CN112365120A - 一种基于三支决策的经营战略智能生成方法 - Google Patents

一种基于三支决策的经营战略智能生成方法 Download PDF

Info

Publication number
CN112365120A
CN112365120A CN202011051474.0A CN202011051474A CN112365120A CN 112365120 A CN112365120 A CN 112365120A CN 202011051474 A CN202011051474 A CN 202011051474A CN 112365120 A CN112365120 A CN 112365120A
Authority
CN
China
Prior art keywords
decision
attribute
strategy
domain
objects
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
CN202011051474.0A
Other languages
English (en)
Other versions
CN112365120B (zh
Inventor
支学超
张清华
高满
赵凡
艾志华
代永杨
李新太
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.)
Chongqing Leyong Technology Group Co ltd
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202011051474.0A priority Critical patent/CN112365120B/zh
Publication of CN112365120A publication Critical patent/CN112365120A/zh
Application granted granted Critical
Publication of CN112365120B publication Critical patent/CN112365120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于计算机科学与技术领域，具体涉及一种基于三支决策的经营战略智能生成方法，该方法包括：采用经营战略智能生成系统获取企业数据信息，对企业数据信息进行预处理，得到数据信息表，将数据信息表存入数据库；当经营战略智能生成系统接收到经营战略制定计划指令时，系统从数据库中获取数据信息表，根据数据信息表中的信息，系统生成经营战略；本方法统计每个部门的决策意见，可以多线程进行，每个部门互不干扰的给出自己的意见，能极大地提高工作的效率。

Description

一种基于三支决策的经营战略智能生成方法
技术领域
本发明属于计算机科学与技术领域，具体涉及一种基于三支决策的经营战略智能生成方法。
背景技术
在企业经营过程中，需要制定一个精准的企业经营战略计划，而战略计划的制定的过程中，需要考虑多方面的因素；例如财务部需要考虑战略计划对公司资金带来的影响；人力资源部需要考虑战略计划对公司员工带来的影响；市场部需要考虑战略计划会对公司产品面向市场带来的影响等。由于市场是不断变化的，因此公司的战略计划需要根据不断变化的市场进行调整，从而实现各方意见的平衡和需求。当前，公司的战略计划一般由人来制定，由于制定战略需要大量人力投入，人工统计的方式会出现较大的错误风险，有可能制定的战略存在较大偏差。随着电子信息技术的不断发展，采用基于人工智能方式基于企业数据的计算而自动生成企业经营策略具有迫切需求，而且迫切需要提高经营策略的准确性。
三支决策是近年发展起来的一种处理不确定性决策的粒计算方法，是Yao 在长期研究粗糙集，特别是概率粗糙集和决策粗糙集过程中总结和提炼出来的一种符合人类实际认知能力的“三分而治”的决策模式。作为传统二支决策理论的一种重要推广，三支决策理论考虑到决策过程中存在的不确定性因素，将延迟决策作为以信息不足而接受或拒绝时的第三种决策行为。三支决策的核心思想是将一个统一集划分为三个互不相交的区域，对每一个区域来制定相应的决策策略。目前，对于决策算法都是采用二支决策的过程，但是采用二支决策算法处理对象时，是将对象的选择概率趋于0.5，但是决策的对象具有极大的不确定性，最终导致决策的结果不精确而造成损失，因此急需一种能更好的对决策进行选取的算法提高决策的准确度。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种基于三支决策的经营战略智能生成方法，该方法包括：
采用经营战略智能生成系统获取企业数据信息，对企业数据信息进行预处理，得到数据信息表，将数据信息表存入数据库；当经营战略智能生成系统接收到经营战略制定计划指令时，系统从数据库中获取数据信息表，根据数据信息表中的信息，系统生成经营战略；
经营战略智能生成系统生成经营战略的过程包括：
S1：计算数据信息表中的信息增益比，将计算出的信息增益比进行归一化处理，得到归一化后的信息增益比；
S2：设置阈值，根据设置的阈值和三支决策模型将每个决策粒度空间划分成三个区域，计算每个区域的不同属性指标下的对象隶属度值，根据每个隶属度值获取相应的决策意见；根据归一化后的信息增益比、决策意见以及投票机制对每个对象进行投票，实时更新每个对象的票数；
S3：设置二支决策的阈值，制定决策策略，根据设定的二支决策的阈值选取对应的决策策略；
S4：获取每个对象的最终票数，采用选取的决策策略对票数进行分类，得到二支结果，生成经营战略。
优选的，经营战略智能生成系统获取的企业数据信息包括产品信息、财务信息，员工数量以及薪资信息；所述对企业数据信息进行预处理包括补充数据集中缺失的数据，将补充后的数据按照条件属性和决策属性进行整理划分，分为条件属性集和决策属性集，得到数据信息表。
优选的，计算数据信息表中的信息增益比的公式为：
Figure RE-GDA0002891432670000021
Figure RE-GDA0002891432670000031
I(ai；D)＝H(D)-H(D|ai)
Figure RE-GDA0002891432670000032
优选的，每个决策粒度空间划分的三个区域包括正域、负域以及边界域；所述正域中的对象代表与目标概念相近的群体，所述负域中的对象代表与目标概念远的群体，所述边界域中的对象代表不确定的群体。
进一步的，据划分的三个区域以及对象x在属性ai下的隶属度
Figure RE-GDA0002891432670000033
制定在条件属性ai下的最小风险决策规则；即：
若
Figure RE-GDA0002891432670000034
则
Figure RE-GDA0002891432670000035
获得属性ai的赞成意见；
若
Figure RE-GDA0002891432670000036
则
Figure RE-GDA0002891432670000037
获得属性ai的中立意见；
若
Figure RE-GDA0002891432670000038
则
Figure RE-GDA0002891432670000039
获得属性ai的反对意见。
优选的，投票机制包括获得最终的票数为：T＝{T(x1),T(x2),…,T(xn)}，其计算的公式为：
Figure RE-GDA00028914326700000310
Figure RE-GDA00028914326700000311
优选的，决策策略包括正例补偿策略和负例补偿策略。
进一步的，正例补偿策略包括：当正域相对于负域分配空间太小，即α+β>1时，则会使正域的对象被属性划分到边界域中，使得最终得票数为0；将T(X)≥0的对象分配到POS，即将支持率大于等于反对率的对象分配给正域， T(X)<0的对象分配到NEG，即将反对率大于支持率的对象分配给负域；其中， T(X)表示二支决策值。
进一步的，负例补偿策略包括：当负域相对于正域分配空间太小，即α+β≤1时，则会使负域的对象被属性划分到边界域，使得最终得票数为0；将T(X)>0的对象分配到POS，即将支持率大于等于反对率的对象分配给正域， T(X)≤0的对象分配到NEG，即将反对率大于支持率的对象分配给负域；其中， T(X)表示二支决策值。
优选的，设定的二支决策的阈值为0；当对象获得的最终票数大于的二支决策阈值时，对象的支持率大于反对率，当对象获得的最终票数小于的二支决策阈值时，对象的支持率小于反对率，当对象获得的最终票数等于的二支决策阈值时，根据步骤S3设置的阈值大小对正类用例进行补偿，或者对负类用例进行补偿。
本发明的效果：
1、通过采用本发明使用的方法，可实现快速且考虑了多方意见的决策。公司的决策者可以利用三支划分结果得到每个部门或者属性给出的决策意见，依据的思想，按照少数服从多数，即支持率大于反对率，来获得最后的二分结果，其结果符合大多数人的利益；
2、现有的决策算法都是二支过程，其概率趋于0.5的对象具有极大的不确定性，因此为了降低决策过程地损失，本方法加入了边界域即中立意见，减小了决策过程代价及决策的不确定性；
3、本方法利用信息增益比刻画了公司中每个部门或者属性的投票权重，使得决策结果更符合公司的利益，从而获得更加合理的决策结果；
4、本方法统计每个部门的决策意见，可以多线程进行，每个部门互不干扰的给出自己的意见，能极大地提高工作的效率。
附图说明
图1为本发明发三支决策流程图；
图2为本发明的基于三支的方法意见下企业战略决策方法流程图。
具体实施方式
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，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，所描述的实施例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不付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。
一种基于三支决策的经营战略智能生成方法，如图2所示，该方法包括：
采用经营战略智能生成系统获取企业数据信息，对企业数据信息进行预处理，得到数据信息表，将数据信息表存入数据库；当经营战略智能生成系统接收到经营战略制定计划指令时，系统从数据库中获取数据信息表，根据数据信息表中的信息，系统生成经营战略；
经营战略智能生成系统生成经营战略的过程包括：
S1：计算数据信息表中的信息增益比，将计算出的信息增益比进行归一化处理，得到归一化后的信息增益比；
所述归一化后的信息增益比用于衡量数据信息表中条件属性的属性重要度，利用属性重要度来刻画每个条件属性的投票权重，为后面条件属性进行投票的时做铺垫。
S2：设置阈值，根据设置的阈值和三支决策模型将每个决策粒度空间划分成三个区域，计算每个区域的不同属性指标下的对象隶属度值，根据每个隶属度值获取相应的决策意见；根据归一化后的信息增益比、决策意见以及投票机制对每个对象进行投票，实时更新每个对象的票数；
S3：设置二支决策的阈值，制定决策策略，根据设定的二支决策的阈值选取对应的决策策略；
S4：获取每个对象的最终票数，采用选取的决策策略对票数进行分类，得到二支结果，生成经营战略。
优选的，所述经营战略制定计划指令由用户向系统发出。当正在运用的企业经营战略不满足企业的发展需求时，用户通过向经营战略智能生成系统输入经营战略制定计划指令，系统接收到指令后执行经营战略计划制定的过程。
优选的，所述经营战略制定计划指令由数据扫描模块向系统发出指令。
优选的，所述数据扫描模块用于实时扫描抓取政策网站信息，当数据扫描模块扫描到国家出台的政策信息时，数据扫描模块向经营战略智能生成系统发送经营战略制定计划指令。
优选的，所述数据扫描模块不仅用于实时扫描抓取政策网站信息，而且还可以对抓取的信息进行分析，确定国家出台的政策与公司当前经营战略的差别；当差别较小时，数据扫描模块不发送指令；当差别较大时，数据扫描模块向经营战略智能生成系统发出经营战略制定计划指令。
对抓取的信息进行分析过程包括对抓取的信息提取关键字，当关键字出现与国家政策相关的关键词时，将该信息中的关键字与企业的经营策略中的关键字进行对比，当对比的关键字的区别较大时，则国家出台的政策与企业经营策略差别较大，当对比的关键字的区别较小时，则国家出台的政策与企业经营策略差别较小。
实经营战略智能生成系统获取的企业数据信息包括产品信息、财务信息，员工数量、薪资信息以及战略决策计划；所述对数据集进行预处理包括补充数据集中缺失的数据，将补充后的数据按照条件属性和决策属性进行整理划分，分为条件属性集和决策属性集，得到数据信息表。
例如选定公司A为战略决策计划对象，给出公司A各种产品信息，财务信息，员工数量、薪资等信息，整理出完整的公司A面对不同的战略计划的决策形成的信息表S。将采用仿真的数据来解释说明本发明创造的具体步骤和相关解释，这些仿真数据将具有合理的解释，且并不影响本发明创造的方法在真实数据中的效果。
将公司A不同的战略计划作为待决策的对象x，给定决策信息表S＝ (U,At∪D,V,f)，目标概念X＝{x1,x2,x4,x6,x9}，其中论域 U＝{x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}，决策属性集D＝{d}，条件属性集 At＝{a1,a2,…,a5}。其中，U表示整个论域，At∪D表示条件属性集和决策属性集，At表示条件属性集，D表示决策属性集，V表示属性可能取值的集合，f表示信息映射函数。
对数据集进行预处理包括对数据集中缺失数据进行补齐，将信息表S按照条件属性和决策属性进行整理；所述决策信息表中的数据如表1所示：
表1决策信息表
U a<sub>1</sub> a<sub>2</sub> a<sub>3</sub> a<sub>4</sub> a<sub>5</sub> d
x<sub>1</sub> 1 0 1 2 1 1
x<sub>2</sub> 0 1 1 1 2 1
x<sub>3</sub> 0 0 1 2 0 0
x<sub>4</sub> 2 1 1 1 0 1
x<sub>5</sub> 0 0 0 0 2 0
x<sub>6</sub> 1 1 0 0 1 1
x<sub>7</sub> 2 1 0 0 2 0
x<sub>8</sub> 1 0 0 0 0 0
x<sub>9</sub> 1 1 1 1 1 1
x<sub>10</sub> 0 0 0 1 0 0
信息增益比在决策算法中是被用来衡量属性决策能力的指标，当信息增益比越大时，则表明这个属性区分数据样本的能力越好。其在概率中的定义为：待分类集合的熵和选定某个属性的条件熵之差占总信息熵的比例。
通过结合三支决策模型，结合阈值对具有不确定性的对象集合进行三支划分，从而形成三个区域，其中正域中的对象代表与目标概念相近的群体，负域中的对象代表与目标概念较远的群体，边界域中的对象属于不确定的对象，因此，正域中的对象获得赞成意见，负域中的对象获得反对意见，边界域中的对象获得中立意见。然后，建立投票机制，统计每个属性给出的决策意见。其中，利用归一化后的信息增益比对属性的决策能力的刻画，优化每个属性的投票权重，从而使模型能够获得更加合理的最终结果。最后，根据每个对象获得的最终的得票数，进行最终决策。
计算每个条件属性的信息增益比，并进行归一化处理。利用归一化后的信息增益比作为条件属性的属性重要度，对不同的条件属性的决策能力进行刻画，令决策能力强的条件属性拥有更重的话语权，从而使决策结果更加合理。其计算公式为：
Figure RE-GDA0002891432670000081
Figure RE-GDA0002891432670000082
I(ai；D)＝H(D)-H(D|ai)
Figure RE-GDA0002891432670000083
其中，H(D)表示整个数据集的信息熵，D表示数据集，i表示数据集中的第 i个对象，n表示决策属性的所有可能取值的个数，p(Yi)表示决策属性为Yi的概率，Yi表示决策属性为第i个取值的对象个数，U表示整个论域的对象，H(D|ai)表示条件属性ai的信息熵，ai表示第i个条件属性，v表示条件属性ai第v个取值， V表示条件属性ai的所有可能取值的个数，Xv表示条件属性ai为第v个取值的对象个数，p(Yi|Xv)表示在条件属性为Xv的对象中决策属性为Yi的概率，I(ai；D)表示条件属性ai的信息增益，G_Ratio(ai)表示条件属性ai的信息增益比。
所述对信息增益比进行归一化处理的结果如表2所示：
表2条件属性的归一化信息增益比
At a<sub>1</sub> a<sub>2</sub> a<sub>3</sub> a<sub>4</sub> a<sub>5</sub>
G_Ratio(a<sub>i</sub>) 0.120 0.221 0.221 0.120 0.318
优选的，步骤S3中设置阈值的过程包括：根据现实需求选取代价参数设置；所述代价参数分别为λPP，λBP，λNP，λPN，λBN，λNN；所述6种代价参数分别表示三支决策中采取三种不同的行动产生的代价；根据贝叶斯最小风险准则计算阈值α和β，其计算公式为：
Figure RE-GDA0002891432670000084
Figure RE-GDA0002891432670000085
其中，α表示三支正域阈值，β表示三支负域阈值，λPP表示正例对象被划分到正域的代价，λBP表示正例对象被划分到边界域的代价，λNP表示正例对象被划分到负域的代价，λPN表示负例对象被划分到正域的代价，λBN表示负例对象被划分到边界域的代价，λNN表示负例对象被划分到负域的代价。
步骤S3中计算每个区域的不同属性指标下的对象隶属度值的计算公式为：
Figure RE-GDA0002891432670000091
其中，ai表示第i个条件属性，X表示目标概念，[x]表示等价类。
利用三支的思想，结合阈值在每个决策粒度空间下划分三个不同的区域，计算出不同属性指标下对象的隶属度值，按照对象所在的区域获得相应的决策意见。其中，每个条件属性都能做出互不干扰的单独决策，从而能够考虑多方面、多属性的决策意见。
Figure RE-GDA0002891432670000092
得出对象x在条件属性ai下的隶属度
Figure RE-GDA0002891432670000093
以及决策意见，基于决策理论粗糙集思想得出以下三个在条件属性ai下的最小风险决策规则：
(P)如果
Figure RE-GDA0002891432670000094
则
Figure RE-GDA0002891432670000095
即获得属性ai的赞成意见。
(B)如果
Figure RE-GDA0002891432670000096
则
Figure RE-GDA0002891432670000097
即获得属性ai的中立意见。
(N)如果
Figure RE-GDA0002891432670000098
则
Figure RE-GDA0002891432670000099
即获得属性ai的反对意见。
根据上述最小风险决策规则可以确定每个对象x都能得到条件属性ai的决策意见，从而形成一个粒度空间，即决策粒度层，记作Ai，结合所有的条件决策粒度层Ai构建多属性决策粒度空间DGS＝{A1,A2,…,Am}。
从不同的决策粒度空间下获得相应的决策意见，根据投票规则，更新每个对象获得的票数，并在考虑完所有条件属性的决策意见后，会获得一个最终得票数。引入了新的参数最终得票数T＝{T(x1),T(x2),…,T(xn)}，其公式表示为：
Figure RE-GDA00028914326700000910
Figure RE-GDA00028914326700000911
其中，
Figure RE-GDA0002891432670000101
表示条件属性ai给xk的票数，xk表示第k个对象，
Figure RE-GDA0002891432670000102
表示目标概念与xk所在的等价类的交集占xk所在的等价类的比例，即隶属度，X表示目标概念，[xk]表示xk所在的等价类，α表示三支决策的正域阈值，ai表示第 i个条件属性，β表示三支决策的负域阈值，[x]表示x所在的等价类，T(xk)表示对象xk获得的最终票数，i表示数据集中的第i个对象，n表示条件属性的条数。
根据上述的方法，可以得到三支决策的票权数；其结果如表3所示：
表3三支决策票权表
Figure RE-GDA0002891432670000103
面对不同的现实需求设计了两种不同的决策策略，正例补偿策略和负例补偿策略，再根据阈值选出最合适的策略进行最终决策。所述现实需求包括：投票结果为0，即所有条件属性都给出中立决策的对象，因此通过设置两种情况，来对最终投票结果为0的对象进行分配，其余对象按照少数服从多数的原则，即投票结果大于0的对象，表示支持者多，投票结果小于0的对象，表示反对者多。
正例补偿策略包括：当正域相对于负域分配空间太小，即α+β>1时，则会使正域的对象被属性划分到边界域中，使得最终得票数为0；将T(X)≥0的对象分配到POS，即将支持率大于等于反对率的对象分配给正域，T(X)<0的对象分配到NEG，即将反对率大于支持率的对象分配给负域。
负例补偿策略包括：当负域相对于正域分配空间太小，即α+β≤1时，则会使负域的对象被属性划分到边界域，使得最终得票数为0；将T(X)>0的对象分配到POS，即将支持率大于等于反对率的对象分配给正域，T(X)≤0的对象分配到NEG，即将反对率大于支持率的对象分配给负域。
执行最终决策的过程包括：根据不同的阈值，选择最合适的决策策略进行最终决策，按照每个对象的最终得票数进行分类，最终获得相应的二支结果。利用表1的数据，得到三支决策的决策流程和三支决策过程如图1和表4；
表4三支决策过程
Figure RE-GDA0002891432670000111
Figure RE-GDA0002891432670000112
对象x1,x6,x9由于被条件属性a5划分到正域，因此获得属性a5的赞成意见，对象的得票数加1；对象x2,x5,x7由于被条件属性a5划分到边界域，因此获得属性a5的中立意见，对象的得票数不变，依然为0；对象x3,x4,x8,x10由于被条件属性a5划分到负域，因此获得属性a5的反对意见，对象的得票数减1。其论域U在得到属性a5的决策意见后，更新后的得票结果为：
T(X)＝{x1:1,x2:0,x3:-1,x4:-1,x5:0,x6:1,x7:0,x8:-1,x9:1,x10:-1}
Figure RE-GDA0002891432670000113
T(X)＝{x1:0,x2:1,x3:-2,x4:0,x5:-1,x6:2,x7:1,x8:-2,x9:2,x10:-2}
Figure RE-GDA0002891432670000114
T(X)＝{x1:1,x2:2,x3:-1,x4:1,x5:-2,x6:1,x7:0,x8:-3,x9:3,x10:-3}
Figure RE-GDA0002891432670000115
T(X)＝{x1:2,x2:1,x3:-2,x4:1,x5:-3,x6:2,x7:0,x8:-2,x9:4,x10:-4}
Figure RE-GDA0002891432670000116
T(X)＝{x1:2,x2:2,x3:-2,x4:2,x5:-4,x6:1,x7:-1,x8:-3,x9:5,x10:-3}
由于设定的阈值α+β>1，采用正例补偿策略，即将T(X)≥0的对象分配到POS，T(X)<0的对象分配到NEG。根据正例补偿策略求出的最终决策结果如表5所示：
表5三支决策投票结果
Figure RE-GDA0002891432670000117
Figure RE-GDA0002891432670000121
其中T(xi)表示对象xi的最终得票结果，FD表示最终决策结果。
根据表5的结果计算出每一决策粒度空间下得出的分类准确率CAcc和分类综合评价指标CF1，其计算的结果如下：
Figure RE-GDA0002891432670000122
Figure RE-GDA0002891432670000123
Figure RE-GDA0002891432670000124
Figure RE-GDA0002891432670000125
Figure RE-GDA0002891432670000126
三支决策模型很好地实现了快速且有效的战略计划决策。本发明构建了多粒度决策粒度空间，进行了所有条件属性在粗粒度下的单独决策，减少了模型等价类的划分，从而提高了决策效率，在此基础上我们设置了投票机制，考虑了所有条件属性的决策意见，实现了符合多方面需求的战略决策。最后，我们引入了归一化的信息增益比对条件属性的投票权重进行了优化，提高了最终结果的准确率和合理性。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于三支决策的经营战略智能生成方法，其特征在于，包括：
采用经营战略智能生成系统获取企业数据信息，对企业数据信息进行预处理，得到数据信息表，将数据信息表存入数据库；当经营战略智能生成系统接收到经营战略制定计划指令时，系统从数据库中获取数据信息表，根据数据信息表中的信息，系统生成经营战略；
经营战略智能生成系统生成经营战略的过程包括：
S1：计算数据信息表中的信息增益比，将计算出的信息增益比进行归一化处理，得到归一化后的信息增益比；
S2：设置阈值，根据设置的阈值和三支决策模型将每个决策粒度空间划分成三个区域，计算每个区域的不同属性指标下的对象隶属度值，根据每个隶属度值获取相应的决策意见；根据归一化后的信息增益比、决策意见以及投票机制对每个对象进行投票，实时更新每个对象的票数；
S3：设置二支决策的阈值，制定决策策略，根据设定的二支决策的阈值选取对应的决策策略；
S4：获取每个对象的最终票数，采用选取的决策策略对票数进行分类，得到二支结果，生成经营战略。
2.根据权利要求1所述的一种基于三支决策的经营战略智能生成方法，其特征在于，经营战略智能生成系统获取的企业数据信息包括产品信息、财务信息，员工数量、薪资信息以及不同的战略计划；所述对企业数据信息进行预处理包括补充数据集中缺失的数据，将补充后的数据按照条件属性和决策属性进行整理划分，分为条件属性集和决策属性集，得到数据信息表。
3.根据权利要求1所述的一种基于三支决策的经营战略智能生成方法，其特征在于，计算数据信息表中的信息增益比的公式为：
Figure RE-FDA0002891432660000021
Figure RE-FDA0002891432660000022
I(ai；D)＝H(D)-H(D|ai)
Figure RE-FDA0002891432660000023
其中，H(D)表示整个数据集的信息熵，D表示数据集，i表示数据集中的第i个对象，n表示决策属性的所有可能取值的个数，p(Yi)表示决策属性为Yi的概率，Yi表示决策属性为第i个取值的对象个数，U表示整个论域的对象，H(D|ai)表示条件属性ai的信息熵，ai表示第i个条件属性，v表示条件属性ai第v个取值，V表示条件属性ai的所有可能取值的个数，Xv表示条件属性ai为第v个取值的对象个数，p(Yi|Xv)表示在条件属性为Xv的对象中决策属性为Yi的概率，I(ai；D)表示条件属性ai的信息增益，G_Ratio(ai)表示条件属性ai的信息增益比。
4.根据权利要求1所述的一种基于三支决策的经营战略智能生成方法，其特征在于，每个决策粒度空间划分的三个区域包括正域、负域以及边界域；所述正域中的对象代表与目标概念相近的群体，所述负域中的对象代表与目标概念远的群体，所述边界域中的对象代表不确定的群体。
5.根据权利要求4所述的一种基于三支决策的经营战略智能生成方法，其特征在于，根据划分的三个区域以及对象x在属性ai下的隶属度
Figure RE-FDA0002891432660000024
制定在条件属性ai下的最小风险决策规则；即：
若
Figure RE-FDA0002891432660000025
则
Figure RE-FDA0002891432660000026
获得属性ai的赞成意见；
若
Figure RE-FDA0002891432660000027
则
Figure RE-FDA0002891432660000028
获得属性ai的中立意见；
若
Figure RE-FDA0002891432660000029
则
Figure RE-FDA00028914326600000210
获得属性ai的反对意见；
其中，ai表示第i个条件属性，X表示目标概念，[x]表示等价类，α，β表示三支决策中的阈值，
Figure RE-FDA00028914326600000211
表示条件属性ai划分的正域，
Figure RE-FDA00028914326600000212
表示条件属性ai划分的边界域，
Figure RE-FDA0002891432660000031
表示条件属性ai划分的负域。
6.根据权利要求1所述的一种基于三支决策的经营战略智能生成方法，其特征在于，投票机制包括获得最终的票数为：T＝{T(x1)，T(x2)，...，T(xn)}，其计算的公式为：
Figure RE-FDA0002891432660000032
Figure RE-FDA0002891432660000033
其中，
Figure RE-FDA0002891432660000034
表示条件属性ai给xk的票数，xk表示第k个对象，
Figure RE-FDA0002891432660000035
表示目标概念与xk所在的等价类的交集占xk所在的等价类的比例，即隶属度，X表示目标概念，[xk]表示xk所在的等价类，α表示三支决策的正域阈值，ai表示第i个条件属性，β表示三支决策的负域阈值，[x]表示x所在的等价类，T(xk)表示对象xk获得的最终票数，i表示数据集中的第i个对象，n表示条件属性的条数。
7.根据权利要求1所述的一种基于三支决策的经营战略智能生成方法，其特征在于，所述决策策略包括正例补偿策略和负例补偿策略。
8.根据权利要求7所述的一种基于三支决策的经营战略智能生成方法，其特征在于，所述正例补偿策略包括：当正域相对于负域分配空间太小，即α+β＞1时，则会使正域的对象被属性划分到边界域中，使得最终得票数为0；将T（X)≥0的对象分配到POS，即将支持率大于等于反对率的对象分配给正域，T（X)＜0的对象分配到NEG，即将反对率大于支持率的对象分配给负域；其中，T（X)表示对象获得的最终票数。
9.根据权利要求7所述的一种基于三支决策的经营战略智能生成方法，其特征在于，所述负例补偿策略包括：当负域相对于正域分配空间太小，即α+β≤1时，则会使负域的对象被属性划分到边界域，使得最终得票数为0；将T（X)＞0的对象分配到POS，即将支持率大于等于反对率的对象分配给正域，T（X)≤0的对象分配到NEG，即将反对率大于支持率的对象分配给负域；其中，T（X)表示对象获得的最终票数。
10.根据权利要求1所述的一种基于三支决策的经营战略智能生成方法，其特征在于，所述设定的二支决策的阈值为0；当对象获得的最终票数大于的二支决策阈值时，对象的支持率大于反对率，当对象获得的最终票数小于的二支决策阈值时，对象的支持率小于反对率，当对象获得的最终票数等于的二支决策阈值时，根据步骤S3设置的阈值大小对正类用例进行补偿，或者对负类用例进行补偿。
CN202011051474.0A 2020-09-29 2020-09-29 一种基于三支决策的经营战略智能生成方法 Active CN112365120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011051474.0A CN112365120B (zh) 2020-09-29 2020-09-29 一种基于三支决策的经营战略智能生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011051474.0A CN112365120B (zh) 2020-09-29 2020-09-29 一种基于三支决策的经营战略智能生成方法

Publications (2)

Publication Number Publication Date
CN112365120A true CN112365120A (zh) 2021-02-12
CN112365120B CN112365120B (zh) 2022-05-03

Family

ID=74506575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011051474.0A Active CN112365120B (zh) 2020-09-29 2020-09-29 一种基于三支决策的经营战略智能生成方法

Country Status (1)

Country Link
CN (1) CN112365120B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111961A (zh) * 2021-04-25 2021-07-13 华南农业大学 一种基于三支决策模型的农产品信息分类处理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273912A (zh) * 2017-05-10 2017-10-20 重庆邮电大学 一种基于三支决策理论的主动学习方法
CN109190659A (zh) * 2018-07-23 2019-01-11 南昌大学 一种基于信息熵权重三支决策策略的数据集成聚类方法
CN110458385A (zh) * 2019-06-25 2019-11-15 重庆邮电大学 基于三支决策的大型企业供需双方匹配方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273912A (zh) * 2017-05-10 2017-10-20 重庆邮电大学 一种基于三支决策理论的主动学习方法
CN109190659A (zh) * 2018-07-23 2019-01-11 南昌大学 一种基于信息熵权重三支决策策略的数据集成聚类方法
CN110458385A (zh) * 2019-06-25 2019-11-15 重庆邮电大学 基于三支决策的大型企业供需双方匹配方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
CHENCHEN YANG: "Hierarchical Three-Way Decisions With Intuitionistic Fuzzy Numbers in Multi-Granularity Spaces", 《IEEE ACCESS》 *
QINGHUA ZHANG: "A Sequential Three-Way Decision Model With Intuitionistic Fuzzy Numbers", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》 *
QINGHUA ZHANG: "Fuzzy Entropy: A More Comprehensible Perspective for Interval Shadowed Sets of Fuzzy Sets", 《IEEE TRANSACTIONS ON FUZZY SYSTEMS 》 *
张任等: "基于三支决策粗糙集的概念漂移研究", 《微型机与应用》 *
张清华: "基于代价敏感的序贯三支决策最优粒度选择方法", 《电子与信息学报》 *
薛占熬: "《基于三支决策理论的条件属性权重构造方法》", 《计算机科学》 *
谢秦: "基于相似度量的自适应三支垃圾邮件过滤器", 《计算机研究与发展》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111961A (zh) * 2021-04-25 2021-07-13 华南农业大学 一种基于三支决策模型的农产品信息分类处理方法及系统
CN113111961B (zh) * 2021-04-25 2023-10-17 华南农业大学 一种基于三支决策模型的农产品信息分类处理方法及系统

Also Published As

Publication number Publication date
CN112365120B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
Nair et al. A decision tree-rough set hybrid system for stock market trend prediction
CN109949152A (zh) 一种个人信贷违约预测方法
Li et al. Dynamic fuzzy multiple criteria decision making for performance evaluation
Kumar et al. Financial decision support with hybrid genetic and neural based modeling tools
CN106897797A (zh) 一种基于社会网络聚类的股票指数跟踪预测方法及系统
CN113947281A (zh) 城市轨道交通装备制造业集群竞争力评价方法
CN112365120B (zh) 一种基于三支决策的经营战略智能生成方法
CN116468536A (zh) 一种自动化风险控制规则生成的方法
CN115660170A (zh) 多维指标权重协同优化的数据资产管理成效差异化评估方法和系统
CN107909478A (zh) 基于社会网络聚类和信息增益熵指标的fof基金投资组合系统及方法
Morozko et al. Applying the theory of fuzzy logic in the financial management of small companies
Yoon et al. The effect of ESG on management efficiency: Focusing on the moderating effect of the firm size
Lai et al. Client acceptance method for audit firms based on interval-valued fuzzy numbers
CN111292099A (zh) 一种智能车站反刷票方法和反刷票系统
Önder et al. Comparing macroeconomic performance of the union for the mediterranean countries using grey relational analysis and multi-dimensional scaling
Zheng Application of silence customer segmentation in securities industry based on fuzzy cluster algorithm
Salama et al. Online Analytical Processing Operations via Neutrosophic Systems
Guo et al. Statistical decision research of long-term deposit subscription in banks based on decision tree
CN112396507A (zh) 基于阴影划分的集成svm个人信用评估方法
You et al. An aggregating method to big group decision-making problem for the public participation problem under the Chinese situation
Liu et al. Grey three-way decisions approach with the changing of the decision objects
Bozsik et al. Decision tree-based credit decision support system
Cui et al. Construction of a bank customer data warehouse and an application of data mining
Fan Prediction of A-share trend based on machine learning technologies
Wu et al. Multi-criteria large group model based on consensus measure and subgroup leader mechanism for smart cities evaluation with hesitant information

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240524

Address after: 401121 No. 9-1 Yunshan South Road, Liangjiang New Area, Yubei District, Chongqing

Patentee after: Chongqing Leyong Technology (Group) Co.,Ltd.

Country or region after: China

Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

Country or region before: China