您的位置: 主页 > VRZINC > 变形金刚横行末世:基于神经网络的复杂多属性决策

变形金刚横行末世:基于神经网络的复杂多属性决策

时间: 2019-01-23阅读:

摘要:针对复杂多属性决策问题,本文提出了基于神经网络方法来确定属性权重。神经网络具有自学习功能,该方法使权重确定更加准确、合理。

关键词:多属性决策;神经网络;属性权重

中图分类号:TP391 文献标识码:A 文章编号:1009-3044(2018)25-0206-02

Complex Multi-attribute Decision-making Based on Neural Network

WU Chun-liu 1, ZHANG Quan 1, XIU Hong-wei 2

(1.Faculty of Information Engineering,Shen Yang University of Technology, Shenyang 110870, China; 2.Shenyang JianZhu University, Shenyang 110168,China)

Abstract: For complex multi-attribute decision-making problems, this article proposes a method based on neural network to determine attribute weights. The neural network has self-learning function.This method makes the weight determination more accurate and reasonable.

Key words: Multi-attribute decision-making; neural network;attribute weight

多属性决策是指参考多个属性评价备选方案并择优的组织行为[1]。关于确定属性权重的研究很多,但罕见基于神经网络的方法。本文提出了基于神经网络方法来确定属性权重。神经网络具有自调整、自学习功能,该方法使权重分配更加合理,与传统方法比减少了运算时间。

1 问题描述

记S={s1,…,sm}(m>=2)表示决策方案集合,C={c1,…,cn}(n>=2)表示属性的集合。将专家给出的决策矩阵A规范化为矩阵B,并且对决策s1,...,sm方案的总体偏好给出方案的偏好序R=(r1,...,rm),规范化得到偏好值y1,..,ym,([yi=m-rim-1])。Si的综合评价值与yi之间的距离定义为:[dis=j=1nwjbij-yi2,i=1,…,m]

2 提出的神经网络方法

为了求出使距离函数dis最小的属性权重,建立以下決策模型:

[minj=1nwjbij-yj2,i=1,…,ms.tj=1nwj=10≤wj≤1,j=1,…,n] (1)

本文采用自适应线性神经网络求权重,它是一个由输入层与输出构成的简单的前馈型的网络,自适应线性神经网络的学习是一种典型的有教师学习,其需采用Widrow-Hoff学习规则,即LMS学习规则。利用期望输出与实际输出之差来修正网络之间的权重[2-3]。根据决策模型(1) 建立如下神经网络结构:

根据神经网络结构,则构建其对于m个训练样本的性能指标函数为:

[J=i=1mJi=12i=1myi-Ii2=12i=1me2i]

输入层节点:属性的个数作为输入层节点数,即n个输入神经元,输入数据为矩阵B 中的行向量(bi1,…bin) ,i=1,...,m,m为方案数,m个向量作为训练样本。

输出层节点:本文只设一个输出层节点,代表综合评价Ii。期望输出为偏好值yi。输入层与输出层之间的连接权重为wj[n*1]。

3 结论

传统的权重确定方法主要有主观与客观赋权法两类,但都具有局限性[4]。本文通过神经网络的设计得出了多属性决策的属性权重,神经网络在多属性决策中将有很大的发展前景。

参考文献:

[1] 张全.复杂多属性决策研究[M].沈阳:东北大学出版,2008.

[2] 李国勇.智能预测控制及其matlab实现[M].2版.电子工业出版社,2010.1.

[3] 毛权等.基于神经网络的多属性决策方法[J].系统工程,1993,11(1):31-37.

[4] 程平,刘伟.多属性群决策中一种基于主观偏好确定属性权重的方法[J].控制与决策,2010,25(11):1645-1656.

【通联编辑:唐一东】

上一篇:葵司 快播:互联网+和双创背景下电子商务课程教学改革
下一篇:没有了

相关阅读