CN115907304A - 一种基于区间层次分析法的评估指标权重优化方法 - Google Patents

一种基于区间层次分析法的评估指标权重优化方法 Download PDF

Info

Publication number
CN115907304A
CN115907304A CN202211632968.7A CN202211632968A CN115907304A CN 115907304 A CN115907304 A CN 115907304A CN 202211632968 A CN202211632968 A CN 202211632968A CN 115907304 A CN115907304 A CN 115907304A
Authority
CN
China
Prior art keywords
index
fitness function
value
weight
interval
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
CN202211632968.7A
Other languages
English (en)
Inventor
金亮星
姚文兵
苏晶晶
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.)
Hunan Tieyuan Civil Engineering Testing Co ltd
Central South University
Original Assignee
Hunan Tieyuan Civil Engineering Testing Co ltd
Central South University
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 Hunan Tieyuan Civil Engineering Testing Co ltd, Central South University filed Critical Hunan Tieyuan Civil Engineering Testing Co ltd
Priority to CN202211632968.7A priority Critical patent/CN115907304A/zh
Publication of CN115907304A publication Critical patent/CN115907304A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于区间层次分析法的评估指标权重优化方法，包括构建安全评估指标体系、构造区间数判断矩阵、引入相离度构建单目标模型、建立初始粒子种群及迭代获取全局最优位置等步骤，本发明采用区间层次分析法与PSO‑SA算法结合使用，在构造区间数判断矩阵后，引入相离度构建单目标优化模型，并将单目标优化模型中的性能函数作为PSO‑SA算法的适应度函数，由PSO‑SA算法优化搜索获得全局最优位置，将全局最优位置对应的最优解输出，得到最优的区间层次分析法下评估指标权重值，既可以提高其他理论方法带来精度不足的问题，也可以改善采用实数遗传算法优化搜索时存在的搜索速度慢、容易产生早熟收敛等缺点。

Description

一种基于区间层次分析法的评估指标权重优化方法
技术领域
本发明涉及安全科学与安全评估技术领域，具体涉及一种基于区间层次分析法的评估指标权重优化方法。
背景技术
安全评估方法在传统的安全检查表法、故障树分析、事件树分析等方法基础上，形成了灰色关联与变权综合法的评估方法、层次分析法与模糊数学的综合评估、基于熵权物元可拓模型的安全评估、集对分析(SPA)方法与模糊层次分析(FAHP)法的综合评估方法以及层次分析法与T-S模糊神经网络等多种安全评估技术和方法。这些研究促进了安全评估技术的发展，在桥梁、隧道、挡土墙等工程领域取得了较好的效果。但上述评估技术和方法在评估指标权重确定方面，主观性较强，所求权重易受人为因素的影响。
各类工程评估指标间的重要程度具有很强的模糊性和不确定性，如何确定评估指标权重是各类工程进行安全评估极为重要的一步。在相关研究中，区间层次分析法(IAHP)采用区间数来描述评估指标两两比较的相对重要程度，通过构造区间数判断矩阵可以很好的反映事物的不确定性，具有较强的实用性。许多学者采用区间层次分析法(IAHP)进行权重的确定。
目前，有关区间数判断矩阵求解权重向量的方法很多，如均方根误差传递公式、区间数广义最小偏差法、线性规划方法、区间数特征根法、实数遗传算法等。上述方法虽然均可以有效的求解区间数判断矩阵的权重向量，但同时也存在许多不足之处，如区间数特征根法求解出来的权重向量为区间向量，求解结果不唯一、精度较低等；采用线性规划方法需要建立规划模型进行求解，计算过程较为复杂；实数遗传算法在求解最优权重时搜索速度比较慢、容易产生早熟收敛等。
因此，需要对区间数判断矩阵求解权重方法进行优化，提高权重求解精度，使安全评估结果更为客观、合理。
发明内容
本发明目的在于提供一种基于区间层次分析法的评估指标权重优化方法，以解决区间数判断矩阵求解权重精度不足以至无法准确评估安全状况的问题，具体技术方案如下：
一种基于区间层次分析法的评估指标权重优化方法，包括以下步骤：
步骤S1、根据层次结构模型，构建安全评估指标体系；
步骤S2、基于步骤S1所建立的指标体系，构造区间数判断矩阵；
步骤S3、引入相离度构建单目标模型，该单目标模型minF(w)如下：
Figure BDA0004006206010000021
其中：n为评估指标的个数；D(Aij,Wij)为Aij和Wij的相离度；Aij为指标i与指标j之间的相对重要程度，用区间[aij,bij]表示，aij为左区间，bij为右区间；Wij表示指标i和指标j的重要性比较时两两判断范围
Figure BDA0004006206010000022
Figure BDA0004006206010000023
为指标i的区间左权重，
Figure BDA0004006206010000024
为指标i的区间右权重；
Figure BDA0004006206010000025
为指标j的区间左权重，
Figure BDA0004006206010000026
为指标j的区间右权重；
Figure BDA0004006206010000027
D(Aij,wi/wj)表示点wi/wj到Aij的相离度；wi为指标i的最优权重；wj为指标j的最优权重，
Figure BDA0004006206010000028
步骤S4、将单目标模型中参数变量取值范围作为PSO-SA算法的初始位置点信息，建立初始粒子种群；
步骤S5、采用PSO-SA算法的适应度函数计算初始粒子种群中每个粒子的适应度函数值，通过比较每个个体的适应度函数值确定当代个体最优位置和种群粒子全局最优位置；其中：PSO-SA算法的适应度函数Fitness如下：
Figure BDA0004006206010000029
步骤S6、采用更新条件进行更新并结合适应度函数计算适应度函数值更新位置信息，确定全局最优位置并计算全局最优位置的适应度函数值；
步骤S7、将全局最优位置的最优解输出，对应最优解的参数为评估指标的最优权重值。
优选的，所述步骤S1具体包括：
步骤S1.1、选取若干个性能指标作为评估指标；
步骤S1.2、将若干评估指标分为包含目标层、准则层和方案层的若干个层次，通过层次结构模型得到安全评估指标体系。
优选的，所述步骤S2具体包括：
步骤S2.1、获取步骤S1所的安全评估指标体系中各个层次指标对应的标度值区间；
步骤S2.2、基于标度值区间构建区间数判断矩阵A＝(Aij)n×n，且应满足下式：
Figure BDA0004006206010000031
优选的，所述步骤S3具体包括：
步骤S3.1、引入如下式的相离度：
Figure BDA0004006206010000032
其中：D(a,b)为区间数a和区间数b的相离度，区间数a＝[al,ar]，区间数b＝[bl,br]；
步骤S3.2、结合步骤S3.1的相离度构造一个求解区间权重最优值的单目标优化模型minF(w)。
优选的，所述步骤S4具体包括：
步骤S4.1、确定初始参数的取值范围Xmin、Xmax、Vmin和Vmax；
步骤S4.2、在步骤S4.1的取值范围内生成N个初始位置点，由N个初始位置点建立初始粒子种群，所述位置点信息由下式进行计算：
Figure BDA0004006206010000033
Figure BDA0004006206010000034
其中：
Figure BDA0004006206010000035
表示第一代粒子p位置矢量的第d维分量；
Figure BDA0004006206010000036
表示第一代粒子p飞行速度矢量的第d维分量；rand(0,1)为0～1之间的随机数；Xmin为种群粒子位置的最小值；Xmax为种群粒子位置的最大值，Vmin为种群粒子速度的最小值；Vmax为种群粒子速度的最大值；
优选的，所述步骤S6中：采用更新条件生成N个新的预位置，通过适应度函数Fitness计算第k代预位置的适应度函数值，更新位置信息，确定全局最优位置并计算全局最优位置的适应度函数值；其中，k为当前迭代次数；
具体包含以下步骤：
步骤S6.1、确定生成新的预位置点的更新条件，更新条件如下式得出：
Figure BDA0004006206010000041
其中，
Figure BDA0004006206010000042
表示第k代粒子p飞行速度矢量的第d维分量；
Figure BDA0004006206010000043
表示第k代粒子p位置矢量的第d维分量；wk表示惯性权重，wmax、wmin为惯性权重最大值和最小值；c1，c2为加速常数；r1，r2是介于[0,1]之间的随机数；
Figure BDA0004006206010000044
表示第k-1代粒子p最优位置的第d维分量；
Figure BDA0004006206010000045
表示第k-1代种群粒子全局最优位置的第d维分量；kmax为最大迭代次数；
步骤S6.2、生成的预位置点通过适应度函数Fitness计算出各预位置点对应的适应度函数值，并计算适应度函数差值
Figure BDA0004006206010000046
和
Figure BDA0004006206010000047
其中，
Figure BDA0004006206010000048
表示第k-1代粒子p最优位置的第d维分量；
Figure BDA0004006206010000049
表示第k-1代种群粒子全局最优位置的第d维分量；
Figure BDA00040062060100000410
为第k代粒子p位置矢量的第d维分量；
步骤S6.3、更新位置信息，具体的，将第k代粒子p位置矢量的适应度函数值
Figure BDA00040062060100000411
与第k-1代粒子p最优位置的适应度函数值
Figure BDA00040062060100000412
进行作差，若ΔF1＜0，则需要更新位置信息，令
Figure BDA00040062060100000413
否则将第k代粒子p位置矢量的适应度函数值
Figure BDA00040062060100000414
与第k-1代种群粒子全局最优位置的适应度函数值
Figure BDA00040062060100000415
进行作差，若ΔF2＜0，则需要更新位置信息，令
Figure BDA00040062060100000416
Figure BDA00040062060100000417
否则按照Metropolis准则接受新解，即判断概率P1＝exp(-ΔF1/T)是否大于随机数rand(0,1)；若P1＝exp(ΔF1/T)＞rand(0,1)，则需要更新位置信息，令
Figure BDA0004006206010000051
否则按照Metropolis准则接受新解，即判断概率P2＝exp(-ΔF2/T)是否大于随机数rand(0,1)；则需要更新位置信息，
Figure BDA0004006206010000052
否则令
Figure BDA0004006206010000053
Figure BDA0004006206010000054
其中，P1、P2为Metropolis准则中的接收概率；T为初始的退火温度，
Figure BDA0004006206010000055
Figure BDA0004006206010000056
为第1代种群粒子全局最优位置的第d维分量；rand(0,1)为0～1之间的随机数。
应用本发明的技术方案，具有以下有益效果：本发明采用区间层次分析法与PSO-SA算法结合使用，在构造区间数判断矩阵后，引入相离度构建单目标优化模型，并将单目标优化模型中的性能函数作为PSO-SA算法的适应度函数，由PSO-SA算法优化搜索获得全局最优位置，将全局最优位置对应的最优解输出，得到最优的区间层次分析法下评估指标权重值，既可以提高其他理论方法带来精度不足的问题，也可以改善采用实数遗传算法优化搜索时存在的搜索速度慢、容易产生早熟收敛等缺点。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例1中PSO-SA算法的搜索次数；
图2是本发明优选实施例1中迭代次数示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
实施例1：
一种基于区间层次分析法的评估指标权重优化方法，包括以下步骤：
步骤S1、根据层次结构模型，构建安全评估指标体系，具体包括：
步骤S1.1、选取若干个性能指标作为评估指标(此处优选评估指标的个数n取值为4)；
步骤S1.2、将若干评估指标分为包含目标层、准则层和方案层的若干个层次，通过层次结构模型得到安全评估指标体系。
步骤S2、基于步骤S1所建立的指标体系，构造区间数判断矩阵，具体包括：
步骤S2.1、获取步骤S1所的安全评估指标体系中各个层次指标对应的标度值区间，此处基于“1～9”标度法的标度原则获取标度值区间；
步骤S2.2、基于标度值区间构建区间数判断矩阵A＝(Aij)n×n，且应满足下式：
Figure BDA0004006206010000061
步骤S3、引入相离度构建单目标模型，该单目标模型minF(w)如下：
Figure BDA0004006206010000062
其中：n为评估指标的个数；D(Aij,Wij)为Aij和Wij的相离度；Aij为指标i与指标j之间的相对重要程度，用区间[aij,bij]表示，aij为左区间，bij为右区间；Wij表示指标i和指标j的重要性比较时两两判断范围
Figure BDA0004006206010000063
Figure BDA0004006206010000064
为指标i的区间左权重，
Figure BDA0004006206010000065
为指标i的区间右权重；
Figure BDA0004006206010000066
为指标j的区间左权重，
Figure BDA0004006206010000067
为指标j的区间右权重；
Figure BDA0004006206010000068
D(Aij,wi/wj)表示点wi/wj到Aij的相离度；wi为指标i的最优权重；wj为指标j的最优权重，
Figure BDA0004006206010000069
所述步骤S3具体包括：
步骤S3.1、引入如下式的相离度：
Figure BDA0004006206010000071
其中：D(a,b)为区间数a和区间数b的相离度，区间数a＝[al,ar]，区间数b＝[bl,br]；D(a,b)越大，区间数a和b的相离程度越大；当bl＝br时，为点b到区间数a的相离度；
步骤S3.2、结合步骤S3.1的相离度构造上述求解区间权重最优值的单目标优化模型minF(w)；
步骤S4、将单目标模型中参数变量取值范围作为PSO-SA算法的初始位置点信息，建立初始粒子种群，具体包括：
步骤S4.1、确定初始参数的取值范围Xmin、Xmax、Vmin和Vmax；
步骤S4.2、在步骤S4.1的取值范围内生成N个初始位置点(此处优选N取值为50)，由N个初始位置点建立初始粒子种群，所述位置点信息由下式进行计算：
Figure BDA0004006206010000072
Figure BDA0004006206010000073
其中：
Figure BDA0004006206010000074
表示第一代粒子p位置矢量的第d维分量；
Figure BDA0004006206010000075
表示第一代粒子p飞行速度矢量的第d维分量；rand(0,1)为0～1之间的随机数；Xmin为种群粒子位置的最小值；Xmax为种群粒子位置的最大值，Vmin为种群粒子速度的最小值；Vmax为种群粒子速度的最大值；
步骤S5、采用PSO-SA算法的适应度函数计算初始粒子种群中每个粒子的适应度函数值，通过比较每个个体的适应度函数值确定当代个体最优位置和种群粒子全局最优位置；其中：PSO-SA算法的适应度函数Fitness如下：
Figure BDA0004006206010000076
步骤S6、采用更新条件生成N个新的预位置，通过适应度函数Fitness计算第k代预位置的适应度函数值，更新位置信息，确定全局最优位置并计算全局最优位置的适应度函数值；其中，k为当前迭代次数。包括如下步骤：
步骤S6.1、确定生成新的预位置点的更新条件，更新条件如下式得出：
Figure BDA0004006206010000081
其中，
Figure BDA0004006206010000082
表示第k代粒子p飞行速度矢量的第d维分量；
Figure BDA0004006206010000083
表示第k代粒子p位置矢量的第d维分量；wk表示惯性权重，wmax、wmin为惯性权重最大值和最小值(此处优选wmax取值为0.9，wmin取值为0.4)；c1，c2为加速常数(此处优选c1取值为2，c2取值为2)；r1，r2是介于[0,1]之间的随机数；
Figure BDA0004006206010000084
表示第k-1代粒子p最优位置的第d维分量；
Figure BDA0004006206010000085
表示第k-1代种群粒子全局最优位置的第d维分量；kmax为最大迭代次数(此处优选为150)；
步骤S6.2、生成的预位置点通过适应度函数Fitness计算出各预位置点对应的适应度函数值，并计算适应度函数差值
Figure BDA0004006206010000086
和
Figure BDA0004006206010000087
其中，
Figure BDA0004006206010000088
表示第k-1代粒子p最优位置的第d维分量；
Figure BDA0004006206010000089
表示第k-1代种群粒子全局最优位置的第d维分量；
Figure BDA00040062060100000810
为第k代粒子p位置矢量的第d维分量；
步骤S6.3、更新位置信息，具体的，将第k代粒子p位置矢量的适应度函数值
Figure BDA00040062060100000811
与第k-1代粒子p最优位置的适应度函数值
Figure BDA00040062060100000812
进行作差，若ΔF1＜0，则需要更新位置信息，令
Figure BDA00040062060100000813
否则将第k代粒子p位置矢量的适应度函数值
Figure BDA00040062060100000814
与第k-1代种群粒子全局最优位置的适应度函数值
Figure BDA00040062060100000815
进行作差，若ΔF2＜0，则需要更新位置信息，令
Figure BDA00040062060100000816
Figure BDA00040062060100000817
否则按照Metropolis准则接受新解，即判断概率P1＝exp(-ΔF1/T)是否大于随机数rand(0,1)；若P1＝exp(ΔF1/T)＞rand(0,1)，则需要更新位置信息，令
Figure BDA00040062060100000818
否则按照Metropolis准则接受新解，即判断概率P2＝exp(-ΔF2/T)是否大于随机数rand(0,1)；则需要更新位置信息，
Figure BDA0004006206010000091
否则令
Figure BDA0004006206010000092
Figure BDA0004006206010000093
其中，P1、P2为Metropolis准则中的接收概率；T为初始的退火温度，
Figure BDA0004006206010000094
Figure BDA0004006206010000095
为第1代种群粒子全局最优位置的第d维分量；rand(0,1)为0～1之间的随机数；
步骤S7、将全局最优位置的最优解输出，对应最优解的参数为评估指标的最优权重值。
同时从图1可以看出实施例1的20次指标权重求解时的适应度函数值变化幅度较小，最大相对误差控制在0.007％以内，标准差为0.00034，平均值为16.4465，因此，实施例1采用的区间层次分析法指标权重优化方法具有良好的稳定性。从图2可以看出，实施例1中算法在迭代到116代之后，适应度函数值逐渐趋于稳定，可见实施例1采用的区间层次分析法指标权重优化方法具有较好的高效性，且收敛效率较为理想。
实施例2-3：
实施例2中：参数N为50、n为3、kmax为150；其他内容同实施例1。
实施例3中：参数N为50、n为5、kmax为150；其他内容同实施例1。
对比例1：
对比例1仅采用区间数特征根法或遗传算法对区间层次分析法指标权重进行求解，与采用实施例1进行对比，对比结果详见表1。
表1对比例1和实施例1结果对比
计算方法 w1 w2 w3 w4
区间数特征根法 [0.3817,0.5311] [0.1806,0.2453] [0.1191,0.1398] [0.1675,0.2273]
遗传算法 [0.3687,0.5370] [0.1658,0.2723] [0.1016,0.1780] [0.1433,0.2452]
本发明实施例1 0.4789 0.1750 0.1432 0.2029
从表1可以看出，本发明计算结果与区间数特征根法得出的区间指标权重结果较为接近，与遗传算法得出的区间指标权重结果非常接近，验证了本发明实施例1在区间数判断矩阵最优指标权重计算方面的可行性，同时解决了求解精度不足、求解结果不唯一的缺点。
对比例2：
对比例2仅采用凸锥模型线性规划法或区间数特征根法对区间层次分析法指标权重进行求解，与采用实施例2进行对比，对比结果详见表2。
表2对比例2和实施例2结果对比
计算方法 w1 w2 w3
凸锥模型线性规划法 0.6117 0.2708 0.1175
区间数特征根法 [0.5808,0.6472] [0.2537,0.2827] [0.1108,0.1235]
本发明实施例2 0.6099 0.2705 0.1196
从表2可以看出，本发明计算结果与区间数特征根法得出的区间指标权重结果较为接近，与凸锥模型线性规划法得出的区间指标权重结果非常吻合，验证了本发明实施例2在区间数判断矩阵最优指标权重计算方面的准确性。
对比例3：
对比例3仅采用实数遗传算法对区间层次分析法指标权重进行求解，与采用实施例3进行对比，对比结果详见表3。
表3对比例3和实施例3结果对比
Figure BDA0004006206010000101
从表3可以看出，采用相同的目标优化函数，相比于实数遗传算法获得指标权重所计算的适应度值，本发明的适应度值计算结果更小，比实数遗传算法相应结果更接近于最优解；显然本发明计算得到的指标权重值更优。充分体现了本发明实施例3运用于区间数判断矩阵最优指标权重计算的优越性。
综上分析，本发明采用区间层次分析法与PSO-SA算法结合使用，具体的，通过构造的区间数判断矩阵，引入相离度构建单目标优化模型，并将单目标优化模型中的性能函数作为PSO-SA算法的适应度函数，由PSO-SA算法优化搜索获得全局最优位置，将全局最优位置对应的最优解输出，得到最优的区间层次分析法下评估指标权重值，既可以提高其他理论方法带来精度不足的问题，也可以改善采用实数遗传算法优化搜索时存在的搜索速度慢、容易产生早熟收敛等缺点，同时将PSO算法与SA算法结合可以避免算法陷入局部最优，从而获得全局最优解。采用PSO-SA算法优化搜索区间层次分析法的最优权重，不仅可以应用于桥梁、隧道、挡土墙等工程领域评估，也可以适用于各类结构安全评估指标权重确定。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，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 (6)

1.一种基于区间层次分析法的评估指标权重优化方法，其特征在于，包括以下步骤：
步骤S1、根据层次结构模型，构建安全评估指标体系；
步骤S2、基于步骤S1所建立的指标体系，构造区间数判断矩阵；
步骤S3、引入相离度构建单目标模型，该单目标模型minF(w)如下：
Figure FDA0004006206000000011
其中：n为评估指标的个数；D(Aij,Wij)为Aij和Wij的相离度；Aij为指标i与指标j之间的相对重要程度，用区间[aij,bij]表示，aij为左区间，bij为右区间；Wij表示指标i和指标j的重要性比较时两两判断范围，
Figure FDA0004006206000000012
Figure FDA0004006206000000013
为+指标i的区间左权重，
Figure FDA0004006206000000014
为指标i的区间右权重；
Figure FDA0004006206000000015
为指标j的区间左权重，
Figure FDA0004006206000000016
为指标j的区间右权重；
Figure FDA0004006206000000017
D(Aij,wi/wj)表示点wi/wj到Aij的相离度；wi为指标i的最优权重；wj为指标j的最优权重，
Figure FDA0004006206000000018
步骤S4、将单目标模型中参数变量取值范围作为PSO-SA算法的初始位置点信息，建立初始粒子种群；
步骤S5、采用PSO-SA算法的适应度函数计算初始粒子种群中每个粒子的适应度函数值，通过比较每个个体的适应度函数值确定当代个体最优位置和种群粒子全局最优位置；其中：PSO-SA算法的适应度函数Fitness如下：
Figure FDA0004006206000000019
步骤S6、采用更新条件进行更新并结合适应度函数计算适应度函数值更新位置信息，确定全局最优位置并计算全局最优位置的适应度函数值；
步骤S7、将全局最优位置的最优解输出，对应最优解的参数为评估指标的最优权重值。
2.根据权利要求1所述的基于区间层次分析法的评估指标权重优化方法，其特征在于，所述步骤S1具体包括：
步骤S1.1、选取若干个性能指标作为评估指标；
步骤S1.2、将若干评估指标分为包含目标层、准则层和方案层的若干个层次，通过层次结构模型得到安全评估指标体系。
3.根据权利要求2所述的基于区间层次分析法的评估指标权重优化方法，其特征在于，所述步骤S2具体包括：
步骤S2.1、获取步骤S1所得安全评估指标体系中各个层次指标对应的标度值区间；
步骤S2.2、基于标度值区间构建区间数判断矩阵A＝(Aij)n×n，且应满足下式：
Figure FDA0004006206000000021
4.根据权利要求3所述的基于区间层次分析法的评估指标权重优化方法，其特征在于，所述步骤S3具体包括：
步骤S3.1、引入如下式的相离度：
Figure FDA0004006206000000022
其中：D(a,b)为区间数a和区间数b的相离度，区间数a＝[al,ar]，区间数b＝[bl,br]；
步骤S3.2、结合步骤S3.1的相离度构造一个求解区间权重最优值的单目标优化模型minF(w)。
5.根据权利要求4所述的基于区间层次分析法的评估指标权重优化方法，其特征在于，所述步骤S4具体包括：
步骤S4.1、确定初始参数的取值范围Xmin、Xmax、Vmin和Vmax；
步骤S4.2、在步骤S4.1的取值范围内生成N个初始位置点，由N个初始位置点建立初始粒子种群，所述位置点信息由下式进行计算：
Figure FDA0004006206000000023
Figure FDA0004006206000000024
其中：
Figure FDA0004006206000000031
表示第一代粒子p位置矢量的第d维分量；
Figure FDA0004006206000000032
表示第一代粒子p飞行速度矢量的第d维分量；rand(0,1)为0～1之间的随机数；Xmin为种群粒子位置的最小值；Xmax为种群粒子位置的最大值，Vmin为种群粒子速度的最小值；Vmax为种群粒子速度的最大值。
6.根据权利要求5所述的基于区间层次分析法的评估指标权重优化方法，其特征在于，所述步骤S6中：采用更新条件生成N个新的预位置，通过适应度函数Fitness计算第k代预位置的适应度函数值，更新位置信息，确定全局最优位置并计算全局最优位置的适应度函数值；其中，k为当前迭代次数；
具体包含以下步骤：
步骤S6.1、确定生成新的预位置点的更新条件，更新条件如下式得出：
Figure FDA0004006206000000033
其中，
Figure FDA0004006206000000034
表示第k代粒子p飞行速度矢量的第d维分量；
Figure FDA0004006206000000035
表示第k代粒子p位置矢量的第d维分量；wk表示惯性权重，wmax、wmin为惯性权重最大值和最小值；c1，c2为加速常数；r1，r2是介于[0,1]之间的随机数；
Figure FDA0004006206000000036
表示第k-1代粒子p最优位置的第d维分量；
Figure FDA0004006206000000037
表示第k-1代种群粒子全局最优位置的第d维分量；kmax为最大迭代次数；
步骤S6.2、生成的预位置点通过适应度函数Fitness计算出各预位置点对应的适应度函数值，并计算适应度函数差值
Figure FDA0004006206000000038
和
Figure FDA0004006206000000039
其中，
Figure FDA00040062060000000310
表示第k-1代粒子p最优位置的第d维分量；
Figure FDA00040062060000000311
表示第k-1代种群粒子全局最优位置的第d维分量；
Figure FDA00040062060000000312
为第k代粒子p位置矢量的第d维分量；
步骤S6.3、更新位置信息，具体的，将第k代粒子p位置矢量的适应度函数值
Figure FDA00040062060000000313
与第k-1代粒子p最优位置的适应度函数值
Figure FDA00040062060000000314
进行作差，若ΔF1＜0，则需要更新位置信息，令
Figure FDA0004006206000000041
Figure FDA0004006206000000042
否则将第k代粒子p位置矢量的适应度函数值
Figure FDA0004006206000000043
与第k-1代种群粒子全局最优位置的适应度函数值
Figure FDA0004006206000000044
进行作差，若ΔF2＜0，则需要更新位置信息，令
Figure FDA0004006206000000045
Figure FDA0004006206000000046
否则按照Metropolis准则接受新解，即判断概率P1＝exp(-ΔF1/T)是否大于随机数rand(0,1)；若P1＝exp(ΔF1/T)＞rand(0,1)，则需要更新位置信息，令
Figure FDA0004006206000000047
否则按照Metropolis准则接受新解，即判断概率P2＝exp(-ΔF2/T)是否大于随机数rand(0,1)；则需要更新位置信息，
Figure FDA0004006206000000048
否则令
Figure FDA0004006206000000049
Figure FDA00040062060000000410
其中，P1、P2为Metropolis准则中的接收概率；T为初始的退火温度，
Figure FDA00040062060000000411
Figure FDA00040062060000000412
为第1代种群粒子全局最优位置的第d维分量；rand(0,1)为0～1之间的随机数。
CN202211632968.7A 2022-12-19 2022-12-19 一种基于区间层次分析法的评估指标权重优化方法 Pending CN115907304A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211632968.7A CN115907304A (zh) 2022-12-19 2022-12-19 一种基于区间层次分析法的评估指标权重优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211632968.7A CN115907304A (zh) 2022-12-19 2022-12-19 一种基于区间层次分析法的评估指标权重优化方法

Publications (1)

Publication Number Publication Date
CN115907304A true CN115907304A (zh) 2023-04-04

Family

ID=86493228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211632968.7A Pending CN115907304A (zh) 2022-12-19 2022-12-19 一种基于区间层次分析法的评估指标权重优化方法

Country Status (1)

Country Link
CN (1) CN115907304A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116525040A (zh) * 2023-04-26 2023-08-01 中南大学 钢纤维-二元骨料体系填充密度预测模型构建方法及应用
CN118138498A (zh) * 2024-05-06 2024-06-04 济南博赛网络技术有限公司 基于模糊层次分析法改进的网络系统安全评估方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116525040A (zh) * 2023-04-26 2023-08-01 中南大学 钢纤维-二元骨料体系填充密度预测模型构建方法及应用
CN116525040B (zh) * 2023-04-26 2024-03-22 湖南铁院土木工程检测有限公司 钢纤维-二元骨料体系填充密度预测模型构建方法及应用
CN118138498A (zh) * 2024-05-06 2024-06-04 济南博赛网络技术有限公司 基于模糊层次分析法改进的网络系统安全评估方法

Similar Documents

Publication Publication Date Title
CN115907304A (zh) 一种基于区间层次分析法的评估指标权重优化方法
CN109597864B (zh) 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统
Ouyang et al. Estimating parameters of Muskingum model using an adaptive hybrid PSO algorithm
CN105389623A (zh) 一种采用改进蚁群算法的热工过程模型参数辨识方法
CN105554873A (zh) 一种基于pso-ga-rbf-hop的无线传感器网络定位算法
CN113326912B (zh) 一种基于信息共享哈里斯鹰优化的超宽带定位方法
CN113411744B (zh) 一种高精度的室内定位追踪方法
CN109583480A (zh) 一种用于航空发动机防喘控制系统故障率曲线估计方法
CN115952691A (zh) 多站无源时差交叉联合定位系统的优化布站方法及装置
CN114707253A (zh) 一种基于特征引导的三维测量机器人扫描轨迹优化方法
CN113486591A (zh) 一种卷积神经网络结果的重力多参量数据密度加权反演方法
CN115278870A (zh) 基于选择tdoa的改进遗传蚁群混合定位方法及装置
CN109146196B (zh) 一种居民社区时用水量预测方法
CN116842818A (zh) 基于鹈鹕优化算法的结构面产状分组方法
CN113722853B (zh) 一种面向智能计算的群智能进化式工程设计约束优化方法
CN115935709A (zh) 一种自适应差分进化算法用于无源雷达布站的优化方法
Syaharuddin et al. Best Architecture Recommendations of ANN Backpropagation Based on Combination of Learning Rate, Momentum, and Number of Hidden Layers
CN115623422A (zh) 三维战场辐射源定位跟踪方法
CN110895332B (zh) 一种扩展目标的分布式跟踪方法
Ou et al. An improved node localization based on adaptive iterated unscented Kalman filter for WSN
CN111447627A (zh) 一种基于差异进化遗传算法的wsn节点定位方法
CN113505456B (zh) 一种测量控制网优化设计方法
CN114440889B (zh) 一种针对实时兴趣区动态进化的多域集群协同导航方法
CN113095448B (zh) 一种实现异源多尺度轨迹链接的方法
Park et al. Time-dependent origin-destination estimation: Genetic algorithm-based optimization with updated assignment matrix

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