否为最后一次迭代优化后的粒子集中的最后一个特征向量,若是,触发所述处理单元,否则,以下一个特征向量作为当前特征向量,并触发所述校验子单元。
9.一种可读介质,其特征在于,包括执行指令,当存储控制器的处理器执行所述执行指令时,所述存储控制器执行如权利要求1至4中任一所述的对象评价方法。
10.一种存储控制器,其特征在于,包括:处理器、存储器和总线;
所述存储器用于存储执行指令,所述处理器与所述存储器通过所述总线连接,当所述存储控制器运行时,所述处理器执行所述存储器存储的所述执行指令,以使所述存储控制器执行如权利要求1至4中任一所述的对象评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811219853.9A CN109447445A (zh) | 2018-10-19 | 2018-10-19 | 一种对象评价方法、装置、可读介质及存储控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811219853.9A CN109447445A (zh) | 2018-10-19 | 2018-10-19 | 一种对象评价方法、装置、可读介质及存储控制器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447445A true CN109447445A (zh) | 2019-03-08 |
Family
ID=65546958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811219853.9A Pending CN109447445A (zh) | 2018-10-19 | 2018-10-19 | 一种对象评价方法、装置、可读介质及存储控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447445A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610479A (zh) * | 2019-07-31 | 2019-12-24 | 华为技术有限公司 | 一种对象评分方法及装置 |
CN112348152A (zh) * | 2020-11-05 | 2021-02-09 | 襄阳易捷达隆物联科技有限公司 | 基于改进层次分析法的交通拥堵疏导方法及系统 |
CN113592516A (zh) * | 2021-08-04 | 2021-11-02 | 北京房江湖科技有限公司 | 基于偏置项的重要度确定方法与确定得分的方法 |
CN117452901A (zh) * | 2023-12-22 | 2024-01-26 | 浙江中智达科技有限公司 | 控制生产装置运行的零手动操作方法、装置、设备及介质 |
-
2018
- 2018-10-19 CN CN201811219853.9A patent/CN109447445A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610479A (zh) * | 2019-07-31 | 2019-12-24 | 华为技术有限公司 | 一种对象评分方法及装置 |
CN110610479B (zh) * | 2019-07-31 | 2024-05-03 | 花瓣云科技有限公司 | 一种对象评分方法及装置 |
CN112348152A (zh) * | 2020-11-05 | 2021-02-09 | 襄阳易捷达隆物联科技有限公司 | 基于改进层次分析法的交通拥堵疏导方法及系统 |
CN112348152B (zh) * | 2020-11-05 | 2023-04-18 | 襄阳易捷达隆物联科技有限公司 | 基于改进层次分析法的交通拥堵疏导方法及系统 |
CN113592516A (zh) * | 2021-08-04 | 2021-11-02 | 北京房江湖科技有限公司 | 基于偏置项的重要度确定方法与确定得分的方法 |
CN113592516B (zh) * | 2021-08-04 | 2023-11-21 | 贝壳找房(北京)科技有限公司 | 基于偏置项的重要度确定方法与确定得分的方法 |
CN117452901A (zh) * | 2023-12-22 | 2024-01-26 | 浙江中智达科技有限公司 | 控制生产装置运行的零手动操作方法、装置、设备及介质 |
CN117452901B (zh) * | 2023-12-22 | 2024-03-15 | 浙江中智达科技有限公司 | 控制生产装置运行的零手动操作方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447445A (zh) | 一种对象评价方法、装置、可读介质及存储控制器 | |
Shukla et al. | Comparative review of selection techniques in genetic algorithm | |
CN108804319A (zh) | 一种改进Top-k众包测试平台任务的推荐方法 | |
CN106206346A (zh) | 具取样率决定机制的量测抽样方法 | |
CN103605711B (zh) | 支持向量机分类器的构造方法及装置、分类方法及装置 | |
EP4075281A1 (en) | Ann-based program test method and test system, and application | |
CN105956768A (zh) | 一种基于组合赋权和改进topsis的发电企业竞争力评估方法 | |
CN110163486A (zh) | 一种项目风险重要度评估方法及系统 | |
CN107545038A (zh) | 一种文本分类方法与设备 | |
CN106708659A (zh) | 一种自适应最近邻缺失数据的填充方法 | |
CN109376179A (zh) | 一种数据挖掘中样本平衡化方法 | |
CN109491709B (zh) | 一种基于ahp与神经网络的软件代码可控度综合评价方法 | |
CN111753998A (zh) | 多数据源的模型训练方法、装置、设备及存储介质 | |
CN112561303A (zh) | 基于集成学习和电网拓扑变化的电力系统动态分析方法 | |
CN116611911A (zh) | 基于支持向量机的信用风险预测方法及装置 | |
AU2021105543A4 (en) | A fuzzy entropy-based method for classification and selection of multi-faceted test case of software | |
CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
CN113988603A (zh) | 一种基于大数据的供应商评价方法及系统 | |
CN107291722B (zh) | 一种描述词的分类方法及设备 | |
CN111984637B (zh) | 数据建模中的缺失值处理方法和装置、设备及存储介质 | |
CN107967321A (zh) | 一种基于层级式支持向量机的作物育种评价方法 | |
CN113554099A (zh) | 一种识别异常商户的方法及装置 | |
CN114493078A (zh) | 一种能源电力产业链的风险预警方法、系统、设备和介质 | |
CN108846577B (zh) | 一种基于情境分析的群体任务分配方法 | |
CN111063226A (zh) | 一种电力仿真培训评分方法、系统及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |