论文部分内容阅读
这篇论文主要研究模糊信息集成的方法，包括一型模糊信息集成方法及区间二型模糊信息集成方法，并把二型模糊信息集成应用到多人递阶决策问题中。 在一型模糊信息集成方法中，论文介绍三种算子：模糊加权平均算子(FWA)、一型有序加权平均算子(T1OWA)和有序模糊加权平均算子(OFWA)。三种算子的变量与权重同为一型模糊数。在模糊加权平均算子(FWA)中，论文系统分析了目前普遍使用的基于Alpha切割的FWA算法及最新提出的基于解析法的FWA算法。基于Alpha切割的FWA算法是离散算法，其计算量特别大、计算复杂，并且连接离散的点形成的最终集成的结果不精确，不利于对集成结果性质的分析。基于解析法的FWA算法计算简便快捷，不仅大大地降低了计算量，还能得到计算结果的准确表达式，方便对集成成果的理论分析。一型有序加权平均算子(T1OWA)与FWA增加了排序过程。针对T1OWA目前只有基于Alpha-Level的离散近似算法。为了能够得到T1OWA精确地结果，论文在基于解析法求解FWA的算法基础上，提出基于解析法的T1OWA算法，提高T1OWA的计算效率及准确性。OFWA和T1OWA有相似之处，二者不同主要在于变量的排序方式。针对OFWA，论文把基于解析法的FWA算法应用到OFWA求解中，并得到了不同于目前离散近似算法的其解析解表达式。 二型模糊信息集成中，变量与其对应的权重都是二型模糊数。二型模糊数以一型模糊数为基础，所以，二型模糊信息集成方法同样以一型模糊信息集成方法为基础。论文接着阐述了三种二型模糊信息集成算子：语言加权平均算子(LWA)、二型有序加权平均算子(T2OWA)和语言有序加权平均算子(OLWA)。语言加权平均算子(LWA)与一型模糊信息集成算子模糊加权平均算子(FWA)有密切联系。论文根据FWA与LWA的联系，提出基于解析法的LWA求解方法。针对二型有序加权平均算子(T2OWA)，论文根据其与一型有序加权平均算子(T1OWA)的关系，在基于解析法的T1OWA算法的基础上推出基于解析法的T2OWA算法。采用类似的思想。论文分析了语言有序加权平均算子(OLWA)中与T2OWA的差别，并且在基于解析法的T2OWA算法基础上，推出基于解析法的OLWA算法。 最后，论文将有关结果运用到多人递接决策的供应商选择问题中。因为决策者看问题角度及对指标的理解不同，供应商评价指标、指标权重及决策者的权重等用二型模糊语言变量集描述。论文论文选用语言加权平均算子(LWA研究了多人递阶决策供应商评价问题)。