CN111582394B - 一种群体评估方法、装置、设备及介质 - Google Patents

一种群体评估方法、装置、设备及介质 Download PDF

Info

Publication number
CN111582394B
CN111582394B CN202010402585.5A CN202010402585A CN111582394B CN 111582394 B CN111582394 B CN 111582394B CN 202010402585 A CN202010402585 A CN 202010402585A CN 111582394 B CN111582394 B CN 111582394B
Authority
CN
China
Prior art keywords
evaluated
scheme
pythagorean
fuzzy
evaluation
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.)
Active
Application number
CN202010402585.5A
Other languages
English (en)
Other versions
CN111582394A (zh
Inventor
姜广君
乔冠
陈红霞
孙洪华
李华强
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.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of Technology
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 Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202010402585.5A priority Critical patent/CN111582394B/zh
Publication of CN111582394A publication Critical patent/CN111582394A/zh
Application granted granted Critical
Publication of CN111582394B publication Critical patent/CN111582394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Abstract

本公开实施例公开了一种群体评估方法、装置、设备及介质，其中该方法包括：确定待评估方案、评价属性和评价属性的类别；获取决策群对待评估方案相对于评价属性的初始评价值；根据初始评价值建立标准化毕达哥拉斯模糊决策矩阵；根据评价属性的类别和标准化毕达哥拉斯模糊决策矩阵确定毕达哥拉斯模糊理想解；采用切比雪夫距离测度法确定各待评估方案与毕达哥拉斯模糊理想解的加权距离，并根据加权距离确定各待评估方案的相对贴近度；根据各待评估方案的相对贴近度确定目标方案。采用上述技术方案，通过毕达哥拉斯模糊集和切比雪夫距离测度法改进了TOPSIS方法，可以快速达成群体共识，使决策结果更加科学和合理，并且大大提高了工作效率和决策性能。

Description

一种群体评估方法、装置、设备及介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种群体评估方法、装置、设备及介质。
背景技术
人们普遍认为，世界上所有的问题都与决策有直接或间接的关系。根据这种看法，要使决策者能够做出正确的决策，他们必须相信自己的决策是尽可能准确的。这意味着决策者需要知道他或她在多大程度上可以信任从他们自己的决策中获得的结果。换言之，决策者感兴趣的是找出他或她的决策的不确定性水平度量。然而就当前的科学研究尤其是决策论的研究来看，决策的科学性、正确性与可信性保证即是在多种不确定性下寻求最客观的与最可信的决策方案的过程，如可靠性工程领域的维修决策的优化、经济学领域的投资决策和管理学领域的管理措施方案优选等。然而，现今的决策往往是多种决策方案合理化优选的过程，所以有必要提出并公开一种多种不确定性下多种决策方案优选算法以提高基于决策方案优选的科学性。
对于当前科学决策领域所涉及的不确定性，通常有两种常见的类型，即客观不确定性和主观不确定性。前者是因为自然不可精确量化的变化、技术手段等客观原因造成的不确定性，此类不确定性可通过技术的进步和决策模型搭建与改进等措施合理化削减，如材料性能的离散型等。但主观不确定性则是由于主观数据来源(一般为决策者或领域专家)经验的缺乏和领域知识不足而产生的难以消除的不确定性。在当前众多决策问题的优化求解过程就是要尽量减少主观不确定性对决策的科学性与决策方案的可信度的影响。在这方面，多目标决策技术是决策科学的主要方法之一，它能够帮助决策者优选出可靠的决策方案。而在现有的多目标决策方法中，逼近理想解的排序法(Technique for OrderPreference by Similarity to an Ideal Solution，TOPSIS)近年来受到了来自不同应用领域学者的广泛关注。TOPSIS方法能考虑不同准则的重要性权重，对一组备选方案进行排序。从现有的文献数据统计来看，预计在未来十年，安全性和可靠性领域使用TOPSIS方法的研究将继续增长。然而传统的TOPSIS法容易因指标权重的使用不当，造成对原始决策方案的扭曲，使得评估效率和性能受到影响。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种群体评估方法、装置、设备及介质，可以优化现有的群体评估方案，提高群体评估的工作效率和决策性能。
本公开实施例提供了一种群体评估方法，包括：
确定待评估方案、评价属性和所述评价属性的类别，其中，所述待评估方案、所述属性数据和所述评价属性的类别的数量均为多个；
获取决策群对所述待评估方案相对于所述评价属性的初始评价值，其中，所述决策群中包括多个决策者；
根据所述初始评价值建立标准化毕达哥拉斯模糊决策矩阵；
根据所述评价属性的类别和所述标准化毕达哥拉斯模糊决策矩阵确定毕达哥拉斯模糊理想解；
采用切比雪夫距离测度法确定各所述待评估方案与所述毕达哥拉斯模糊理想解的加权距离，并根据所述加权距离确定各所述待评估方案的相对贴近度；
根据各所述待评估方案的相对贴近度确定目标方案。
本公开实施例还提供了一种群体评估装置，包括：
待评估数据确定模块，用于确定待评估方案、评价属性和所述评价属性的类别，其中，所述待评估方案、所述属性数据和所述评价属性的类别的数量均为多个；
评价值获取模块，用于获取决策群对所述待评估方案相对于所述评价属性的初始评价值，其中，所述决策群中包括多个决策者；
决策矩阵建立模块，用于根据所述初始评价值建立标准化毕达哥拉斯模糊决策矩阵；
求解模块，用于根据所述评价属性的类别和所述标准化毕达哥拉斯模糊决策矩阵确定毕达哥拉斯模糊理想解；
贴近度确定模块，用于采用切比雪夫距离测度法确定各所述待评估方案与所述毕达哥拉斯模糊理想解的加权距离，并根据所述加权距离确定各所述待评估方案的相对贴近度；
评估结果确定模块，用于根据各所述待评估方案的相对贴近度确定目标方案。
本公开实施例还提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如本公开实施例提供的群体评估方法。
本公开实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行如本公开实施例提供的群体评估方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：本公开实施例提供的群体评估方案，确定待评估方案、评价属性和评价属性的类别，其中，待评估方案、属性数据和评价属性的类别的数量均为多个，获取决策群对待评估方案相对于评价属性的初始评价值，其中，决策群中包括多个决策者，根据初始评价值建立标准化毕达哥拉斯模糊决策矩阵，根据评价属性的类别和标准化毕达哥拉斯模糊决策矩阵确定毕达哥拉斯模糊理想解，采用切比雪夫距离测度法确定各待评估方案与毕达哥拉斯模糊理想解的加权距离，并根据加权距离确定各待评估方案的相对贴近度，根据各待评估方案的相对贴近度确定目标方案。采用上述技术方案，通过毕达哥拉斯模糊集和切比雪夫距离测度法改进了TOPSIS方法，使得处理各种群体决策与评价问题，尤其是大规模群体决策活动时，可以快速达成群体共识，通过有效地消除决策者的知识背景等差异，从而使决策结果更加科学和合理，并且大大提高了工作效率和决策性能。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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，对于本领域普通技术人员而言，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为本公开实施例提供的一种群体评估方法的流程示意图；
图2为本公开实施例提供的另一种群体评估方法的流程示意图；
图3为本公开实施例提供的一种群体评估装置的结构示意图；
图4为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
图1为本公开实施例提供的一种群体评估方法的流程示意图，该方法可以由群体评估装置执行，其中该装置软件和/或硬件实现，一般可集成在电子设备中。如图1所示，该方法包括：
步骤101、确定待评估方案、评价属性和评价属性的类别，其中，待评估方案、属性数据和评价属性的类别的数量均为多个。
其中，待评估方案为当前应用场景中能够解决具体问题的方案，本公开实施例可以适用于多种实际应用场景，例如应急桥梁的方案决策等，具体不限。评价属性为针对同一问题的待评估方案预先设置的相关评价属性，不同问题的方案所对应的评价属性可能不同，例如，针对供应商选择的问题，评价属性可以包括产品质量、产品价格和服务水平等；针对航空公司服务质量评价的问题，评价属性可以包括订票服务、登记程序和客舱服务等。评价属性的类别是指将预先设置的评价属性进行分类，例如可以将评价属性划分为效益型属性和成本型属性等。
待评估方案、评价属性和评价属性的类别可以基于具体的应用场景进行确定，数量为多个。
步骤102、获取决策群对待评估方案相对于评价属性的初始评价值，其中，决策群中包括多个决策者。
其中，决策者是指可以对待评估方案进行具体决策的人，例如决策者可以为当前问题的专家等，多个决策者可以组成一个决策群，共同对当前问题进行群体决策。初始评价值可以理解为决策者对于各待评估方案相对于不同的评价属性给出的经验评价值或者结合实际数据的预估评价值。
步骤103、根据初始评价值建立标准化毕达哥拉斯模糊决策矩阵。
其中，毕达哥拉斯模糊集是基于直觉模糊集的进一步拓展，可以描述更多的不确定性，对不确定信息的容纳性更高，适用性更强，毕达哥拉斯模糊集可以使决策者在许多实际决策问题中减少决策的不确定性。
本公开实施例中，初始评价值建立标准化毕达哥拉斯模糊决策矩阵，可以包括：根据初始评价值建立初始毕达哥拉斯模糊决策矩阵，并将初始毕达哥拉斯模糊决策矩阵转化为标准化毕达哥拉斯模糊决策矩阵。
本公开实施例中，根据初始评价值建立初始毕达哥拉斯模糊决策矩阵，可以包括：假设决策者为E＝{E1,E2,…,Et}，待评估方案为A＝{A1,A2,…,Am}和评价属性为C＝{C1,C2,…,Cn}，决策者Ek对待评估方案Ai相对于评价属性Cj的初始评价值为
Figure GDA0003698012690000061
则决策者Ek对应初始毕达哥拉斯模糊决策矩阵为：
Figure GDA0003698012690000062
其中，
Figure GDA0003698012690000063
表示隶属度，
Figure GDA0003698012690000064
表示非隶属度，m表示待评估方案的数量，n表示评价属性的数量。隶属度
Figure GDA0003698012690000065
和非隶属度
Figure GDA0003698012690000066
分别表示决策者Ek对待评估方案Ai相对于评价属性Cj的满意度和不满意度。上述决策者的数量为t位，待评估方案的数量为m个，评价属性的数量为n个，各评价属性的权重向量为ω＝(ω1,ω2,…,ωn)，ωj∈[0,1]且
Figure GDA0003698012690000067
本公开实施例中，将初始毕达哥拉斯模糊决策矩阵转化为标准化毕达哥拉斯模糊决策矩阵，可以包括：采用综合决策矩阵模型将初始毕达哥拉斯模糊决策矩阵集结为综合决策矩阵；采用标准化决策矩阵模型将综合决策矩阵转化为标准化毕达哥拉斯模糊决策矩阵；其中，综合决策矩阵模型为
Figure GDA0003698012690000068
其中，
Figure GDA0003698012690000069
表示综合决策矩阵，
Figure GDA00036980126900000610
标准化决策矩阵模型为
Figure GDA00036980126900000611
其中，
Figure GDA00036980126900000612
表示标准化毕达哥拉斯模糊决策矩阵，
Figure GDA00036980126900000613
步骤104、根据评价属性的类别和标准化毕达哥拉斯模糊决策矩阵确定毕达哥拉斯模糊理想解。
本公开实施例中，评价属性的类别可以包括效益型属性和成本型属性两类，效益型属性指的是属性值越大越好，如利润，成本型属性指的是属性值越小越好，如成本价。
确定的毕达哥拉斯模糊理想解包括正理想解和负理想解，正理想解为
Figure GDA0003698012690000071
负理想解为
Figure GDA0003698012690000072
其中，当Cj为效益型属性时，
Figure GDA0003698012690000073
当Cj为成本型属性时，
Figure GDA0003698012690000074
Figure GDA0003698012690000075
步骤105、采用切比雪夫距离测度法确定各待评估方案与毕达哥拉斯模糊理想解的加权距离，并根据加权距离确定各待评估方案的相对贴近度。
其中，切比雪夫(Chebyshev)距离是向量空间中的一种度量，二个点之间的距离定义是其各坐标数值差绝对值的最大值，本公开实施例中采用切比雪夫距离测度法确定待评估方案与毕达哥拉斯模糊理想解的加权距离。
本公开实施例中，采用切比雪夫距离测度法确定各待评估方案与毕达哥拉斯模糊理想解的加权距离，可以包括：通过加权距离模型确定各待评估方案与毕达哥拉斯模糊理想解的加权距离，其中，加权距离模型为基于切比雪夫距离测度法的距离模型，具体表示为
Figure GDA0003698012690000076
和
Figure GDA0003698012690000077
，其中，
Figure GDA0003698012690000078
表示各待评估方案与毕达哥拉斯模糊理想解的正理想解的加权距离，
Figure GDA0003698012690000079
表示各待评估方案与毕达哥拉斯模糊理想解的负理想解的加权距离，
Figure GDA00036980126900000710
为犹豫度，
Figure GDA00036980126900000711
为承诺度，d＝1-2arccos(μ/γ)/π为承诺方向，ωj表示各评价属性的权重向量。
本公开实施例中，根据加权距离确定各待评估方案的相对贴近度，可以包括：根据加权距离和相对贴近度模型，确定各待评估方案的相对贴近度，其中，相对贴近度模型为
Figure GDA0003698012690000081
Ri表示各待评估方案的相对贴近度。
步骤106、根据各待评估方案的相对贴近度确定目标方案。
其中，目标方案为各待评估方案中的最优方案。
确定各待评估方案的相对贴近度之后，可以按照从大到小的顺序进行排序，将排序最靠前的待评估方案确定为目标方案。
本公开实施例提供的群体评估方案，确定待评估方案、评价属性和评价属性的类别，其中，待评估方案、属性数据和评价属性的类别的数量均为多个，获取决策群对待评估方案相对于评价属性的初始评价值，其中，决策群中包括多个决策者，根据初始评价值建立标准化毕达哥拉斯模糊决策矩阵，根据评价属性的类别和标准化毕达哥拉斯模糊决策矩阵确定毕达哥拉斯模糊理想解，采用切比雪夫距离测度法确定各待评估方案与毕达哥拉斯模糊理想解的加权距离，并根据加权距离确定各待评估方案的相对贴近度，根据各待评估方案的相对贴近度确定目标方案。采用上述技术方案，通过毕达哥拉斯模糊集和切比雪夫距离测度法改进了TOPSIS方法，使得处理各种群体决策与评价问题，尤其是大规模群体决策活动时，可以快速达成群体共识，通过有效地消除决策者的知识背景等差异，从而使决策结果更加科学和合理，并且大大提高了工作效率和决策性能。
图2为本公开实施例提供的另一种群体评估方法的流程示意图。本实施例在上述实施例的基础上，进一步对上述群体评估方法进行具体说明。如图2所示，该方法包括：
步骤201、确定待评估方案、评价属性和评价属性的类别。
其中，待评估方案、属性数据和评价属性的类别的数量均为多个。
步骤202、获取决策群对待评估方案相对于评价属性的初始评价值。
其中，决策群中包括多个决策者。
步骤203、根据初始评价值建立初始毕达哥拉斯模糊决策矩阵。
步骤204、将初始毕达哥拉斯模糊决策矩阵转化为标准化毕达哥拉斯模糊决策矩阵。
步骤205、根据评价属性的类别和标准化毕达哥拉斯模糊决策矩阵确定毕达哥拉斯模糊理想解。
步骤206、采用切比雪夫距离测度法确定各待评估方案与毕达哥拉斯模糊理想解的加权距离。
步骤207、根据加权距离确定各待评估方案的相对贴近度。
步骤208、根据各待评估方案的相对贴近度确定目标方案。
通过一个具体的示例来进行具体说明。示例性的，假设待评估方案分别为A1、A2、A3和A4，评价属性分别为C1(时间)、C2(成本)、C3(安全性)和C4(便利性)，各评价属性的权重可以设置为相等，即ωj＝0.25，决策群中包括三位决策者E1、E2和E3，三位决策者给出的初始毕达哥拉斯模糊决策矩阵如表1-3所示，表1为决策者E1给出的初始毕达哥拉斯模糊决策矩阵，表2为决策者E2给出的初始毕达哥拉斯模糊决策矩阵，表3为决策者E3给出的初始毕达哥拉斯模糊决策矩阵。
表1决策者E1给出的初始毕达哥拉斯模糊决策矩阵
C<sub>1</sub> C<sub>2</sub> C<sub>3</sub> C<sub>4</sub>
A<sub>1</sub> (0.3,0.7) (0.55,0.35) (0.15,0.75) (0.3,0.6)
A<sub>2</sub> (0.35,0.6) (0.65,0.15) (0.15,0.85) (0.35,0.55)
A<sub>3</sub> (0.4,0.55) (0.3,0.7) (0.3,0.7) (0.4,0.75)
A<sub>4</sub> (0.55,0.75) (0.3,0.7) (0.3,0.7) (0.55,0.15)
表2决策者E2给出的初始毕达哥拉斯模糊决策矩阵
C<sub>1</sub> C<sub>2</sub> C<sub>3</sub> C<sub>4</sub>
A<sub>1</sub> (0.85,0.15) (0.15,0.75) (0.3,0.7) (0.85,0.15)
A<sub>2</sub> (0.15,0.75) (0.15,0.85) (0.15,0.75) (0.15,0.7)
A<sub>3</sub> (0.3,0.7) (0.3,0.7) (0.2,0.7) (0.3,0.7)
A<sub>4</sub> (0.1,0.85) (0.3,0.7) (0.1,0.7) (0.1,0.85)
表3决策者E3给出的初始毕达哥拉斯模糊决策矩阵
C<sub>1</sub> C<sub>2</sub> C<sub>3</sub> C<sub>4</sub>
A<sub>1</sub> (0.3,0.6) (0.15,0.85) (0.3,0.7) (0.15,0.75)
A<sub>2</sub> (0.25,0.7) (0.15,0.75) (0.55,0.15) (0.3,0.7)
A<sub>3</sub> (0.6,0.25) (0.3,0.7) (0.25,0.75) (0.1,0.85)
A<sub>4</sub> (0.3,0.25) (0.1,0.85) (0.6,0.15) (0.3,0.7)
则，基于上述初始毕达哥拉斯模糊决策矩阵确定的标准化毕达哥拉斯模糊决策矩阵如表4所示。
表4标准化毕达哥拉斯模糊决策矩阵
C<sub>1</sub> C<sub>2</sub> C<sub>3</sub> C<sub>4</sub>
A<sub>1</sub> (0.6517,0.1697) (0.5222,0.3771) (0.4103,0.6888) (0.6941,0.1266)
A<sub>2</sub> (0.3134,0.8484) (0.6057,0.1616) (0.5376,0.1792) (0.3683,0.5054)
A<sub>3</sub> (0.5353,0.2592) (0.4598,0.5797) (0.4000,0.6888) (0.3875,0.8369)
A<sub>4</sub> (0.4365,0.4292) (0.3861,0.7040) (0.6185,0.1378) (0.4821,0.1674)
C1(时间)、C2(成本)和C3(安全性)为效益型属性，C4(便利性)为成本型属性，所确定的毕达哥拉斯模糊理想解中的正理想解和负理想解如表5所示。
表5毕达哥拉斯模糊理想解
C<sub>1</sub> C<sub>2</sub> C<sub>3</sub> C<sub>4</sub>
P<sup>+</sup> (0.6157,0.1697) (0.3861,0.7040) (0.6185,0.1378) (0.6941,0.1266)
N<sup>-</sup> (0.3134,0.8484) (0.6057,0.1616) (0.4000,0.6888) (0.3683,0.8369)
各待评估方案与毕达哥拉斯模糊理想解中正理想解和负理想解的加权距离如表6所示。
表6各待评估方案与毕达哥拉斯模糊理想解的加权距离
A<sub>1</sub> A<sub>2</sub> A<sub>3</sub> A<sub>4</sub>
S<sup>+</sup> 0.2180 0.4460 0.3770 0.1455
S<sup>-</sup> 0.4040 0.2264 0.2686 0.5621
基于表6中的加权距离确定的各待评估方案的相对贴近度分别为R1＝0.6455、R2＝0.3367、R3＝0.4161和R4＝0.7944。基于上述各待评估方案的相对贴近度，排序结果为R4＞R1＞R3＞R2，则待评估方案A1为目标方案。
本公开实施例中，首先由决策者根据实际情况建立初始毕达哥拉斯模糊决策矩阵，然后将初始毕达哥拉斯模糊决策矩阵转化为标准化毕达哥拉斯模糊决策矩阵，进而根据标准化毕达哥拉斯模糊决策矩阵确定毕达哥拉斯模糊理想解，接着计算各待评估方案与毕达哥拉斯模糊理想解的加权距离，基于加权距离确定各待评估方案的相对贴近度，最后根据各方案相对贴近度从大到小排序，得到最优方案。利用本方案可以处理各种群体决策与评价问题，尤其是大规模群体决策活动，能使决策者快速达成群体共识，通过有效地消除专家们知识背景等差异，从而大大提高决策结果的科学性和合理性，可以广泛应用于各种群体决策与评价问题，尤其是大规模群体决策活动中。
本公开实施例提供的群体评估方案，确定待评估方案、评价属性和评价属性的类别，获取决策群对待评估方案相对于评价属性的初始评价值，根据初始评价值建立初始毕达哥拉斯模糊决策矩阵，将初始毕达哥拉斯模糊决策矩阵转化为标准化毕达哥拉斯模糊决策矩阵，根据评价属性的类别和标准化毕达哥拉斯模糊决策矩阵确定毕达哥拉斯模糊理想解，采用切比雪夫距离测度法确定各待评估方案与毕达哥拉斯模糊理想解的加权距离，根据加权距离确定各待评估方案的相对贴近度，根据各待评估方案的相对贴近度确定目标方案。采用上述技术方案，通过毕达哥拉斯模糊集和切比雪夫距离测度法改进了TOPSIS方法，使得处理各种群体决策与评价问题，尤其是大规模群体决策活动时，可以快速达成群体共识，通过有效地消除决策者的知识背景等差异，从而使决策结果更加科学和合理，并且大大提高了工作效率和决策性能。
图3为本公开实施例提供的一种群体评估装置的结构示意图，该装置可由软件和/或硬件实现，一般可集成在电子设备中，可通过执行群体评估方法来进行群体评估。如图3所示，该装置包括：
待评估数据确定模块301，用于确定待评估方案、评价属性和所述评价属性的类别，其中，所述待评估方案、所述属性数据和所述评价属性的类别的数量均为多个；
评价值获取模块302，用于获取决策群对所述待评估方案相对于所述评价属性的初始评价值，其中，所述决策群中包括多个决策者；
决策矩阵建立模块303，用于根据所述初始评价值建立标准化毕达哥拉斯模糊决策矩阵；
求解模块304，用于根据所述评价属性的类别和所述标准化毕达哥拉斯模糊决策矩阵确定毕达哥拉斯模糊理想解；
贴近度确定模块305，用于采用切比雪夫距离测度法确定各所述待评估方案与所述毕达哥拉斯模糊理想解的加权距离，并根据所述加权距离确定各所述待评估方案的相对贴近度；
评估结果确定模块306，用于根据各所述待评估方案的相对贴近度确定目标方案。
本公开实施例提供的群体评估方案，确定待评估方案、评价属性和评价属性的类别，其中，待评估方案、属性数据和评价属性的类别的数量均为多个，获取决策群对待评估方案相对于评价属性的初始评价值，其中，决策群中包括多个决策者，根据初始评价值建立标准化毕达哥拉斯模糊决策矩阵，根据评价属性的类别和标准化毕达哥拉斯模糊决策矩阵确定毕达哥拉斯模糊理想解，采用切比雪夫距离测度法确定各待评估方案与毕达哥拉斯模糊理想解的加权距离，并根据加权距离确定各待评估方案的相对贴近度，根据各待评估方案的相对贴近度确定目标方案。采用上述技术方案，通过毕达哥拉斯模糊集和切比雪夫距离测度法改进了TOPSIS方法，使得处理各种群体决策与评价问题，尤其是大规模群体决策活动时，可以快速达成群体共识，通过有效地消除决策者的知识背景等差异，从而使决策结果更加科学和合理，并且大大提高了工作效率和决策性能。
可选的，所述决策矩阵建立模块303包括：
初始矩阵建立单元，用于根据所述初始评价值建立初始毕达哥拉斯模糊决策矩阵；
矩阵转化单元，用于将所述初始毕达哥拉斯模糊决策矩阵转化为标准化毕达哥拉斯模糊决策矩阵。
可选的，所述初始矩阵建立单元具体用于：
假设决策者为E＝{E1,E2,…,Et}，待评估方案为A＝{A1,A2,…,Am}和评价属性为C＝{C1,C2,…,Cn}，决策者Ek对待评估方案Ai相对于评价属性Cj的初始评价值为
Figure GDA0003698012690000131
则决策者Ek对应所述初始毕达哥拉斯模糊决策矩阵为：
Figure GDA0003698012690000132
其中，
Figure GDA0003698012690000133
表示隶属度，
Figure GDA0003698012690000134
表示非隶属度，m表示待评估方案的数量，n表示评价属性的数量。
可选的，所述矩阵转化单元具体用于：
采用综合决策矩阵模型将所述初始毕达哥拉斯模糊决策矩阵集结为综合决策矩阵；
采用标准化决策矩阵模型将所述综合决策矩阵转化为所述标准化毕达哥拉斯模糊决策矩阵；
其中，所述综合决策矩阵模型为
Figure GDA0003698012690000141
其中，
Figure GDA0003698012690000142
表示所述综合决策矩阵，
Figure GDA0003698012690000143
所述标准化决策矩阵模型为
Figure GDA0003698012690000144
其中，
Figure GDA0003698012690000145
表示所述标准化毕达哥拉斯模糊决策矩阵，
Figure GDA0003698012690000146
Figure GDA0003698012690000147
可选的，所述毕达哥拉斯模糊理想解包括正理想解和负理想解，所述正理想解为
Figure GDA0003698012690000148
所述负理想解为
Figure GDA0003698012690000149
其中，当Cj为效益型属性时，
Figure GDA00036980126900001410
当Cj为成本型属性时，
Figure GDA00036980126900001411
Figure GDA00036980126900001412
可选的，所述贴近度确定模块305具体用于：
通过加权距离模型确定各所述待评估方案与所述毕达哥拉斯模糊理想解的加权距离，其中，所述加权距离模型为基于所述切比雪夫距离测度法的距离模型，具体表示为
Figure GDA00036980126900001413
和
Figure GDA00036980126900001414
，其中，
Figure GDA00036980126900001415
表示各所述待评估方案与所述毕达哥拉斯模糊理想解的正理想解的加权距离，
Figure GDA00036980126900001416
表示各所述待评估方案与所述毕达哥拉斯模糊理想解的负理想解的加权距离，
Figure GDA00036980126900001417
为犹豫度，
Figure GDA0003698012690000151
为承诺度，d＝1-2arccos(μ/γ)/π为承诺方向，ωj表示各所述评价属性的权重向量。
可选的，所述贴近度确定模块305具体用于：
根据所述加权距离和相对贴近度模型，确定各所述待评估方案的相对贴近度，其中，所述相对贴近度模型为
Figure GDA0003698012690000152
Ri表示各所述待评估方案的相对贴近度。
本公开实施例所提供的群体评估装置可执行本发明任意实施例所提供的群体评估方法，具备执行方法相应的功能模块和有益效果。
图4为本公开实施例提供的一种电子设备的结构示意图。如图4所示，电子设备400包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备400中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器401可以运行所述程序指令，以实现上文所述的本公开的实施例的群体评估方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备400还可以包括：输入装置403和输出装置404，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外，该输入装置403还可以包括例如键盘、鼠标等等。
该输出装置404可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图4中仅示出了该电子设备400中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备400还可以包括任何其他适当的组件。
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本公开实施例所提供的群体评估方法。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本公开实施例所提供的群体评估方法。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是，在本文中，诸如“第一”和“第二”等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要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种群体评估方法，其特征在于，包括：
确定待评估方案、评价属性和所述评价属性的类别，其中，所述待评估方案、所述评价属性和所述评价属性的类别的数量均为多个；其中，所述评价属性的类别包括效益型属性和成本型属性；
获取决策群对所述待评估方案相对于所述评价属性的初始评价值，其中，所述决策群中包括多个决策者；
根据所述初始评价值建立标准化毕达哥拉斯模糊决策矩阵；
根据所述评价属性的类别和所述标准化毕达哥拉斯模糊决策矩阵确定毕达哥拉斯模糊理想解；
采用切比雪夫距离测度法确定各所述待评估方案与所述毕达哥拉斯模糊理想解的加权距离，并根据所述加权距离确定各所述待评估方案的相对贴近度；
根据各所述待评估方案的相对贴近度确定目标方案；
其中，所述根据所述初始评价值建立标准化毕达哥拉斯模糊决策矩阵，包括：根据所述初始评价值建立初始毕达哥拉斯模糊决策矩阵，并采用综合决策矩阵模型将所述初始毕达哥拉斯模糊决策矩阵集结为综合决策矩阵；采用标准化决策矩阵模型将所述综合决策矩阵转化为所述标准化毕达哥拉斯模糊决策矩阵；
其中，所述采用切比雪夫距离测度法确定各所述待评估方案与所述毕达哥拉斯模糊理想解的加权距离，包括：通过加权距离模型确定各所述待评估方案与所述毕达哥拉斯模糊理想解的加权距离，其中，所述加权距离模型为基于所述切比雪夫距离测度法的距离模型，具体表示为
Figure FDA0003745775810000011
和
Figure FDA0003745775810000021
理想解的加权距离，
Figure FDA0003745775810000022
表示各所述待评估方案与所述毕达哥拉斯模糊理想解的负理想解的加权距离，
Figure FDA0003745775810000023
为犹豫度，
Figure FDA0003745775810000024
为承诺度，d＝1-2arccos(μ/γ)/π为承诺方向，ωj表示各所述评价属性的权重向量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述初始评价值建立初始毕达哥拉斯模糊决策矩阵，包括：
假设决策者为E＝{E1,E2,…,Et}，待评估方案为A＝{A1,A2,…,Am}和评价属性为C＝{C1,C2,…,Cn}，决策者Ek对待评估方案Ai相对于评价属性Cj的初始评价值为
Figure FDA0003745775810000025
则决策者Ek对应所述初始毕达哥拉斯模糊决策矩阵为：
Figure FDA0003745775810000026
其中，
Figure FDA0003745775810000027
表示隶属度，
Figure FDA0003745775810000028
表示非隶属度，m表示待评估方案的数量，n表示评价属性的数量。
3.根据权利要求1所述的方法，其特征在于，所述综合决策矩阵模型为
Figure FDA0003745775810000029
其中，
Figure FDA00037457758100000210
表示所述综合决策矩阵，
Figure FDA00037457758100000211
所述标准化决策矩阵模型为
Figure FDA00037457758100000212
其中，
Figure FDA00037457758100000213
表示所述标准化毕达哥拉斯模糊决策矩阵，
Figure FDA00037457758100000214
4.根据权利要求3所述的方法，其特征在于，所述毕达哥拉斯模糊理想解包括正理想解和负理想解，所述正理想解为
Figure FDA0003745775810000031
所述负理想解为
Figure FDA0003745775810000032
其中，当Cj为效益型属性时，
Figure FDA0003745775810000033
当Cj为成本型属性时，
Figure FDA0003745775810000034
Figure FDA0003745775810000035
5.根据权利要求4所述的方法，其特征在于，所述根据所述加权距离确定各所述待评估方案的相对贴近度，包括：
根据所述加权距离和相对贴近度模型，确定各所述待评估方案的相对贴近度，其中，所述相对贴近度模型为
Figure FDA0003745775810000036
Ri表示各所述待评估方案的相对贴近度。
6.一种群体评估装置，其特征在于，包括：
待评估数据确定模块，用于确定待评估方案、评价属性和所述评价属性的类别，其中，所述待评估方案、所述评价属性和所述评价属性的类别的数量均为多个；其中，所述评价属性的类别包括效益型属性和成本型属性；
评价值获取模块，用于获取决策群对所述待评估方案相对于所述评价属性的初始评价值，其中，所述决策群中包括多个决策者；
决策矩阵建立模块，用于根据所述初始评价值建立标准化毕达哥拉斯模糊决策矩阵；
求解模块，用于根据所述评价属性的类别和所述标准化毕达哥拉斯模糊决策矩阵确定毕达哥拉斯模糊理想解；
贴近度确定模块，用于采用切比雪夫距离测度法确定各所述待评估方案与所述毕达哥拉斯模糊理想解的加权距离，并根据所述加权距离确定各所述待评估方案的相对贴近度；
评估结果确定模块，用于根据各所述待评估方案的相对贴近度确定目标方案；
其中，所述根据所述初始评价值建立标准化毕达哥拉斯模糊决策矩阵，包括：根据所述初始评价值建立初始毕达哥拉斯模糊决策矩阵，并采用综合决策矩阵模型将所述初始毕达哥拉斯模糊决策矩阵集结为综合决策矩阵；采用标准化决策矩阵模型将所述综合决策矩阵转化为所述标准化毕达哥拉斯模糊决策矩阵；
其中，所述采用切比雪夫距离测度法确定各所述待评估方案与所述毕达哥拉斯模糊理想解的加权距离，包括：通过加权距离模型确定各所述待评估方案与所述毕达哥拉斯模糊理想解的加权距离，其中，所述加权距离模型为基于所述切比雪夫距离测度法的距离模型，具体表示为
Figure FDA0003745775810000041
和
Figure FDA0003745775810000042
理想解的加权距离，
Figure FDA0003745775810000043
表示各所述待评估方案与所述毕达哥拉斯模糊理想解的负理想解的加权距离，
Figure FDA0003745775810000044
为犹豫度，
Figure FDA0003745775810000045
为承诺度，d＝1-2arccos(μ/γ)/π为承诺方向，ωj表示各所述评价属性的权重向量。
7.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-5中任一所述的群体评估方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-5中任一所述的群体评估方法。
CN202010402585.5A 2020-05-13 2020-05-13 一种群体评估方法、装置、设备及介质 Active CN111582394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010402585.5A CN111582394B (zh) 2020-05-13 2020-05-13 一种群体评估方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010402585.5A CN111582394B (zh) 2020-05-13 2020-05-13 一种群体评估方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111582394A CN111582394A (zh) 2020-08-25
CN111582394B true CN111582394B (zh) 2022-09-06

Family

ID=72112130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010402585.5A Active CN111582394B (zh) 2020-05-13 2020-05-13 一种群体评估方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111582394B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884024B (zh) * 2021-02-01 2022-05-13 中南大学 一种基于群体决策集成学习的泡沫浮选工况识别方法
CN113792943B (zh) * 2021-11-16 2022-05-10 航天宏康智能科技(北京)有限公司 一种群体决策方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523183A (zh) * 2018-11-27 2019-03-26 中铁二院工程集团有限责任公司 基于混合多属性决策的铁路建设方案的评价方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
基于VIKOR混合多属性群决策的供应商选择;葛锦林;《无锡职业技术学院学报》;20200320(第02期);第39-46页 *
基于包含度的犹豫模糊属性约简;王金英等;《井冈山大学学报(自然科学版)》;20160315(第02期);第9-13页 *
基于毕达哥拉斯TOPSIS法的区域生态破坏度评价――以黄河流域上游为例;陈艳萍等;《软科学》;20181022(第11期);第58-62页 *
基于混合模糊多准则群决策的模块划分方案评价;刘丹等;《组合机床与自动化加工技术》;20190420(第04期);第154-158页 *
改进模糊TOPSIS法在地基处理方案决策中的应用;高志刚等;《路基工程》;20111020(第05期);第148-151页 *
毕达哥拉斯犹豫模糊集的相关测度;刘卫锋等;《控制与决策》;20180604(第05期);第125-131页 *
用改进层次分析法研究TCSC最佳安装位置;潘晓杰等;《高电压技术》;20090731(第07期);第1753-1757页 *
考虑决策者风险偏好的区间直觉模糊多属性群决策方法;赵萌等;《运筹与管理》;20180125(第01期);第11-20页 *

Also Published As

Publication number Publication date
CN111582394A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
US8195473B2 (en) Method and system for optimized real estate appraisal
US11068285B2 (en) Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments
CN111340148B (zh) 一种业务分类模型的训练方法、业务分类方法以及终端
Gajzler et al. Evaluation of planned construction projects using fuzzy logic
WO2021012524A1 (zh) 事项督办方法、装置、计算机设备及存储介质
CN110647696B (zh) 一种业务对象的排序方法及装置
CN109685537B (zh) 用户行为的分析方法、装置、介质和电子设备
CN111582394B (zh) 一种群体评估方法、装置、设备及介质
CN109740036B (zh) Ota平台酒店排序方法及装置
RU2733485C1 (ru) Система и способ обработки данных для комплексной оценки зрелости научно-технологического проекта на основе использования набора параметров
Ballesteros-Pérez et al. On the distribution of bids for construction contract auctions
CN111797320A (zh) 数据处理方法、装置、设备及存储介质
CN113407854A (zh) 一种应用推荐方法、装置、设备及计算机可读存储介质
CN112148986A (zh) 一种基于众包的top-N服务再推荐方法及系统
CN107644042B (zh) 软件程序点击率预估排序方法及服务器
CN116187675A (zh) 任务分配方法、装置、设备及存储介质
CN114897607A (zh) 产品资源的数据处理方法及装置、电子设备、存储介质
CN114282657A (zh) 一种市场数据长期预测模型训练方法、装置、设备及存储介质
CN114298825A (zh) 还款积极度评估方法及装置
Kuznietsova et al. Business Intelligence Techniques for Missing Data Imputations
CN114757786A (zh) 数据的预测方法、装置、电子设备及计算机可读介质
CN109934604B (zh) 销量数据的处理方法、系统、存储介质及电子设备
CN115968478A (zh) 机器学习特征推荐
CN113822455A (zh) 一种时间预测方法、装置、服务器及存储介质
Kurata et al. A discrete probabilistic model for analyzing pairwise comparison matrices

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