CN115222302A - 一种企业信息系统自动化决策分析模型构建及其约简方法 - Google Patents

一种企业信息系统自动化决策分析模型构建及其约简方法 Download PDF

Info

Publication number
CN115222302A
CN115222302A CN202211141211.8A CN202211141211A CN115222302A CN 115222302 A CN115222302 A CN 115222302A CN 202211141211 A CN202211141211 A CN 202211141211A CN 115222302 A CN115222302 A CN 115222302A
Authority
CN
China
Prior art keywords
decision
information system
analysis
entity
enterprise information
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
Application number
CN202211141211.8A
Other languages
English (en)
Inventor
杨志祥
刘鑫
熊筠轲
杨小涛
程佳斌
余将其
谈俊
郭朝霞
皮辉
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.)
Csic Wuhan Lingjiu Hi Tech Co ltd
Original Assignee
Csic Wuhan Lingjiu Hi Tech Co ltd
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 Csic Wuhan Lingjiu Hi Tech Co ltd filed Critical Csic Wuhan Lingjiu Hi Tech Co ltd
Priority to CN202211141211.8A priority Critical patent/CN115222302A/zh
Publication of CN115222302A publication Critical patent/CN115222302A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)

Abstract

本发明适用于工智能和决策分析领域，提供一种企业信息系统自动化决策分析模型构建及其约简方法，包括：根据企业信息系统自动化决策分析的计划，选择实体、决策、主题和模型；建立实体与决策、决策与主题以及实体与主题三个分析矩阵，并根据分析矩阵进行实体约简；根据所述三个分析矩阵，建立企业信息系统自动化决策分析模型，并利用模糊粗糙集进行样本约简；利用进化算法对所述样本约简进行多目标优化，实现对决策分析模型优化。本发明形成了完整的从计划形成实体，实体到决策，决策到主题，主题到模型的经营决策分析模型构建过程，形成了以数据驱动决策模型的构建，大大减轻了数据分析的复杂度。

Description

一种企业信息系统自动化决策分析模型构建及其约简方法
技术领域
本发明属于人工智能和决策分析领域，尤其涉及一种企业信息系统自动化决策分析模型构建及其约简方法。
背景技术
企业决策分析是指为实现企业的预定目标，在科学预测的基础上，结合企业内部条件和外部环境，对与企业未来经营战略、方针或措施有关的各种备选方案进行成本效益分析的过程。随着大数据时代的到来，一切都趋于多样化和模糊化，特别是企业决策分析过程中，对事物的判断与决策不仅仅取决于一种元素，而是取决于多种元素相互作用，并且这些元素之间的重要性各不相同。此外，事物通常有两个以上的属性。因此，为了处理企业决策分析过程中的多元模糊问题，模糊信息系统被广泛使用，模糊信息系统模型是一种表示具有属性和属性值的对象的四元结构，是人工智能研究中不可或缺的模型之一。在实际问题中，并非决策表中的所有条件属性都是必要的，因此需要进行属性约简，在保证决策表中的有效信息保持不变或大致相等的情况下删除冗余属性。Pawlak提出的粗糙集是处理冗余属性的一种方法，然而传统的粗糙集只能对离散数据进行分析，其推广模型模糊粗糙集能对实值数据进行处理，避免信息丢失。
传统的企业决策分析大多是突出查询和描述性分析经营数据分析信息的能力和各种相关图形绘制，不能满足主动式管理的要求。而从企业管理信息系统底层数据，以数据驱动的方式进行企业自动化决策分析，能够以更少的投入获得更丰富的应用价值。因此，构建从信息系统底层数据源到关键实体，再到目标分析主题关系的方法尤为重要。
发明内容
鉴于上述问题，本发明的目的在于提供一种企业信息系统自动化决策分析模型构建及其约简方法，旨在解决传统企业决策分析无法利用管理系统底层数据进行分析决策的技术问题。
本发明采用如下技术方案：
所述企业信息系统自动化决策分析模型构建及其约简方法，包括下述步骤：
步骤S1、根据企业信息系统自动化决策分析的计划，选择实体、决策、主题和模型；
步骤S2、建立实体与决策、决策与主题以及实体与主题三个分析矩阵，并根据分析矩阵进行实体约简；
步骤S3、根据所述三个分析矩阵，建立企业信息系统自动化决策分析模型，并利用模糊粗糙集进行样本约简；
步骤S4、利用进化算法对所述样本约简进行多目标优化，实现对决策分析模型优化。
本发明的有益效果是：本发明形成了完整的从计划形成实体，实体到决策，决策到主题，主题到模型的经营决策分析模型构建过程，形成了以数据驱动决策模型的构建，大大减轻了数据分析的复杂度；另外，本发明还形成了一种企业信息系统自动化决策分析模型的实体及样本约简方法，大大减少了冗余因素对决策的影响。本发明通过管理系统底层获取数据并建立决策分析模型，以期为智能拓展企业信息系统自动化决策分析模型的建立和计算提供一种新的可选方案。
附图说明
图1是本发明实施例提供的企业信息系统自动化决策分析模型构建及其约简方法的流程图；
图2是本发明实施例提供的建立三个关系矩阵的矩阵表示意图；
图3是本发明实施例提供的步骤S3的具体流程图；
图4是本发明实施例提供的步骤S4的具体流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的企业信息系统自动化决策分析模型构建及其约简方法的流程，为了便于说明仅示出了与本发明实施例相关的部分。
如图1所示，本实施例提供的企业信息系统自动化决策分析模型构建及其约简方法包括下述步骤：
步骤S1、根据企业信息系统自动化决策分析的计划，选择实体、决策、主题和模型。
本步骤需要确定自动化决策分析的计划，计划是企业在一定时期内，制定生产活动的综合规划。首先要将计划转化为具体的可执行的分析内容，如：对企业绩效进行分析、对人员和项目绩效进行分析、对设备等易耗品进行使用效能分析等。
而实体是反映计划目标的指标，设实体表达式为
Figure 622034DEST_PATH_IMAGE001
。比如上述步骤中的计划是对企业绩效进行分析，那么企业价值、企业创新能力、企业发展趋势就是实体。实体数据源包括生产研发数据、客户信息数据、物流供应数据及环境数据等。
决策是数据处理和数据管理过程，设决策表达式为
Figure 946836DEST_PATH_IMAGE002
。企业信息系统自动化决策分析通过数据建模、数据处理、数据分析，对数据质量、能力成熟度、数据资产管理、数据开放共享等进行数据管理。如：单位的规模性、成长性、盈利性、稳健性和运行效率等。
主题是数据的应用场景，设主题表达式为
Figure 395266DEST_PATH_IMAGE003
。主要是基于数据处理和数据管理结果，描述、控制、决策等不同应用。如企业经营性资产、工程项目总合同额、工程项目总利润、现金流出入总量、人力资源、净资产和设备产值等。
模型是将主题的计算及结果转化为结构化数据形式，最终构成持续优化闭环。如分析单位价值分析实体，以规模性为主题，则可以建立以资产（年/月）、固定资产合计、应收账款、货币资金、其他经费支出等5项底层数据，建立简单的权重求和分析模型。
步骤S2、建立实体与决策、决策与主题以及实体与主题三个分析矩阵，并根据分析矩阵进行实体约简。
本步骤中，建立三个关系矩阵，可参照图2所示，具体过程如下：
S21、建立实体与决策的关系矩阵。
实体与决策的关系矩阵为
Figure 226475DEST_PATH_IMAGE004
，
Figure 961213DEST_PATH_IMAGE005
Figure 507731DEST_PATH_IMAGE006
，这里
Figure 884486DEST_PATH_IMAGE007
为数据源的获取难度，
Figure 832851DEST_PATH_IMAGE008
为数据源实施的可行性，
Figure 472911DEST_PATH_IMAGE009
表示了数据源的实施难度。比如一具体实例中，即
Figure 506726DEST_PATH_IMAGE010
。
S22、建立决策与主题的关系矩阵。
决策与主题的关系矩阵为
Figure 156013DEST_PATH_IMAGE011
，
Figure 955954DEST_PATH_IMAGE012
Figure 32494DEST_PATH_IMAGE013
，这里设
Figure 553606DEST_PATH_IMAGE014
为主题的重要程度，
Figure 741004DEST_PATH_IMAGE015
表示了主题的优先级，以上述
Figure 663961DEST_PATH_IMAGE016
为例，
Figure 911403DEST_PATH_IMAGE017
。
S23、建立实体与主题的关系矩阵。
实体与主题的关系矩阵为
Figure 919810DEST_PATH_IMAGE018
，
Figure 910900DEST_PATH_IMAGE019
Figure 547418DEST_PATH_IMAGE020
，表示了数据源的商业价值。这里x跟r的取值范围相同，但是x和r并不是一起变化，因此分别用x和r表示。从图2是关系矩阵表中可以看出，x=1时，r要从1到i遍历一遍。
以上述
Figure 97917DEST_PATH_IMAGE021
和
Figure 328041DEST_PATH_IMAGE022
为例，为了方便计算，对矩阵中的数据进行适当放大10倍，即
Figure 122822DEST_PATH_IMAGE023
。
S24、根据分析矩阵进行实体约简。
设置实体约简阈值
Figure 754791DEST_PATH_IMAGE024
，当
Figure 344036DEST_PATH_IMAGE025
中某种数据源的商业价值全部小于
Figure 592614DEST_PATH_IMAGE024
时，对该数据源进行约简。
步骤S3、根据所述三个分析矩阵，建立企业信息系统自动化决策分析模型，并利用模糊粗糙集进行样本约简。
如图3所示，本步骤具体过程如下：
S31、根据所述关系矩阵建立模糊信息系统。
模糊信息系统
Figure 925507DEST_PATH_IMAGE026
为一个四元组：
Figure 409053DEST_PATH_IMAGE027
，其中
Figure 434778DEST_PATH_IMAGE028
为实体，
Figure 373915DEST_PATH_IMAGE029
是实体的主题集，
Figure 776078DEST_PATH_IMAGE030
是输入的数据集，
Figure 117060DEST_PATH_IMAGE031
是D到W的满映射。模糊信息系统里F(D)表示的是D的所有模糊子集的族。F(D)是一个函数操作，将D的每个元素分配一个0到1的值，DT为主题集。
Figure 579266DEST_PATH_IMAGE032
，为D和W的连接矩阵，其中
Figure 271278DEST_PATH_IMAGE033
，
Figure 945973DEST_PATH_IMAGE034
。
对于每个属于主题集的实体
Figure 675550DEST_PATH_IMAGE035
，即数据源的获取难度，计算
Figure 43078DEST_PATH_IMAGE035
的二元模糊
Figure 956807DEST_PATH_IMAGE036
覆盖粗糙集模型；以上述
Figure 841718DEST_PATH_IMAGE037
为例，设
Figure 422872DEST_PATH_IMAGE038
，
Figure 226880DEST_PATH_IMAGE039
。
S32、建立
Figure 893484DEST_PATH_IMAGE040
的
Figure 907052DEST_PATH_IMAGE036
矩阵。
即计算
Figure 342713DEST_PATH_IMAGE041
，其中
Figure 927409DEST_PATH_IMAGE042
。以上述
Figure 940364DEST_PATH_IMAGE040
为例，设
Figure 760553DEST_PATH_IMAGE043
，则
Figure 50720DEST_PATH_IMAGE040
的
Figure 930951DEST_PATH_IMAGE036
矩阵为：
Figure 306569DEST_PATH_IMAGE044
。
S33、设置两个操作子函数。
设两个任意矩阵
Figure 679518DEST_PATH_IMAGE045
，
Figure 89770DEST_PATH_IMAGE046
，定义两种操作子函数
Figure 875324DEST_PATH_IMAGE047
和
Figure 879183DEST_PATH_IMAGE048
：
Figure 900229DEST_PATH_IMAGE049
Figure 305933DEST_PATH_IMAGE050
，
Figure 387022DEST_PATH_IMAGE051
和
Figure 737232DEST_PATH_IMAGE052
是矩阵计算的操作符，
Figure 434405DEST_PATH_IMAGE051
表示并集，即两个集合的全部元素，
Figure 553670DEST_PATH_IMAGE052
表示交集，即两个集合中相同的元素）。其中，
Figure 946606DEST_PATH_IMAGE053
，
Figure 784112DEST_PATH_IMAGE054
，
Figure 287905DEST_PATH_IMAGE055
。
后续步骤中的“·”和 “*”分别表示E和F两种操作处理方式。
S34、计算模糊
Figure 261677DEST_PATH_IMAGE056
邻域
Figure 825514DEST_PATH_IMAGE057
和模糊
Figure 150316DEST_PATH_IMAGE056
覆盖邻域
Figure 195151DEST_PATH_IMAGE058
。
模糊
Figure 289009DEST_PATH_IMAGE056
邻域
Figure 758168DEST_PATH_IMAGE059
，模糊
Figure 304687DEST_PATH_IMAGE056
覆盖邻域
Figure 681441DEST_PATH_IMAGE060
。以上述
Figure 629806DEST_PATH_IMAGE061
为例可得其模糊
Figure 269866DEST_PATH_IMAGE056
邻域为：
Figure 303681DEST_PATH_IMAGE062
，其模糊
Figure 684459DEST_PATH_IMAGE056
覆盖邻域为：
Figure 752909DEST_PATH_IMAGE063
。
S35、计算模糊
Figure 95029DEST_PATH_IMAGE056
邻域
Figure 616140DEST_PATH_IMAGE064
和模糊
Figure 803539DEST_PATH_IMAGE056
覆盖邻域
Figure 726495DEST_PATH_IMAGE065
的主对角矩阵，分别为
Figure 973937DEST_PATH_IMAGE066
和
Figure 982344DEST_PATH_IMAGE067
。
以上述
Figure 964645DEST_PATH_IMAGE064
、
Figure 883054DEST_PATH_IMAGE065
为例，可得其主对角矩阵为：
Figure 301397DEST_PATH_IMAGE068
，
Figure 797100DEST_PATH_IMAGE069
。
S36、建立企业信息系统自动化决策分析模型。
企业信息系统自动化决策分析模型
Figure 857460DEST_PATH_IMAGE070
，其中
Figure 223850DEST_PATH_IMAGE071
为积极决策的模糊覆盖下近似，
Figure 78674DEST_PATH_IMAGE072
为积极决策的模糊覆盖上近似，
Figure 58744DEST_PATH_IMAGE073
为消极决策的模糊覆盖下近似，
Figure 126057DEST_PATH_IMAGE074
为消极决策的模糊覆盖上近似，这里O为D和W的连接矩阵。
在阈值λ的情况下分析
Figure 612533DEST_PATH_IMAGE075
和
Figure 638258DEST_PATH_IMAGE076
做出积极决策：当
Figure 842974DEST_PATH_IMAGE077
且
Figure 713978DEST_PATH_IMAGE078
时，决策有较高的匹配度；当
Figure 320540DEST_PATH_IMAGE077
且
Figure 517166DEST_PATH_IMAGE079
时，决策有适度的匹配度；当
Figure 946529DEST_PATH_IMAGE080
且
Figure 886803DEST_PATH_IMAGE081
时，决策有较低的匹配度；在阈值λ的情况下分析
Figure 82292DEST_PATH_IMAGE082
和
Figure 449820DEST_PATH_IMAGE083
做出消极决策：当
Figure 363549DEST_PATH_IMAGE084
且
Figure 107514DEST_PATH_IMAGE085
时，决策有较高的匹配度；当
Figure 688668DEST_PATH_IMAGE084
且
Figure 492676DEST_PATH_IMAGE086
时，决策有适度的匹配度；当
Figure 890772DEST_PATH_IMAGE087
且
Figure 172849DEST_PATH_IMAGE086
时，决策有较低的匹配度；对于输入的v个样本，记为
Figure 608509DEST_PATH_IMAGE088
，当
Figure 52260DEST_PATH_IMAGE089
中
Figure 206161DEST_PATH_IMAGE090
、
Figure 167295DEST_PATH_IMAGE091
、
Figure 723041DEST_PATH_IMAGE092
和
Figure 617921DEST_PATH_IMAGE093
都不低于
Figure 993539DEST_PATH_IMAGE094
时，则
Figure 617418DEST_PATH_IMAGE089
与数据源高度兼容；当
Figure 762092DEST_PATH_IMAGE089
中三个值都不低于
Figure 219749DEST_PATH_IMAGE094
时，则
Figure 348242DEST_PATH_IMAGE089
与数据源有较高的匹配度；当
Figure 775812DEST_PATH_IMAGE089
中两个值不低于
Figure 37642DEST_PATH_IMAGE094
时，则
Figure 525255DEST_PATH_IMAGE089
与数据源有中等的匹配度；当
Figure 750831DEST_PATH_IMAGE089
中只有一个值不低于
Figure 982092DEST_PATH_IMAGE094
时，则
Figure 773462DEST_PATH_IMAGE089
与数据源匹配程度较低；当
Figure 431976DEST_PATH_IMAGE089
中所有值都低于
Figure 537991DEST_PATH_IMAGE094
时，则
Figure 41785DEST_PATH_IMAGE089
与数据源不匹配，剔除完全不匹配的样本，实现样本约简。
以上述
Figure 281136DEST_PATH_IMAGE095
、
Figure 844973DEST_PATH_IMAGE096
、
Figure 310720DEST_PATH_IMAGE097
和
Figure 883784DEST_PATH_IMAGE098
为例，设输入4个样本，则
Figure 977642DEST_PATH_IMAGE099
，
Figure 975029DEST_PATH_IMAGE100
，
Figure 521548DEST_PATH_IMAGE101
，
Figure 508090DEST_PATH_IMAGE102
，则企业信息系统自动化决策分析模型结果为
Figure 456454DEST_PATH_IMAGE103
。此时，若阈值
Figure 893252DEST_PATH_IMAGE104
，则有两个高度兼容样本，一个有较高匹配度的样本，一个匹配程度较低的样本。因此没有完全不匹配的样本，则没有样本被约简。
步骤S4、利用进化算法对所述样本约简进行多目标优化，实现对决策分析模型优化。
结合图4所示，本步骤具体过程如下：
S41、设置进化算法参数，包括种群规模、交叉概率、变异概率、倒位概率、最大代数、最佳个体列表规模，并设置适应度函数为
Figure 927067DEST_PATH_IMAGE105
；
S42、形成初始种群，计算种群中每个个体的适应度，根据适应度进行非支配排序，通过进化操作生成下一代个体；
S43、开始遗传流程，在迭代过程中更新种群中个体适应度，利用拥挤度排序并产生下一代种群，最终输出Pareto最优面解集，完成模型优化。
输入数据为
Figure 576354DEST_PATH_IMAGE106
。本方法通过遗传算法对样本约简进行多目标优化，通过遗传迭代更新种群中个体适应度，最终得到最优面解集，完成优化。
本发明基于数据源、实体和主题构建了三个关系矩阵，并在此基础上进行上述模糊分析系统的构建和冗余信息约简，约简方法的结果是否符合人类决策心理成了问题的核心；本发明从积极和消极两方面分析和解决实际问题，可以更好地自动化模拟人们在决策中的情况。同时，本发明还给出了优化算法进行约简的具体流程。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种企业信息系统自动化决策分析模型构建及其约简方法，其特征在于，所述方法包括下述步骤：
步骤S1、根据企业信息系统自动化决策分析的计划，选择实体、决策、主题和模型；
步骤S2、建立实体与决策、决策与主题以及实体与主题三个分析矩阵，并根据分析矩阵进行实体约简；
步骤S3、根据所述三个分析矩阵，建立企业信息系统自动化决策分析模型，并利用模糊粗糙集进行样本约简；
步骤S4、利用进化算法对所述样本约简进行多目标优化，实现对决策分析模型优化。
2.如权利要求1所述企业信息系统自动化决策分析模型构建及其约简方法，步骤S2中，实体表达式为
Figure 474896DEST_PATH_IMAGE001
，决策表达式为
Figure 364355DEST_PATH_IMAGE002
，主题表达式为
Figure 915553DEST_PATH_IMAGE003
；
实体与决策的关系矩阵为
Figure 232265DEST_PATH_IMAGE004
，
Figure 629267DEST_PATH_IMAGE005
Figure 791258DEST_PATH_IMAGE006
，这里
Figure 196963DEST_PATH_IMAGE007
为数据源的获取难度，
Figure 684576DEST_PATH_IMAGE008
为数据源实施的可行性，
Figure 300365DEST_PATH_IMAGE009
表示了数据源的实施难度；
决策与主题的关系矩阵为
Figure 672571DEST_PATH_IMAGE010
，
Figure 54487DEST_PATH_IMAGE011
Figure 713001DEST_PATH_IMAGE012
，这里设
Figure 425873DEST_PATH_IMAGE013
为主题的重要程度，
Figure 929667DEST_PATH_IMAGE014
表示了主题的优先级；
实体与主题的关系矩阵为
Figure 434598DEST_PATH_IMAGE015
，
Figure 264013DEST_PATH_IMAGE016
Figure 323236DEST_PATH_IMAGE017
，表示了数据源的商业价值。
3.如权利要求2所述企业信息系统自动化决策分析模型构建及其约简方法，步骤S2中，设置实体约简阈值
Figure 910949DEST_PATH_IMAGE018
，当
Figure 4806DEST_PATH_IMAGE019
中某种数据源的商业价值全部小于
Figure 880490DEST_PATH_IMAGE018
时，对该数据源进行约简。
4.如权利要求3所述企业信息系统自动化决策分析模型构建及其约简方法，所述步骤S3具体过程如下：
根据所述关系矩阵建立模糊信息系统，模糊信息系统为一个四元组：
Figure 427009DEST_PATH_IMAGE020
，其中D为实体，DT是实体的主题集，W是输入的数据集，
Figure 272605DEST_PATH_IMAGE021
是D到W的满映射，对于每个属于主题集的实体
Figure 220969DEST_PATH_IMAGE022
，计算
Figure 392188DEST_PATH_IMAGE023
的二元模糊
Figure 688652DEST_PATH_IMAGE024
覆盖粗糙集模型；
建立
Figure 744464DEST_PATH_IMAGE025
的
Figure 812914DEST_PATH_IMAGE024
矩阵；
设置两个操作子函数；
计算模糊
Figure 155034DEST_PATH_IMAGE024
邻域
Figure 941724DEST_PATH_IMAGE026
和模糊
Figure 801227DEST_PATH_IMAGE024
覆盖邻域
Figure 992693DEST_PATH_IMAGE027
；
计算模糊
Figure 240134DEST_PATH_IMAGE024
邻域
Figure 389487DEST_PATH_IMAGE026
和模糊
Figure 646156DEST_PATH_IMAGE024
覆盖邻域
Figure 423619DEST_PATH_IMAGE027
的主对角矩阵，分别为
Figure 841962DEST_PATH_IMAGE028
和
Figure 337666DEST_PATH_IMAGE029
；
建立企业信息系统自动化决策分析模型
Figure 863937DEST_PATH_IMAGE030
，其中
Figure 495907DEST_PATH_IMAGE031
为积极决策的模糊覆盖下近似，
Figure 350731DEST_PATH_IMAGE032
为积极决策的模糊覆盖上近似，
Figure 802572DEST_PATH_IMAGE033
为消极决策的模糊覆盖下近似，
Figure 401043DEST_PATH_IMAGE034
为消极决策的模糊覆盖上近似，这里O为D和W的连接矩阵；
在阈值λ的情况下分析
Figure 887519DEST_PATH_IMAGE035
和
Figure 647665DEST_PATH_IMAGE036
做出积极决策：当
Figure 383540DEST_PATH_IMAGE037
且
Figure 776913DEST_PATH_IMAGE038
时，决策有较高的匹配度；当
Figure 383475DEST_PATH_IMAGE037
且
Figure 48943DEST_PATH_IMAGE039
时，决策有适度的匹配度；当
Figure 740955DEST_PATH_IMAGE040
且
Figure 353333DEST_PATH_IMAGE041
时，决策有较低的匹配度；在阈值λ的情况下分析
Figure 17664DEST_PATH_IMAGE042
和
Figure 54366DEST_PATH_IMAGE043
做出消极决策：当
Figure 640199DEST_PATH_IMAGE044
且
Figure 853005DEST_PATH_IMAGE045
时，决策有较高的匹配度；当
Figure 965318DEST_PATH_IMAGE044
且
Figure 644692DEST_PATH_IMAGE046
时，决策有适度的匹配度；当
Figure 579806DEST_PATH_IMAGE047
且
Figure 127462DEST_PATH_IMAGE046
时，决策有较低的匹配度；对于输入的v个样本，记为
Figure 969647DEST_PATH_IMAGE048
，当
Figure 944556DEST_PATH_IMAGE049
中
Figure 239402DEST_PATH_IMAGE050
、
Figure 325170DEST_PATH_IMAGE051
、
Figure 877987DEST_PATH_IMAGE052
和
Figure 23797DEST_PATH_IMAGE053
都不低于
Figure 540360DEST_PATH_IMAGE054
时，则
Figure 898660DEST_PATH_IMAGE049
与数据源高度兼容；当
Figure 574492DEST_PATH_IMAGE049
中三个值都不低于
Figure 891204DEST_PATH_IMAGE054
时，则
Figure 754118DEST_PATH_IMAGE049
与数据源有较高的匹配度；当
Figure 649782DEST_PATH_IMAGE049
中两个值不低于
Figure 914541DEST_PATH_IMAGE054
时，则
Figure 402155DEST_PATH_IMAGE049
与数据源有中等的匹配度；当
Figure 752364DEST_PATH_IMAGE049
中只有一个值不低于
Figure 983626DEST_PATH_IMAGE054
时，则
Figure 102891DEST_PATH_IMAGE049
与数据源匹配程度较低；当
Figure 230247DEST_PATH_IMAGE049
中所有值都低于
Figure 64824DEST_PATH_IMAGE054
时，则
Figure 568617DEST_PATH_IMAGE049
与数据源不匹配，剔除完全不匹配的样本，实现样本约简。
5.如权利要求权利要求4所述企业信息系统自动化决策分析模型构建及其约简方法，所述步骤S4具体过程如下：
设置进化算法参数，包括种群规模、交叉概率、变异概率、倒位概率、最大代数、最佳个体列表规模，并设置适应度函数为
Figure 807969DEST_PATH_IMAGE055
；
形成初始种群，计算种群中每个个体的适应度，根据适应度进行非支配排序，通过进化操作生成下一代个体；
开始遗传流程，在迭代过程中更新种群中个体适应度，利用拥挤度排序并产生下一代种群，最终输出Pareto最优面解集，完成模型优化。
CN202211141211.8A 2022-09-20 2022-09-20 一种企业信息系统自动化决策分析模型构建及其约简方法 Pending CN115222302A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211141211.8A CN115222302A (zh) 2022-09-20 2022-09-20 一种企业信息系统自动化决策分析模型构建及其约简方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211141211.8A CN115222302A (zh) 2022-09-20 2022-09-20 一种企业信息系统自动化决策分析模型构建及其约简方法

Publications (1)

Publication Number Publication Date
CN115222302A true CN115222302A (zh) 2022-10-21

Family

ID=83617883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211141211.8A Pending CN115222302A (zh) 2022-09-20 2022-09-20 一种企业信息系统自动化决策分析模型构建及其约简方法

Country Status (1)

Country Link
CN (1) CN115222302A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894650A (zh) * 2023-06-05 2023-10-17 云南大学 具有隐私保护的电子商务环境下多组织协同过程构建方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894650A (zh) * 2023-06-05 2023-10-17 云南大学 具有隐私保护的电子商务环境下多组织协同过程构建方法

Similar Documents

Publication Publication Date Title
Alsharef et al. Review of ML and AutoML solutions to forecast time-series data
Valente et al. SVR-FFS: A novel forward feature selection approach for high-frequency time series forecasting using support vector regression
Stach et al. Genetic learning of fuzzy cognitive maps
Zervoudakis et al. A global optimizer inspired from the survival strategies of flying foxes
Hadavandi et al. An improved sales forecasting approach by the integration of genetic fuzzy systems and data clustering: Case study of printed circuit board
Luo et al. Time series prediction based on intuitionistic fuzzy cognitive map
Huang et al. An error correction prediction model based on three-way decision and ensemble learning
Stach Learning and aggregation of fuzzy cognitive maps-An evolutionary approach
Shi et al. Handling uncertainty in financial decision making: a clustering estimation of distribution algorithm with simplified simulation
Fan et al. Multi-objective LSTM ensemble model for household short-term load forecasting
Stankovic et al. Forecasting ethereum price by tuned long short-term memory model
CN115222302A (zh) 一种企业信息系统自动化决策分析模型构建及其约简方法
Syu et al. Energy grid management system with anomaly detection and Q-learning decision modules
Zhang A deep learning model for ERP enterprise financial management system
Barr et al. A computational theory of the firm
Mirasol-Cavero et al. Fuzzy preference programming formulation in data envelopment analysis for university department evaluation
Yang Combination forecast of economic chaos based on improved genetic algorithm
Sexton et al. Knowledge discovery using a neural network simultaneous optimization algorithm on a real world classification problem
Yi RETRACTED ARTICLE: Forecast of agricultural water resources demand based on particle swarm algorithm
Yousefi et al. Enhancing sustainable supply chain readiness to adopt blockchain: A decision support approach for barriers analysis
Gao et al. Financial sequence prediction based on swarm intelligence algorithms and internet of things
Asaduzzaman et al. A Novel Salary Prediction System Using Machine Learning Techniques
Abellana A systemic analysis of green computing adoption using genetically evolved fuzzy cognitive map: a Philippine scenario
Mascaro et al. A flexible method for parameterizing ranked nodes in Bayesian networks using Beta distributions
Serrano The Deep Learning Generative Adversarial Random Neural Network in data marketplaces: The digital creative

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

Application publication date: 20221021

RJ01 Rejection of invention patent application after publication