CN113239244B - 基于信度结构的多不确定偏好获取方法、装置和电子设备 - Google Patents

基于信度结构的多不确定偏好获取方法、装置和电子设备 Download PDF

Info

Publication number
CN113239244B
CN113239244B CN202110781616.7A CN202110781616A CN113239244B CN 113239244 B CN113239244 B CN 113239244B CN 202110781616 A CN202110781616 A CN 202110781616A CN 113239244 B CN113239244 B CN 113239244B
Authority
CN
China
Prior art keywords
preference
confidence
state
attribute
value
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
CN202110781616.7A
Other languages
English (en)
Other versions
CN113239244A (zh
Inventor
葛冰峰
黄宇铭
赵彬
侯泽强
杨克巍
姜江
孙建彬
游雅倩
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110781616.7A priority Critical patent/CN113239244B/zh
Publication of CN113239244A publication Critical patent/CN113239244A/zh
Application granted granted Critical
Publication of CN113239244B publication Critical patent/CN113239244B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明提供一种基于信度结构的多不确定偏好获取方法、装置和电子设备。包括，建立战略冲突图模型；为所述战略冲突图模型设计信度偏好结构根据所述信度偏好结构构建信度偏好规则库；根据所述信度偏好规则库和证据推理算法，计算任意两状态的信度偏好等级；根据所述任意两状态的信度等级预测和复盘决策者的决策趋势。通过利用统一的偏好结构表示多种不确定偏好，并基于该偏好结构设计多不确定偏好获取方法获取信度偏好等级，从而提升不确定下的偏好处理能力，快速获取决策者的不确定偏好，提高预测和复盘决策者的决策趋势的能力。

Description

基于信度结构的多不确定偏好获取方法、装置和电子设备
技术领域
本发明涉及决策者偏好获取技术领域，尤其涉及一种基于信度结构的多不确定偏好获取方法、装置和电子设备。
背景技术
战略冲突是人类活动中常见和普遍存在的交互决策场景，涉及两个或两个以上独立的决策者，这些决策者在做决策选择时往往有着不同的、甚至是相互冲突的偏好和目标，两者共同决定着冲突的状态或场景的演化。冲突的成本和代价小到个人之间利益得失，达到国家之间的领土、贸易争端，因此亟需有效的方法辅助决策者进行决策分析以有效解决冲突争端。作为一个综合性的冲突建模和分析方法论，冲突分析图模型(Graph Model forConflict Resolution，GMCR)能够以最小的信息需求和相对偏好处理各种现实冲突中的复杂和具有挑战性的战略决策问题,例如复杂的体系结构设计、城市规划问题、环境管理争端、军控冲突以及其他领域。
过去，GMCR模型通常假设每个冲突中的决策者都有着清晰明确的偏好信息，无法满足复杂不确定下的冲突决策需求。
发明内容
有鉴于此，本发明的目的在于提出一种基于信度结构的多不确定偏好获取方法、装置和电子设备。
基于上述目的，本发明提供了一种基于信度结构的多不确定偏好获取方法，包括：
建立战略冲突图模型：
Figure 255880DEST_PATH_IMAGE001
其中，
Figure 205775DEST_PATH_IMAGE002
表示战略冲突图模型，
Figure 174999DEST_PATH_IMAGE003
表示决策者的有限集合，
Figure 299950DEST_PATH_IMAGE004
表示决策者所控制的策略集合，
Figure 220370DEST_PATH_IMAGE005
表示第
Figure 190600DEST_PATH_IMAGE006
个决策者所控制的第
Figure 279910DEST_PATH_IMAGE007
个策略，
Figure 575762DEST_PATH_IMAGE008
表示第
Figure 998127DEST_PATH_IMAGE006
个决策者所拥有的的策略数量，且
Figure 788360DEST_PATH_IMAGE009
，
Figure 247023DEST_PATH_IMAGE010
表示每一个决策者任意状态所做的选择所构成的可行组合，
Figure 697465DEST_PATH_IMAGE011
表示包含第
Figure 343210DEST_PATH_IMAGE006
个决策者任意两状态转移的集合，
Figure 671554DEST_PATH_IMAGE012
表示决策者
Figure 719145DEST_PATH_IMAGE006
的相对偏好；
为所述战略冲突图模型设计信度偏好结构；
根据所述信度偏好结构构建信度偏好规则库；
根据所述信度偏好规则库和证据推理算法，计算任意两状态的信度偏好等级；
根据所述任意两状态的信度等级预测和复盘决策者的决策趋势。
基于同一发明构思，本发明还提供了一种基于信度结构的多不确定偏好获取装置，包括：
构建模块一，用于建立战略冲突图模型：
Figure 608997DEST_PATH_IMAGE001
其中，
Figure 476458DEST_PATH_IMAGE013
表示战略冲突图模型，
Figure 608494DEST_PATH_IMAGE014
表示决策者的有限集合，
Figure 291017DEST_PATH_IMAGE004
表示决策者所控制的策略集合，
Figure 833993DEST_PATH_IMAGE005
表示第
Figure 470642DEST_PATH_IMAGE006
个决策者所控制的第
Figure 124477DEST_PATH_IMAGE015
个策略，
Figure 664437DEST_PATH_IMAGE008
表示第
Figure 129047DEST_PATH_IMAGE006
个决策者所拥有的的策略数量，且
Figure 502260DEST_PATH_IMAGE009
，
Figure 209053DEST_PATH_IMAGE010
表示每一个决策者任意状态所做的选择所构成的可行组合，
Figure 351322DEST_PATH_IMAGE011
表示包含第
Figure 986833DEST_PATH_IMAGE006
个决策者任意两状态转移的集合，
Figure 316184DEST_PATH_IMAGE012
表示决策者
Figure 95177DEST_PATH_IMAGE006
的相对偏好；
构建模块二，用于为所述战略冲突图模型设计信度偏好结构；
库构建模块，用于根据所述信度偏好结构构建信度偏好规则库；
计算模块，用于根据所述信度偏好规则库和证据推理算法，计算任意两状态的信度偏好等级；
决策模块，用于根据所述任意两状态的信度等级预测和复盘决策者的决策趋势。
基于同一发明构思，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项所述的方法。
从上面所述可以看出，本发明提供的一种基于信度结构的多不确定偏好获取方法，通过利用统一的偏好结构表示多种不确定偏好，并基于该偏好结构设计多不确定偏好获取方法获取信度偏好等级，从而提升不确定下的偏好处理能力，快速获取决策者的不确定偏好，提高预测和复盘决策者的决策趋势的能力。
附图说明
为了更清楚地说明本发明或相关技术中的技术方案，下面将对实施例或相关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为本发明实施例的基于信度结构的多不确定偏好获取方法流程图；
图2为本发明实施例的基于信度结构的多不确定偏好获取装置结构示意图；
图3为本发明实施例的电子设备结构示意图；
图4为本发明实施例决策者状态转移情况示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
发明概述
如背景技术部分所述，在相关技术中，由于不确定性的客观存在，一些学者提出了不确定偏好以处理现实冲突存在的不确定性，例如，模糊偏好、灰偏好、概率偏好、强度偏好。现有的不确定偏好表示方法和获取技术都是针对某一特定不确定性类型，即模糊性。然而，现实的复杂冲突决策问题中往往包含了多种不确定性类型，当前的不确定偏好表示和获取方法已经无法满足复杂不确定下的冲突决策需求。
针对上述相关技术存在的问题，本发明实施例提供了一种基于信度结构的多不确定偏好获取方法，通过利用统一的偏好结构表示多种不确定偏好，并基于该偏好结构设计多不确定偏好获取方法获取信度偏好等级，从而提升不确定下的偏好处理能力，快速获取决策者的不确定偏好，提高预测和复盘决策者的决策趋势的能力。
以下，通过具体的实施例进一步详细说明本发明的技术方案。
首先，本说明书一个或多个实施例提供了一种基于信度结构的多不确定偏好获取方法。参照图1，所述基于信度结构的多不确定偏好获取方法，包括以下步骤：
步骤S101、建立战略冲突图模型：
Figure 577105DEST_PATH_IMAGE001
其中，
Figure 898365DEST_PATH_IMAGE016
表示战略冲突图模型，
Figure 229858DEST_PATH_IMAGE017
表示决策者的有限集合，
Figure 294766DEST_PATH_IMAGE004
表示决策者所控制的策略集合，
Figure 896780DEST_PATH_IMAGE018
表示第
Figure 123362DEST_PATH_IMAGE019
个决策者所控制的第
Figure 933362DEST_PATH_IMAGE020
个策略，
Figure 287114DEST_PATH_IMAGE021
表示第
Figure 992902DEST_PATH_IMAGE019
个决策者所拥有的的策略数量，且
Figure 170811DEST_PATH_IMAGE022
，
Figure 962050DEST_PATH_IMAGE023
表示每一个决策者任意状态所做的选择所构成的可行组合，
Figure 385072DEST_PATH_IMAGE024
表示包含第
Figure 931984DEST_PATH_IMAGE019
个决策者任意两状态转移的集合，
Figure 31527DEST_PATH_IMAGE025
表示决策者
Figure 60794DEST_PATH_IMAGE019
的相对偏好。
战略冲突分析的过程包括建立战略冲突模型和进行稳定性分析两项基本工作，建立战略冲突模型是冲突分析的基础，建立战略冲突图模型，确定冲突的决策者、可行策略、可行状态、可行状态的转移和决策者的相对偏好，可以以最小的信息需求和相对偏好处理各种现实战略冲突中的复杂和具有挑战性的战略决策问题。
步骤S102、为所述战略冲突图模型设计信度偏好结构。
信度结构就是表示信息不确定性和不完备性的表示方式，可以描述由于知识不完全或信息不足而导致的多种不确定性。信度结构由数值和信度两部分组成，通过信度
Figure 5617DEST_PATH_IMAGE026
表达评价等级的不确定性。具体可以写为：
Figure 935264DEST_PATH_IMAGE027
其中，
Figure 956441DEST_PATH_IMAGE028
表示信度结构，
Figure 456693DEST_PATH_IMAGE029
表示第
Figure 457403DEST_PATH_IMAGE030
个信度，
Figure 726710DEST_PATH_IMAGE031
是表示信度的集合，
Figure 918788DEST_PATH_IMAGE032
表示第
Figure 171915DEST_PATH_IMAGE030
个信度偏好的信度等级，
Figure 707808DEST_PATH_IMAGE033
是信度等级集合，
Figure 362780DEST_PATH_IMAGE034
是集合
Figure 194601DEST_PATH_IMAGE031
的总个数。
为了处理和表达冲突中决策偏好的多种不确定性，借鉴信度结构的思路，将经典二元偏好结构
Figure 669444DEST_PATH_IMAGE035
重新设计为一种新的信度偏好结构，具体如下:
Figure 277537DEST_PATH_IMAGE036
其中，
Figure 537748DEST_PATH_IMAGE037
，表示状态s或状态
Figure 320896DEST_PATH_IMAGE038
时决策者所做的选择，
Figure 532303DEST_PATH_IMAGE039
表示对于状态s时决策者所做的选择偏好，
Figure 160731DEST_PATH_IMAGE040
表示对于状态s或状态t时决策者所做的选择的偏好无关紧要，
Figure 275449DEST_PATH_IMAGE041
表示对于状态t时决策者选择的选项偏好，
Figure 963919DEST_PATH_IMAGE042
表示对于状态s或状态t时决策者所做的选择的偏好未知，
Figure 677271DEST_PATH_IMAGE043
表示对于状态s时决策者所做的选择偏好的信度等级，
Figure 860121DEST_PATH_IMAGE044
表示对于状态s和状态t时决策者所做的选择的偏好无关紧要的信度等级，
Figure 78613DEST_PATH_IMAGE045
表示对于状态t时决策者选择的选项偏好的信度等级，
Figure 187252DEST_PATH_IMAGE046
表示对于状态s和状态t时决策者所做的选择的偏好未知的信度等级。
在此基础上，
Figure 858405DEST_PATH_IMAGE047
表示状态
Figure 579368DEST_PATH_IMAGE048
优于状态
Figure 652366DEST_PATH_IMAGE049
的可能性为100%，
Figure 200415DEST_PATH_IMAGE050
表示决策者认为状态
Figure 358864DEST_PATH_IMAGE048
时所做的选择等价于状态
Figure 883518DEST_PATH_IMAGE049
时所做的选择的可能性为100%，
Figure 811022DEST_PATH_IMAGE051
表示状态
Figure 261464DEST_PATH_IMAGE048
劣于状态
Figure 172788DEST_PATH_IMAGE049
的可能性为100%，
Figure 501132DEST_PATH_IMAGE052
表示对于状态
Figure 283144DEST_PATH_IMAGE048
或状态
Figure 907416DEST_PATH_IMAGE049
时决策者所做的选择的偏好未知，如果
Figure 306037DEST_PATH_IMAGE053
且
Figure 172493DEST_PATH_IMAGE054
表示该信度偏好为确定性偏好，即不存在对于状态
Figure 74590DEST_PATH_IMAGE048
或状态
Figure 866834DEST_PATH_IMAGE049
时决策者所做的选择的偏好未知的情况。
在此基础上，除了可以表示确定性偏好外，信度结构还允许决策者表示不同类型的不确定性偏好：1）当
Figure 487171DEST_PATH_IMAGE055
时表示确定性偏好和未知偏好；2）当
Figure 157318DEST_PATH_IMAGE056
且
Figure 166119DEST_PATH_IMAGE057
时表示模糊偏好；3）当
Figure 145576DEST_PATH_IMAGE058
Figure 3942DEST_PATH_IMAGE059
且
Figure 461468DEST_PATH_IMAGE060
时表示模糊偏好和未知偏好。其中，确定性偏好表示获取的数据和信息足够多，偏好估计结果的准确性较高；模糊偏好表示数据和信息由于保密或其他原因获取不完全时，偏好估计结果的准确性较低；未知偏好表示数据和信息获取缺失以至于无法估计偏好。
基于经典的二元偏好结构，将二元偏好结构重新设计为新的信度偏好结构，可以利用一个信度偏好结构表示多种类型的不确定偏好，提升了不确定情况下的偏好处理能力，快速获取决策者的不确定偏好，提高预测和复盘决策者的决策趋势的能力。
步骤S103、根据所述信度偏好结构构建信度偏好规则库。
信度规则库是推理准则、专家经验、信度结构等的统一表示框架，由一组“if-then”形式的信度规则组成，其中“if…”是前提属性，“then…”是对应前提属性所表示的结论。
在此基础上，构建信度偏好规则库首先需要确定所述信度偏好结构的信度偏好规则，然后将所述信度偏好规则顺序排列构建信度偏好规则库。
进一步，对于每个决策者，第
Figure 853004DEST_PATH_IMAGE061
条所述信度偏好规则如下所示：
Figure 737783DEST_PATH_IMAGE062
规则权重
Figure 83445DEST_PATH_IMAGE063
，属性权重向量
Figure 344662DEST_PATH_IMAGE064
，且
Figure 581916DEST_PATH_IMAGE065
其中，
Figure 653908DEST_PATH_IMAGE066
表示连接符，包括
Figure 470554DEST_PATH_IMAGE067
和
Figure 784730DEST_PATH_IMAGE068
两种连接关系，
Figure 370432DEST_PATH_IMAGE069
表示对任意的状态s和状态t的第
Figure 878905DEST_PATH_IMAGE070
条信度偏好规则，
Figure 182847DEST_PATH_IMAGE071
表示前提属性，
Figure 772485DEST_PATH_IMAGE072
表示对应前提属性所表示的结论，
Figure 478273DEST_PATH_IMAGE073
表示第
Figure 892068DEST_PATH_IMAGE070
条信度偏好规则中第
Figure 932574DEST_PATH_IMAGE074
个属性的参考值，
Figure 73705DEST_PATH_IMAGE075
表示不同信度偏好规则第
Figure 384732DEST_PATH_IMAGE074
个属性的参考值集合，
Figure 218696DEST_PATH_IMAGE075
中的值为离散数值变量类型，而属性是用来确定状态偏好的标准，例如状态之间的成本差异；
Figure 749427DEST_PATH_IMAGE076
表示第
Figure 694250DEST_PATH_IMAGE070
条信度偏好规则的结果，具体为
Figure 125362DEST_PATH_IMAGE077
，
Figure 130227DEST_PATH_IMAGE078
表示第
Figure 145325DEST_PATH_IMAGE070
条信度偏好规则的结果中的第
Figure 628259DEST_PATH_IMAGE079
个结论的信度等级，且
Figure 913878DEST_PATH_IMAGE080
，
Figure 89645DEST_PATH_IMAGE081
；
Figure 329390DEST_PATH_IMAGE082
表示第
Figure 616014DEST_PATH_IMAGE070
条信度偏好规则的相对权重，
Figure 756140DEST_PATH_IMAGE083
是第
Figure 352075DEST_PATH_IMAGE070
条信度偏好规则中赋予第
Figure 826919DEST_PATH_IMAGE074
个属性的相对权重，
Figure 667967DEST_PATH_IMAGE084
表示信度规则的总数，
Figure 911867DEST_PATH_IMAGE085
表示表示第
Figure 693352DEST_PATH_IMAGE070
条信度偏好规则属性的总数。
进一步的，
Figure 389912DEST_PATH_IMAGE086
表示第
Figure 769072DEST_PATH_IMAGE070
条信度偏好规则完备的，即任意两状态的信度偏好都可以用以上三种偏好形式表示，
Figure 398637DEST_PATH_IMAGE087
表示对第
Figure 70795DEST_PATH_IMAGE070
条信度偏好规则的输入数据的信度偏好无法判断。
进一步的，信度规则库允许不同规则的前提属性是不相同的。
建立信度规则库，创建评判标准，可以将任意状态
Figure 520231DEST_PATH_IMAGE048
和状态
Figure 703082DEST_PATH_IMAGE038
的属性，判断在此属性下，状态
Figure 655994DEST_PATH_IMAGE048
和状态
Figure 33142DEST_PATH_IMAGE038
中偏好那一方，满足复杂不确定下的冲突决策需求。
步骤S104、根据所述信度偏好规则库和证据推理算法，计算任意两状态的信度偏好等级。
在计算偏好信度等级之前，首先需要确定输入数据的形式结构：
Figure 704295DEST_PATH_IMAGE088
其中，
Figure 690837DEST_PATH_IMAGE066
表示连接符，包括
Figure 29414DEST_PATH_IMAGE067
和
Figure 308955DEST_PATH_IMAGE068
两种连接关系，
Figure 483715DEST_PATH_IMAGE089
表示对于任意状态
Figure 257636DEST_PATH_IMAGE048
和状态
Figure 919562DEST_PATH_IMAGE038
的输入数据，
Figure 638512DEST_PATH_IMAGE090
表示第
Figure 34990DEST_PATH_IMAGE074
个属性的值；
Figure 347023DEST_PATH_IMAGE091
表示属性的个数，
Figure 643881DEST_PATH_IMAGE092
表示
Figure 15956DEST_PATH_IMAGE093
的信度等级且
Figure 165309DEST_PATH_IMAGE094
，反映了输入数据的不确定性。例如，
Figure 281032DEST_PATH_IMAGE095
意味着对于第
Figure 435327DEST_PATH_IMAGE074
个属性值
Figure 978303DEST_PATH_IMAGE090
的确定性为80%；
确定输入数据的形式结构，可以对输入数据进行限制，为进一步匹配规则库中规则，根据评判标准进行信度偏好等级计算提供了便利。
输入数据通常与信度规则的前提属性不完全匹配。因此，必须先确定输入与每个规则之间的关系，然后才能开始推理过程，也就是说，每个规则都将被分配一个激活权重。第一步是确定所述输入数据的每个属性的值与信度偏好规则库中每个信度偏好规则的匹配度，这意味着将输入转换为信度偏好规则库中每个信度偏好规则参考值的分布。
在此基础上，对于每个属性
Figure 83794DEST_PATH_IMAGE074
，输入
Figure 3208DEST_PATH_IMAGE096
与第
Figure 9079DEST_PATH_IMAGE074
个属性的所有参考值之间的匹配度分布表示为
Figure 988536DEST_PATH_IMAGE097
其中，
Figure 846902DEST_PATH_IMAGE098
表示第
Figure 304428DEST_PATH_IMAGE074
个属性的第
Figure 156017DEST_PATH_IMAGE099
个参考值，
Figure 571955DEST_PATH_IMAGE100
表示
Figure 652037DEST_PATH_IMAGE093
与
Figure 913254DEST_PATH_IMAGE101
的匹配度，并且
Figure 628138DEST_PATH_IMAGE102
且
Figure 965710DEST_PATH_IMAGE103
，当且仅当
Figure 782356DEST_PATH_IMAGE104
时
Figure 833882DEST_PATH_IMAGE105
是完备的，即输入的任意
Figure 419584DEST_PATH_IMAGE093
对第
Figure 662478DEST_PATH_IMAGE074
个属性都有影响，
Figure 966420DEST_PATH_IMAGE106
表示输入
Figure 818707DEST_PATH_IMAGE093
对第
Figure 524495DEST_PATH_IMAGE074
个属性没有影响。
进一步的，输入数据的每个属性的值与所述信度偏好规则库中第
Figure 672711DEST_PATH_IMAGE070
条信度偏好规则中对应属性的匹配度：
Figure 729529DEST_PATH_IMAGE107
其中，
Figure 122857DEST_PATH_IMAGE100
表示
Figure 948731DEST_PATH_IMAGE093
与
Figure 267848DEST_PATH_IMAGE101
的匹配度，
Figure 546382DEST_PATH_IMAGE093
表示第
Figure 740472DEST_PATH_IMAGE074
个属性的值，
Figure 155273DEST_PATH_IMAGE092
表示
Figure 910871DEST_PATH_IMAGE093
的信度等级，
Figure 411122DEST_PATH_IMAGE108
表示第
Figure 146253DEST_PATH_IMAGE074
个属性的第
Figure 681140DEST_PATH_IMAGE109
个参考值，
Figure 873218DEST_PATH_IMAGE110
为相似度函数表示
Figure 110033DEST_PATH_IMAGE093
与
Figure 662237DEST_PATH_IMAGE101
之间的相似度；
具体的，作为一个可选的方式，相似度函数可以写成：
Figure 536783DEST_PATH_IMAGE111
其中，
Figure 883451DEST_PATH_IMAGE112
表示
Figure 887790DEST_PATH_IMAGE093
与
Figure 712527DEST_PATH_IMAGE101
之间的相似度，
Figure 707159DEST_PATH_IMAGE113
表示第
Figure 490307DEST_PATH_IMAGE074
个属性的第
Figure 701714DEST_PATH_IMAGE114
个参考值，
Figure 330142DEST_PATH_IMAGE093
表示第
Figure 179280DEST_PATH_IMAGE074
个属性的值，
Figure 867750DEST_PATH_IMAGE101
表示第
Figure 569383DEST_PATH_IMAGE074
个属性的第
Figure 735923DEST_PATH_IMAGE109
个参考值，当
Figure 970726DEST_PATH_IMAGE115
时，
Figure 564518DEST_PATH_IMAGE116
，对于
Figure 484939DEST_PATH_IMAGE117
时，
Figure 737060DEST_PATH_IMAGE118
。
将所述输入数据转化为所述信度偏好规则的前提属性格式；
Figure 341216DEST_PATH_IMAGE119
其中，当
Figure 623686DEST_PATH_IMAGE120
时，
Figure 782135DEST_PATH_IMAGE121
表示第
Figure 41209DEST_PATH_IMAGE070
条信度偏好规则中第
Figure 499873DEST_PATH_IMAGE074
个属性的参考值,
Figure 950314DEST_PATH_IMAGE122
表示关于所述输入数据的第
Figure 596059DEST_PATH_IMAGE074
个属性的值与第
Figure 658824DEST_PATH_IMAGE070
条信度偏好规则中第
Figure 706415DEST_PATH_IMAGE074
个属性的参考值的匹配度，
Figure 330688DEST_PATH_IMAGE066
表示连接符，包括
Figure 463729DEST_PATH_IMAGE067
和
Figure 330185DEST_PATH_IMAGE068
两种连接关系；
对于任意
Figure 232282DEST_PATH_IMAGE123
，所述输入数据的每个属性的值与所述信度偏好规则库中第
Figure 24526DEST_PATH_IMAGE070
条信度偏好规则
Figure 379284DEST_PATH_IMAGE124
个属性的参考值的匹配度具体为：
Figure 49431DEST_PATH_IMAGE125
其中，
Figure 806034DEST_PATH_IMAGE126
表示输入数据的每个属性的值与所述信度偏好规则库中第
Figure 25970DEST_PATH_IMAGE070
条信度偏好规则
Figure 884336DEST_PATH_IMAGE124
个属性的匹配度，
Figure 341862DEST_PATH_IMAGE127
表示聚合函数，聚合第
Figure 202239DEST_PATH_IMAGE070
条信度偏好规则中
Figure 352598DEST_PATH_IMAGE124
个属性的匹配度。
具体的，作为一个可选的方式，对于
Figure 698260DEST_PATH_IMAGE128
形式连接的数据，
Figure 693898DEST_PATH_IMAGE127
可以使用简单的加权乘法聚集函数计算
Figure 677291DEST_PATH_IMAGE126
，具体公式如下所示：
Figure 264130DEST_PATH_IMAGE129
Figure 565929DEST_PATH_IMAGE130
其中，
Figure 630837DEST_PATH_IMAGE124
表示表示第
Figure 465807DEST_PATH_IMAGE070
条信度偏好规则属性的总数，
Figure 957968DEST_PATH_IMAGE126
表示输入数据的每个属性的值与所述信度偏好规则库中第
Figure 12643DEST_PATH_IMAGE070
条信度偏好规则
Figure 350083DEST_PATH_IMAGE124
个属性的匹配度，
Figure 308068DEST_PATH_IMAGE131
表示第
Figure 971131DEST_PATH_IMAGE070
条信度偏好规则中第
Figure 513102DEST_PATH_IMAGE074
个属性的参考值，
Figure 169080DEST_PATH_IMAGE132
表示第
Figure 729374DEST_PATH_IMAGE070
条信度偏好规则中第
Figure 48491DEST_PATH_IMAGE074
个属性的影响，
Figure 592605DEST_PATH_IMAGE133
表示第
Figure 789625DEST_PATH_IMAGE070
条信度偏好规则中赋予第
Figure 470005DEST_PATH_IMAGE074
个属性的相对权重，
Figure 960023DEST_PATH_IMAGE134
表示
Figure 725854DEST_PATH_IMAGE124
条信度偏好规则属性中
Figure 723634DEST_PATH_IMAGE133
的最大值。
对于
Figure 992942DEST_PATH_IMAGE135
形式连接的数据，
Figure 919441DEST_PATH_IMAGE127
可以使用简单的加权求和聚合函数计算
Figure 906988DEST_PATH_IMAGE126
，具体公式如下所示：
Figure 457529DEST_PATH_IMAGE136
Figure 863234DEST_PATH_IMAGE137
其中，
Figure 209901DEST_PATH_IMAGE124
表示表示第
Figure 668433DEST_PATH_IMAGE070
条信度偏好规则属性的总数，
Figure 758749DEST_PATH_IMAGE126
表示输入数据的每个属性的值与所述信度偏好规则库中第
Figure 18960DEST_PATH_IMAGE070
条信度偏好规则
Figure 536529DEST_PATH_IMAGE124
个属性的匹配度，
Figure 750866DEST_PATH_IMAGE138
表示第
Figure 644873DEST_PATH_IMAGE070
条信度偏好规则中第
Figure 494012DEST_PATH_IMAGE074
个属性的参考值，
Figure 182482DEST_PATH_IMAGE132
表示第
Figure 615606DEST_PATH_IMAGE070
条信度偏好规则中第
Figure 313304DEST_PATH_IMAGE074
个属性的影响，
Figure 282528DEST_PATH_IMAGE133
表示第
Figure 141899DEST_PATH_IMAGE070
条信度偏好规则中赋予第
Figure 65250DEST_PATH_IMAGE074
个属性的相对权重，
Figure 35480DEST_PATH_IMAGE134
表示
Figure 859210DEST_PATH_IMAGE124
条信度偏好规则属性中
Figure 889483DEST_PATH_IMAGE133
的最大值。
在确定所有匹配度之后，可以计算信度偏好规则库中每个信度偏好规则的激活权重，并将其用于表示该规则被输入激活的程度，最后根据激活权重计算所述输入数据的信度偏好等级。
在此基础上，规则前提属性可以同时使用
Figure 297200DEST_PATH_IMAGE139
和
Figure 87432DEST_PATH_IMAGE140
形式连接，具体可以分为以下三种情况：
Figure 280516DEST_PATH_IMAGE141
、
Figure 999467DEST_PATH_IMAGE142
和
Figure 379633DEST_PATH_IMAGE143
，这三种形式根据规则等价转换，可以转换为规则中的所有前提属性都由
Figure 707977DEST_PATH_IMAGE140
连接或者由
Figure 755567DEST_PATH_IMAGE139
连接。
具体的，作为一个例子，对于任意规则
Figure 376910DEST_PATH_IMAGE144
，
Figure 509951DEST_PATH_IMAGE145
，
Figure 376407DEST_PATH_IMAGE146
根据集合的逻辑运算，它可以转化为两个等价的规则：
Figure 278504DEST_PATH_IMAGE147
和
Figure 61960DEST_PATH_IMAGE148
在此基础上，确定所有匹配度之后，可以计算每个规则的激活权重，并将其用于表示该规则被输入激活的程度。激活权重，具体为：
Figure 682297DEST_PATH_IMAGE149
其中，
Figure 86864DEST_PATH_IMAGE150
表示第
Figure 374626DEST_PATH_IMAGE070
条信度偏好规则的激活权重，
Figure 337772DEST_PATH_IMAGE151
表示第
Figure 179826DEST_PATH_IMAGE070
条信度偏好规则的相对权重，
Figure 653664DEST_PATH_IMAGE126
表示输入数据的每个属性的值与所述信度偏好规则库中第
Figure 782550DEST_PATH_IMAGE070
条信度偏好规则
Figure 667330DEST_PATH_IMAGE124
个属性的匹配度，当
Figure 12991DEST_PATH_IMAGE152
，
Figure 274209DEST_PATH_IMAGE153
；
Figure 520251DEST_PATH_IMAGE154
表示第
Figure 575932DEST_PATH_IMAGE070
条信度偏好规则未被激活。
对于每个
Figure 143310DEST_PATH_IMAGE155
，
Figure 208218DEST_PATH_IMAGE156
表示第
Figure 46118DEST_PATH_IMAGE070
条信度偏好规则中第
Figure 538279DEST_PATH_IMAGE157
个结论的修正信度，具体根据如下公式计算：
Figure 858533DEST_PATH_IMAGE158
其中，
Figure 710820DEST_PATH_IMAGE156
表示第
Figure 151029DEST_PATH_IMAGE070
条信度偏好规则中第
Figure 564824DEST_PATH_IMAGE157
个结论的修正信度，
Figure 90483DEST_PATH_IMAGE159
表示属性归属，
Figure 749391DEST_PATH_IMAGE160
表示属性
Figure 309685DEST_PATH_IMAGE074
在第
Figure 894381DEST_PATH_IMAGE070
条信度偏好规则中，
Figure 907337DEST_PATH_IMAGE161
表示其它。
进一步的，从修正信度计算公式中，可以得出结论，如果规则被激活并且输入完备，则存在
Figure 367006DEST_PATH_IMAGE162
，使得
Figure 47386DEST_PATH_IMAGE163
。
基于上述建立的信度规则表达式，使用证据推理方法进行规则推理，生成关于任意两状态的最终信度偏好等级。首先，将修正信度转换为基本可信数：
Figure 802983DEST_PATH_IMAGE164
Figure 37656DEST_PATH_IMAGE165
Figure 128164DEST_PATH_IMAGE166
Figure 397471DEST_PATH_IMAGE167
其中，
Figure 323970DEST_PATH_IMAGE168
是分配给结论
Figure 311518DEST_PATH_IMAGE156
的基本可信数，
Figure 847410DEST_PATH_IMAGE169
是未分配给任何结论的剩余基本可信数，
Figure 253115DEST_PATH_IMAGE170
是由于第
Figure 334203DEST_PATH_IMAGE070
条信度偏好规则中前提属性的相对重要性而引起的不确定性，
Figure 61244DEST_PATH_IMAGE171
是由于第
Figure 151560DEST_PATH_IMAGE070
条信度偏好规则前提属性的不完备性引起的不确定性，
Figure 411771DEST_PATH_IMAGE157
表示第
Figure 929340DEST_PATH_IMAGE070
条信度偏好规则中第
Figure 875168DEST_PATH_IMAGE157
个结论，
Figure 503596DEST_PATH_IMAGE172
，
Figure 618313DEST_PATH_IMAGE070
表示第
Figure 306784DEST_PATH_IMAGE070
条信度偏好规则，
Figure 8417DEST_PATH_IMAGE173
；
利用聚合方法计算聚合后的基本信度：
Figure 440535DEST_PATH_IMAGE174
Figure 409759DEST_PATH_IMAGE175
Figure 269131DEST_PATH_IMAGE176
Figure 189551DEST_PATH_IMAGE177
其中，
Figure 425361DEST_PATH_IMAGE178
表示分配给第
Figure 249091DEST_PATH_IMAGE157
个偏好结论的基本可信数，
Figure 279364DEST_PATH_IMAGE179
表示由相对重要性引起的不确定性，
Figure 955590DEST_PATH_IMAGE180
表示由不完全性引起的不确定性；
通过聚合后的基本可信数计算任意状态s和状态t的信度偏好等级：
Figure 480243DEST_PATH_IMAGE181
Figure 407748DEST_PATH_IMAGE182
其中，
Figure 858189DEST_PATH_IMAGE183
表示对于状态
Figure 503934DEST_PATH_IMAGE184
和状态
Figure 97858DEST_PATH_IMAGE185
的第
Figure 879869DEST_PATH_IMAGE157
个偏好结论的信度等级，
Figure 758002DEST_PATH_IMAGE186
表示表示对于状态s和状态t时决策者所做的选择的偏好未知的信度等级。
与概率偏好、灰度偏好和模糊偏好等单一偏好结构相比，本发明所提出的信度偏好结构具备描述多种类型偏好，例如确定偏好、模糊偏好和未知偏好。此外，本发明所提出的基于证据推理的信度偏好等级计算方法能够实现在复杂不确定条件下快速获取不确定偏好。
步骤S105、根据所述任意两状态的信度等级预测和复盘决策者的决策趋势。
通过状态两两比较，信度偏好等级高的状态的被选择的可能性大，根据此可能性用来预测和复盘，甚至达到控制决策进程。
需要说明的是，本发明实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本发明的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本发明还提供了一种基于信度结构的多不确定偏好获取装置。
参考图2，所述基于信度结构的多不确定偏好获取装置，包括：
构建模块一301，用于建立战略冲突图模型：
Figure 891043DEST_PATH_IMAGE001
其中，
Figure 757499DEST_PATH_IMAGE187
表示战略冲突图模型，
Figure 659596DEST_PATH_IMAGE188
表示决策者的有限集合，
Figure 451841DEST_PATH_IMAGE004
表示决策者所控制的策略集合，
Figure 337757DEST_PATH_IMAGE189
表示第
Figure 476746DEST_PATH_IMAGE190
个决策者所控制的第
Figure 233349DEST_PATH_IMAGE191
个策略，
Figure 730583DEST_PATH_IMAGE192
表示第
Figure 572637DEST_PATH_IMAGE190
个决策者所拥有的的策略数量，且
Figure 780895DEST_PATH_IMAGE193
，
Figure 657585DEST_PATH_IMAGE194
表示每一个决策者任意状态所做的选择所构成的可行组合，
Figure 791632DEST_PATH_IMAGE195
表示包含第
Figure 137293DEST_PATH_IMAGE190
个决策者任意两状态转移的集合，
Figure 398510DEST_PATH_IMAGE196
表示决策者
Figure 647483DEST_PATH_IMAGE190
的相对偏好；
构建模块二302，用于为所述战略冲突图模型设计信度偏好结构；
库构建模块303，用于根据所述信度偏好结构构建信度偏好规则库；
计算模块304，用于根据所述信度偏好规则库和证据推理算法，计算任意两状态的信度偏好等级；
决策模块305，用于根据所述任意两状态的信度等级预测和复盘决策者的决策趋势。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的基于信度结构的多不确定偏好获取方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的基于信度结构的多不确定偏好获取方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图， 该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU（Central Processing Unit，中央处理器）、微处理器、应用专用集成电路（Application Specific Integrated Circuit，ASIC）、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM（Read Only Memory，只读存储器）、RAM（Random AccessMemory，随机存取存储器）、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中（图中未示出），也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块（图中未示出），以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信。
总线1050包括一通路，在设备的各个组件（例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040）之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的基于信度结构的多不确定偏好获取方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
以下结合一个海上威胁响应体系构建场景对基于信度结构的多不确定偏好获取方法的具体实施细节进行说明。
首先选取特定场景构建冲突图模型，选取实施例中的决策者及其策略，具体的决策者和策略如下表一所示，包括3个决策者和9个备选策略。
表1 决策者及其策略
Figure 703163DEST_PATH_IMAGE197
其中，效益和成本均为示例性数据。
在此基础上，具体的每一个决策者任意状态所做的选择所构成的可行组合如下表二所示。
表2 可行组合
Figure 270542DEST_PATH_IMAGE198
其中，Y表示选择此策略，N表示不选择此策略。
具体状态转移情况如图4所示，其中，图4a表示决策者C4ISR的状态转移情况，图4b表示决策者PBS/FFT的状态转移情况，图4c表示决策者Finish的状态转移情况。
Figure 335450DEST_PATH_IMAGE199
表示决策者
Figure 170420DEST_PATH_IMAGE200
的相对偏好。
在不影响对本发明的解释说明基础，本步骤及后续步骤的具体方式选取决策者C4ISR说明如何获取信度偏好，本步骤需要确定案例场景中决策者C4ISR的信度偏好结构，即为
Figure 662581DEST_PATH_IMAGE201
。其中，
Figure 717256DEST_PATH_IMAGE202
，表示状态s或状态
Figure 54696DEST_PATH_IMAGE203
时决策者所做的选择，
Figure 12681DEST_PATH_IMAGE204
表示对于状态s时决策者所做的选择偏好，
Figure 410164DEST_PATH_IMAGE205
表示对于状态s或状态t时决策者所做的选择的偏好无关紧要，
Figure 952135DEST_PATH_IMAGE206
表示对于状态t时决策者选择的选项偏好，
Figure 358846DEST_PATH_IMAGE207
表示对于状态s或状态t时决策者所做的选择的偏好未知，
Figure 433987DEST_PATH_IMAGE208
表示对于状态s时决策者所做的选择偏好的信度等级，
Figure 18683DEST_PATH_IMAGE209
表示对于状态s和状态t时决策者所做的选择的偏好无关紧要的信度等级，
Figure 31639DEST_PATH_IMAGE210
表示对于状态t时决策者选择的选项偏好的信度等级，
Figure 505956DEST_PATH_IMAGE211
表示对于状态s和状态t时决策者所做的选择的偏好未知的信度等级。
进一步的，根据信度偏好结构构建决策者C4ISR的信度偏好规则库。首先构建决策者C4ISR的信度规则，选取信度规则的前提属性及其参考值。在海上威胁响应体系构建中，决策者的策略实质上就是装备，因此决策者在选择时主要关注装备的效益与成本。为此，选择状态效益差和状态成本差作为信度规则的前提属性，并且两者为交集关系。表一具体展示了各个装备的效益与成本。表二具体展示了所有可行状态及每个状态中所选择的装备，其中Y表示选择该装备，N表示不选择该装备。由此可以计算每个状态的效益总和与成本总和，通过两两比较就可以确定任意状态之间的效益差和成本差。为了使参考值能够覆盖所有可能的状态差值，本案例设置状态效益差的参考值为
Figure 920757DEST_PATH_IMAGE212
，状态成本差的参考值为
Figure 676355DEST_PATH_IMAGE213
。
确定信度规则，首先生成所有可能的规则条数，根据规则参考值集合可知，共有
Figure 442185DEST_PATH_IMAGE214
种参考值组合，如下表三所示，有24条规则。
表三 决策者C4ISR的信度规则库
Figure 908808DEST_PATH_IMAGE215
以参考值
Figure 709273DEST_PATH_IMAGE216
为例，其结论为
Figure 635772DEST_PATH_IMAGE217
，表示对于任意的表示状态
Figure 623320DEST_PATH_IMAGE218
和状态
Figure 427721DEST_PATH_IMAGE219
，成本差为-55，效益差为-48，则认为决策者C4ISR认为状态
Figure 551535DEST_PATH_IMAGE218
所做的选择优于状态
Figure 648935DEST_PATH_IMAGE219
所做的选择的信度等级为0.6，状态
Figure 638625DEST_PATH_IMAGE218
所做的选择和状态
Figure 728941DEST_PATH_IMAGE219
所做的选择等价的信度等级为0.3，状态
Figure 723573DEST_PATH_IMAGE218
所做的选择劣于状态
Figure 975563DEST_PATH_IMAGE219
所做的选择得信度等级为0。需要说明的是，在确定信度规则时，只需给出优于、等价和劣于偏好关系的信度。
再进一步的，根据所述信度偏好规则库和证据推理算法，计算任意两状态的信度偏好等级。
根据输入数据的形式结构，需要确定每个属性的的信度等级，本案例中状态效益差和状态成本差的信度等级分别为0.9和1.0。
以状态
Figure 455479DEST_PATH_IMAGE220
和状态
Figure 83907DEST_PATH_IMAGE221
为例，假设状态状态
Figure 729783DEST_PATH_IMAGE220
和状态
Figure 152674DEST_PATH_IMAGE221
的状态成本差为-1.31，状态效益差为0，输入数据为
Figure 851377DEST_PATH_IMAGE222
，通过匹配度公式和相似度函数计算得到状态
Figure 283496DEST_PATH_IMAGE220
和状态
Figure 252720DEST_PATH_IMAGE221
所有参考值之间的匹配度分布为：
Figure 629868DEST_PATH_IMAGE223
Figure 301021DEST_PATH_IMAGE224
然后，计算每个规则的激活权重，通过计算得知，只激活了信度规则库中的四条信度规则，即
Figure 287562DEST_PATH_IMAGE225
，
Figure 360561DEST_PATH_IMAGE226
，
Figure 640101DEST_PATH_IMAGE227
，
Figure 798550DEST_PATH_IMAGE228
，其他规则权重为0，未被激活。
然后，计算状态
Figure 323203DEST_PATH_IMAGE220
所做的选择和状态
Figure 516287DEST_PATH_IMAGE221
所做的选择的信度偏好等级，最终结果为：
Figure 957940DEST_PATH_IMAGE229
最后，可以得出对于决策者C4ISR认为状态
Figure 603685DEST_PATH_IMAGE220
所做的选择和状态
Figure 666450DEST_PATH_IMAGE221
所做的选择等价的可能性和决策者C4ISR偏好状态
Figure 714040DEST_PATH_IMAGE221
所做的选择等价的可能性所占比例更大，更有可能会选择这两种策略。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围（包括权利要求）被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（IC）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节（例如，电路）以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态RAM（DRAM））可以使用所讨论的实施例。
本发明实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、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 (7)

1.一种基于信度结构的多不确定偏好获取方法，其特征在于，包括：
建立战略冲突图模型：
Figure 767144DEST_PATH_IMAGE001
其中，G表示战略冲突图模型，N表示决策者的有限集合，
Figure 451066DEST_PATH_IMAGE002
表示决策者所控制的策略集合，
Figure 212349DEST_PATH_IMAGE003
表示第
Figure 335026DEST_PATH_IMAGE004
个决策者所控制的第
Figure 498154DEST_PATH_IMAGE005
个策略，
Figure 352977DEST_PATH_IMAGE006
表示第
Figure 663873DEST_PATH_IMAGE007
个决策者所拥有的策略数量，且
Figure 527924DEST_PATH_IMAGE008
，
Figure 279979DEST_PATH_IMAGE009
表示每一个决策者任意状态所做的选择所构成的可行组合，
Figure 633600DEST_PATH_IMAGE010
表示包含第
Figure 369475DEST_PATH_IMAGE007
个决策者任意两状态转移的集合，
Figure 771637DEST_PATH_IMAGE011
表示决策者
Figure 440516DEST_PATH_IMAGE004
的相对偏好；
为所述战略冲突图模型设计信度偏好结构；
根据所述信度偏好结构构建信度偏好规则库；
根据所述信度偏好规则库和证据推理算法，计算任意两状态的信度偏好等级；
根据所述任意两状态的信度偏好等级预测和复盘所述决策者的决策趋势；
其中，所述根据所述信度偏好规则库和证据推理算法，计算任意两状态的信度偏好等级，具体包括：
确定输入数据的形式结构：
Figure 168301DEST_PATH_IMAGE012
其中，
Figure 125892DEST_PATH_IMAGE013
表示连接符，包括
Figure 128484DEST_PATH_IMAGE014
和
Figure 855131DEST_PATH_IMAGE015
两种连接关系，
Figure 753817DEST_PATH_IMAGE016
表示对于任意状态
Figure 995442DEST_PATH_IMAGE009
和状态
Figure 4987DEST_PATH_IMAGE017
的输入数据，
Figure 851720DEST_PATH_IMAGE018
表示第
Figure 655728DEST_PATH_IMAGE019
个属性的值；T表示属性的个数，
Figure 650229DEST_PATH_IMAGE020
表示
Figure 932306DEST_PATH_IMAGE018
的信度等级且
Figure 695862DEST_PATH_IMAGE021
；
确定所述输入数据的每个属性的值与所述信度偏好规则库中每个信度偏好规则的匹配度；
根据所述匹配度计算所述信度偏好规则库中每个信度偏好规则的激活权重；
根据所述激活权重计算所述输入数据的信度偏好等级；
其中，所述确定输入数据的每个属性的值与所述信度偏好规则库中每个信度偏好规则的匹配度，具体包括：
确定所述输入数据的每个属性的值与所述信度偏好规则库中第
Figure 670771DEST_PATH_IMAGE022
条信度偏好规则中对应属性的匹配度：
Figure 84392DEST_PATH_IMAGE023
其中，
Figure 435739DEST_PATH_IMAGE024
表示
Figure 53802DEST_PATH_IMAGE025
与
Figure 199613DEST_PATH_IMAGE026
的匹配度，
Figure 903127DEST_PATH_IMAGE025
表示第
Figure 792585DEST_PATH_IMAGE019
个属性的值，
Figure 468417DEST_PATH_IMAGE027
表示
Figure 581867DEST_PATH_IMAGE025
的信度等级，
Figure 710360DEST_PATH_IMAGE026
Figure 403509DEST_PATH_IMAGE028
表示第
Figure 996165DEST_PATH_IMAGE019
个属性的第
Figure 749357DEST_PATH_IMAGE005
个参考值，
Figure 365146DEST_PATH_IMAGE029
为相似度函数表示
Figure 393145DEST_PATH_IMAGE025
与
Figure 777990DEST_PATH_IMAGE026
之间的相似度；
将所述输入数据转化为所述信度偏好规则的前提属性格式；
Figure 702083DEST_PATH_IMAGE030
其中，当
Figure 867486DEST_PATH_IMAGE031
时，
Figure 902438DEST_PATH_IMAGE032
表示第
Figure 141789DEST_PATH_IMAGE022
条信度偏好规则中第
Figure 33522DEST_PATH_IMAGE033
个属性的参考值,
Figure 889482DEST_PATH_IMAGE034
表示关于所述输入数据的第
Figure 196967DEST_PATH_IMAGE019
个属性的值与第
Figure 618721DEST_PATH_IMAGE022
条信度偏好规则中第
Figure 619038DEST_PATH_IMAGE019
个属性的参考值的匹配度；
对于任意
Figure 696715DEST_PATH_IMAGE035
，所述输入数据的每个属性的值与所述信度偏好规则库中第
Figure 135787DEST_PATH_IMAGE022
条信度偏好规则
Figure 349731DEST_PATH_IMAGE036
个属性的参考值的匹配度具体为：
Figure 786528DEST_PATH_IMAGE037
其中，
Figure 148239DEST_PATH_IMAGE038
表示所述输入数据的每个属性的值与所述信度偏好规则库中第
Figure 797527DEST_PATH_IMAGE022
条信度偏好规则
Figure 397135DEST_PATH_IMAGE036
个属性的匹配度，
Figure 801572DEST_PATH_IMAGE039
表示聚合函数，聚合第
Figure 588262DEST_PATH_IMAGE022
条信度偏好规则中
Figure 306819DEST_PATH_IMAGE036
个属性的匹配度；
其中，所述激活权重，具体为：
Figure 557672DEST_PATH_IMAGE040
其中，
Figure 336272DEST_PATH_IMAGE041
表示第
Figure 610259DEST_PATH_IMAGE022
条信度偏好规则的激活权重，
Figure 929245DEST_PATH_IMAGE042
表示第
Figure 237866DEST_PATH_IMAGE022
条信度偏好规则的相对权重，
Figure 921789DEST_PATH_IMAGE038
表示输入数据的每个属性的值与所述信度偏好规则库中第
Figure 479809DEST_PATH_IMAGE022
条信度偏好规则
Figure 805748DEST_PATH_IMAGE036
个属性的匹配度。
2.根据权利要求1所述的方法，其特征在于，所述信度偏好结构具体为:
Figure 703297DEST_PATH_IMAGE043
其中，
Figure 620437DEST_PATH_IMAGE044
，表示状态
Figure 134595DEST_PATH_IMAGE045
或状态
Figure 733067DEST_PATH_IMAGE046
时所述决策者所做的选择，
Figure 750701DEST_PATH_IMAGE047
表示对于状态
Figure 104322DEST_PATH_IMAGE048
时所述决策者所做的选择偏好，∼表示对于状态
Figure 834338DEST_PATH_IMAGE045
或状态
Figure 970921DEST_PATH_IMAGE046
时所述决策者所做的选择的偏好无关紧要，
Figure 905379DEST_PATH_IMAGE049
表示对于状态
Figure 367584DEST_PATH_IMAGE046
时所述决策者选择的选项偏好，
Figure 325176DEST_PATH_IMAGE050
表示对于状态
Figure 593346DEST_PATH_IMAGE045
或状态
Figure 319994DEST_PATH_IMAGE046
时所述决策者所做的选择的偏好未知，
Figure 953101DEST_PATH_IMAGE051
表示对于状态
Figure 460305DEST_PATH_IMAGE045
时所述决策者所做的选择偏好的信度等级，
Figure 204270DEST_PATH_IMAGE052
表示对于状态
Figure 51004DEST_PATH_IMAGE045
和状态
Figure 917328DEST_PATH_IMAGE046
时所述决策者所做的选择的偏好无关紧要的信度等级，
Figure 583933DEST_PATH_IMAGE053
表示对于状态
Figure 397168DEST_PATH_IMAGE046
时所述决策者选择的选项偏好的信度等级，
Figure 160725DEST_PATH_IMAGE054
表示对于状态
Figure 870055DEST_PATH_IMAGE045
和状态
Figure 555114DEST_PATH_IMAGE046
时所述决策者所做的选择的偏好未知的信度等级。
3.根据权利要求1所述的方法，其特征在于，所述根据所述信度偏好结构构建信度偏好规则库，具体包括：
确定所述信度偏好结构的信度偏好规则；
将所述信度偏好规则顺序排列构建所述信度偏好规则库。
4.根据权利要求3所述的方法，其特征在于，对于每个所述决策者，第
Figure 703199DEST_PATH_IMAGE022
条所述信度偏好规则如下所示：
Figure 258945DEST_PATH_IMAGE055
;
规则权重
Figure 201493DEST_PATH_IMAGE042
,属性权重向量
Figure 108270DEST_PATH_IMAGE056
,且
Figure 997728DEST_PATH_IMAGE057
其中，
Figure 470298DEST_PATH_IMAGE058
表示连接符，包括∧和∨两种连接关系，
Figure 52589DEST_PATH_IMAGE059
表示对任意的状态
Figure 181082DEST_PATH_IMAGE045
和状态
Figure 670969DEST_PATH_IMAGE046
的第
Figure 466887DEST_PATH_IMAGE022
条信度偏好规则，
Figure 954500DEST_PATH_IMAGE060
表示前提属性，then⋯表示对应前提属性所表示的结论，
Figure 367027DEST_PATH_IMAGE061
表示第
Figure 863867DEST_PATH_IMAGE022
条信度偏好规则中第
Figure 248712DEST_PATH_IMAGE019
个属性的参考值，
Figure 969543DEST_PATH_IMAGE062
表示不同信度偏好规则第
Figure 338208DEST_PATH_IMAGE019
个属性的参考值集合；
Figure 107581DEST_PATH_IMAGE063
表示第
Figure 612511DEST_PATH_IMAGE022
条信度偏好规则的结果，具体为
Figure 504244DEST_PATH_IMAGE064
，
Figure 829046DEST_PATH_IMAGE065
，
Figure 464427DEST_PATH_IMAGE066
表示第
Figure 89443DEST_PATH_IMAGE022
条信度偏好规则的结果中的第
Figure 89760DEST_PATH_IMAGE067
个结论的信度等级，且
Figure 167438DEST_PATH_IMAGE068
，
Figure 340930DEST_PATH_IMAGE069
；
Figure 554874DEST_PATH_IMAGE070
表示第
Figure 991671DEST_PATH_IMAGE022
条信度偏好规则的相对权重，
Figure 353382DEST_PATH_IMAGE071
是第
Figure 268249DEST_PATH_IMAGE022
条信度偏好规则中赋予第
Figure 664595DEST_PATH_IMAGE019
个属性的相对权重，
Figure 272294DEST_PATH_IMAGE072
表示信度规则的总数，
Figure 623483DEST_PATH_IMAGE073
表示第
Figure 607620DEST_PATH_IMAGE022
条信度偏好规则属性的总数。
5.根据权利要求1所述的方法，其特征在于，所述根据所述激活权重计算所述输入数据的信度偏好结果，具体包括：
计算规则库中每条信度偏好规则的结论的修正信度：
Figure 858473DEST_PATH_IMAGE074
其中，
Figure 371493DEST_PATH_IMAGE075
表示第
Figure 645480DEST_PATH_IMAGE022
条信度偏好规则中第
Figure 964466DEST_PATH_IMAGE067
个结论的修正信度，
Figure 7508DEST_PATH_IMAGE076
表示属性归属，
Figure 753747DEST_PATH_IMAGE077
表示属性
Figure 780609DEST_PATH_IMAGE019
在第
Figure 575390DEST_PATH_IMAGE022
条信度偏好规则中，
Figure 4097DEST_PATH_IMAGE078
表示其它；
根据证据推理算法将修正信度转换为基本可信数：
Figure 921238DEST_PATH_IMAGE079
Figure 904237DEST_PATH_IMAGE080
其中，
Figure 768288DEST_PATH_IMAGE081
是分配给结论
Figure 848239DEST_PATH_IMAGE075
的基本可信数，
Figure 873964DEST_PATH_IMAGE082
是未分配给任何结论的剩余基本可信数，
Figure 609839DEST_PATH_IMAGE083
是由于第
Figure 74318DEST_PATH_IMAGE022
条信度偏好规则中前提属性的相对重要性而引起的不确定性，
Figure 946459DEST_PATH_IMAGE084
是由于第
Figure 205402DEST_PATH_IMAGE022
条信度偏好规则前提属性的不完备性引起的不确定性，
Figure 428573DEST_PATH_IMAGE067
表示第
Figure 634427DEST_PATH_IMAGE022
条信度偏好规则中第
Figure 423391DEST_PATH_IMAGE067
个结论，
Figure 56498DEST_PATH_IMAGE085
，
Figure 501386DEST_PATH_IMAGE022
表示第
Figure 510930DEST_PATH_IMAGE022
条信度偏好规则，
Figure 154401DEST_PATH_IMAGE086
；
利用聚合方法计算聚合后的基本信度：
Figure 958409DEST_PATH_IMAGE087
Figure 687331DEST_PATH_IMAGE088
Figure 500566DEST_PATH_IMAGE089
其中，
Figure 936226DEST_PATH_IMAGE090
表示分配给第
Figure 973452DEST_PATH_IMAGE067
个偏好结论的基本可信数，
Figure 392932DEST_PATH_IMAGE091
表示由相对重要性引起的不确定性，
Figure 478700DEST_PATH_IMAGE092
表示由不完全性引起的不确定性；
通过聚合后的基本可信数计算任意状态
Figure 300026DEST_PATH_IMAGE045
和状态
Figure 508153DEST_PATH_IMAGE046
的信度偏好：
Figure 149350DEST_PATH_IMAGE093
其中，
Figure 304388DEST_PATH_IMAGE094
表示对于状态
Figure 776957DEST_PATH_IMAGE045
和状态
Figure 93669DEST_PATH_IMAGE046
的第
Figure 487742DEST_PATH_IMAGE067
个偏好结论的信度等级，
Figure 977629DEST_PATH_IMAGE095
表示对于状态
Figure 507967DEST_PATH_IMAGE045
和状态
Figure 792318DEST_PATH_IMAGE046
时决策者所做的选择的偏好未知的信度等级。
6.一种基于信度结构的多不确定偏好获取装置，其特征在于，包括：
构建模块一，用于建立战略冲突图模型：
Figure 673686DEST_PATH_IMAGE096
其中，
Figure 904948DEST_PATH_IMAGE097
表示战略冲突图模型，
Figure 352109DEST_PATH_IMAGE098
表示决策者的有限集合，
Figure 276203DEST_PATH_IMAGE099
表示决策者所控制的策略集合，
Figure 107850DEST_PATH_IMAGE100
表示第
Figure 939539DEST_PATH_IMAGE004
个决策者所控制的第
Figure 710049DEST_PATH_IMAGE101
个策略，
Figure 539465DEST_PATH_IMAGE102
表示第
Figure 598688DEST_PATH_IMAGE007
个决策者所拥有的策略数量，且
Figure 234069DEST_PATH_IMAGE103
，
Figure 593506DEST_PATH_IMAGE045
表示每一个决策者任意状态所做的选择所构成的可行组合，
Figure 859402DEST_PATH_IMAGE010
表示包含第
Figure 733817DEST_PATH_IMAGE007
个决策者任意两状态转移的集合，
Figure 844993DEST_PATH_IMAGE011
表示决策者
Figure 324516DEST_PATH_IMAGE004
的相对偏好；
构建模块二，用于为所述战略冲突图模型设计信度偏好结构；
库构建模块，用于根据所述信度偏好结构构建信度偏好规则库；
计算模块，用于根据所述信度偏好规则库和证据推理算法，计算任意两状态的信度偏好等级；
决策模块，用于根据所述任意两状态的信度偏好等级预测和复盘决策者的决策趋势；
所述计算模块，具体用于，
确定输入数据的形式结构：
Figure 558051DEST_PATH_IMAGE104
其中，
Figure 857445DEST_PATH_IMAGE013
表示连接符，包括
Figure 37891DEST_PATH_IMAGE014
和
Figure 168658DEST_PATH_IMAGE015
两种连接关系，
Figure 776357DEST_PATH_IMAGE105
表示对于任意状态
Figure 563047DEST_PATH_IMAGE045
和状态
Figure 343921DEST_PATH_IMAGE046
的输入数据，
Figure 266878DEST_PATH_IMAGE025
表示第
Figure 45478DEST_PATH_IMAGE019
个属性的值；T表示属性的个数，
Figure 381781DEST_PATH_IMAGE106
表示
Figure 904030DEST_PATH_IMAGE025
的信度等级且
Figure 947072DEST_PATH_IMAGE107
；
确定所述输入数据的每个属性的值与所述信度偏好规则库中每个信度偏好规则的匹配度；
根据所述匹配度计算所述信度偏好规则库中每个信度偏好规则的激活权重；
根据所述激活权重计算所述输入数据的信度偏好等级；
所述计算模块，还用于确定所述输入数据的每个属性的值与所述信度偏好规则库中第
Figure 896573DEST_PATH_IMAGE022
条信度偏好规则中对应属性的匹配度：
Figure 720173DEST_PATH_IMAGE108
其中，
Figure 514954DEST_PATH_IMAGE109
表示
Figure 678082DEST_PATH_IMAGE025
与
Figure 860801DEST_PATH_IMAGE110
的匹配度，
Figure 843801DEST_PATH_IMAGE025
表示第
Figure 707852DEST_PATH_IMAGE019
个属性的值，
Figure 787803DEST_PATH_IMAGE111
表示
Figure 79107DEST_PATH_IMAGE025
的信度等级，
Figure 549403DEST_PATH_IMAGE112
Figure 13882DEST_PATH_IMAGE113
表示第
Figure 886023DEST_PATH_IMAGE019
个属性的第
Figure 348229DEST_PATH_IMAGE114
个参考值，
Figure 368137DEST_PATH_IMAGE115
为相似度函数表示
Figure 308411DEST_PATH_IMAGE025
与
Figure 35059DEST_PATH_IMAGE116
之间的相似度；
将所述输入数据转化为所述信度偏好规则的前提属性格式；
Figure 668166DEST_PATH_IMAGE117
其中，当
Figure 175370DEST_PATH_IMAGE031
时，
Figure 919335DEST_PATH_IMAGE032
表示第
Figure 697892DEST_PATH_IMAGE022
条信度偏好规则中第
Figure 298638DEST_PATH_IMAGE033
个属性的参考值,
Figure 230822DEST_PATH_IMAGE034
表示关于所述输入数据的第
Figure 778478DEST_PATH_IMAGE019
个属性的值与第
Figure 151822DEST_PATH_IMAGE022
条信度偏好规则中第
Figure 392310DEST_PATH_IMAGE019
个属性的参考值的匹配度；
对于任意
Figure 608528DEST_PATH_IMAGE118
，所述输入数据的每个属性的值与所述信度偏好规则库中第
Figure 694295DEST_PATH_IMAGE022
条信度偏好规则
Figure 187725DEST_PATH_IMAGE119
个属性的参考值的匹配度具体为：
Figure 599115DEST_PATH_IMAGE037
其中，
Figure 240311DEST_PATH_IMAGE038
表示所述输入数据的每个属性的值与所述信度偏好规则库中第
Figure 926508DEST_PATH_IMAGE022
条信度偏好规则
Figure 867919DEST_PATH_IMAGE119
个属性的匹配度，
Figure 184631DEST_PATH_IMAGE120
表示聚合函数，聚合第
Figure 578703DEST_PATH_IMAGE022
条信度偏好规则中
Figure 68590DEST_PATH_IMAGE119
个属性的匹配度；
其中，所述激活权重，具体为：
Figure 333349DEST_PATH_IMAGE040
其中，
Figure 86542DEST_PATH_IMAGE041
表示第
Figure 764648DEST_PATH_IMAGE022
条信度偏好规则的激活权重，
Figure 995909DEST_PATH_IMAGE042
表示第
Figure 646333DEST_PATH_IMAGE022
条信度偏好规则的相对权重，
Figure 304848DEST_PATH_IMAGE038
表示输入数据的每个属性的值与所述信度偏好规则库中第
Figure 470250DEST_PATH_IMAGE022
条信度偏好规则
Figure 239623DEST_PATH_IMAGE119
个属性的匹配度。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任意一项所述的方法。
CN202110781616.7A 2021-07-12 2021-07-12 基于信度结构的多不确定偏好获取方法、装置和电子设备 Active CN113239244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110781616.7A CN113239244B (zh) 2021-07-12 2021-07-12 基于信度结构的多不确定偏好获取方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110781616.7A CN113239244B (zh) 2021-07-12 2021-07-12 基于信度结构的多不确定偏好获取方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN113239244A CN113239244A (zh) 2021-08-10
CN113239244B true CN113239244B (zh) 2021-10-01

Family

ID=77135317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110781616.7A Active CN113239244B (zh) 2021-07-12 2021-07-12 基于信度结构的多不确定偏好获取方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN113239244B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115374652A (zh) * 2022-10-21 2022-11-22 中国人民解放军国防科技大学 基于证据推理的无人机集群协同避障能力试验评估方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2864076C (en) * 2012-02-07 2022-10-04 Social Market Analytics, Inc. Systems and methods of detecting, measuring, and extracting signatures of signals embedded in social media data streams
CN110992695B (zh) * 2019-12-13 2021-01-29 北京理工大学 基于冲突消解的车辆城市交叉口通行决策多目标优化方法
CN112702793B (zh) * 2021-01-08 2022-06-24 重庆理工大学 一种求解无线网格网络无冲突节点集的方法

Also Published As

Publication number Publication date
CN113239244A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
Letier et al. Uncertainty, risk, and information value in software requirements and architecture
Haddad et al. Selection of discrete multiple criteria decision making methods in the presence of risk and uncertainty
Capuano et al. Fuzzy group decision making for influence-aware recommendations
Palomares et al. Consensus under a fuzzy context: Taxonomy, analysis framework AFRYCA and experimental case of study
Alfaro‐García et al. Logarithmic aggregation operators and distance measures
Morais et al. PROMETHEE‐ROC Model for Assessing the Readiness of Technology for Generating Energy
Xiong et al. A two-stage preference-based evolutionary multi-objective approach for capability planning problems
Karami Utilization and comparison of multi attribute decision making techniques to rank Bayesian network options
Taghavi et al. Trust based group decision making in environments with extreme uncertainty
Khorshidi et al. Multicriteria group decision-making under uncertainty using interval data and cloud models
Sindhu et al. Multiple Criteria Decision Making Based on Probabilistic Interval‐Valued Hesitant Fuzzy Sets by Using LP Methodology
CN113239244B (zh) 基于信度结构的多不确定偏好获取方法、装置和电子设备
WO2022075398A1 (en) Adaptive autonomous negotiation method and system of using
Sarabando et al. Group decision making with incomplete information: a dominance and quasi‐optimality volume‐based approach using Monte‐Carlo simulation
Radulescu et al. A Hybrid Group Multi-Criteria Approach Based on SAW, TOPSIS, VIKOR, and COPRAS Methods for Complex IoT Selection Problems
Hu et al. ROUTERBENCH: A Benchmark for Multi-LLM Routing System
CN115062779A (zh) 基于动态知识图谱的事件预测方法及装置
CN114330090A (zh) 一种缺陷检测方法、装置、计算机设备和存储介质
JP7502963B2 (ja) 情報処理システムおよび情報処理方法
Doumpos et al. Preference disaggregation analysis: An overview of methodological advances and applications
López-Martín et al. Support vector regression for predicting the productivity of higher education graduate students from individually developed software projects
Jeejoe et al. Building a Recommender System Using Collaborative Filtering Algorithms and Analyzing its Performance
Lim et al. Evolving relationships between social networks and stakeholder involvement in software projects
Bisht et al. Functional dependency-based group decision-making with incomplete information under social media influence: An application to automobile
Gopalakrishna et al. Runtime evaluation of cognitive systems for non-deterministic multiple output classification problems

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