基于图片模糊集和粒子群优化权重的模糊多属性决策制造技术

本发明专利技术公开了一种基于图片模糊集和粒子群优化权重的模糊多属性决策。实施方法包括：通过图片模糊加权平均算子，将多个专家决策矩阵聚集，构成初始决策矩阵；通过基于图片模糊数的熵权法，计算属性初始权重；初始化粒子位置、速度和聚类中心；更新隶属度矩阵并计算目标函数值；更新粒子个体最优位置、全局最优位置、速度、位置和聚类中心矩阵；迭代执行直至满足终止条件，将全局最优粒子的位置作为最终决策属性权重，并根据其所对应的隶属度矩阵，对方案集进行划分；通过TOPSIS法对最优方案集排序。本发明专利技术解决了属性客观权重未知和大数据时代所带来的巨大计算复杂性问题，可应用于多属性决策场景，例如环保企业选择、项目投资等。项目投资等。项目投资等。

【技术实现步骤摘要】
基于图片模糊集和粒子群优化权重的模糊多属性决策


[0001]本专利技术提供一种基于图片模糊集和粒子群优化权重的模糊多属性决策，涉及社会经济和工程
中广泛存在的多属性决策问题，属于数据挖掘
和方案决策


技术介绍

[0002]模糊多属性决策是决策领域的重要组成部分，主要广泛应用于包含多个属性的有限备选方案的决策问题，其中对每个备选方案的评价信息一般采用模糊数或模糊语言来进行表示。图片模糊集综合考虑了决策者在实际情景下对备选方案评估时表现出的支持、反对、弃权和中立四种评判，以隶属度、非隶属度、放弃度和犹豫度来进行表示，表达了决策者在决策时的模糊性和不确定性，有利于决策者做出更加合理的判断。粒子群算法作为群体智能算法，粒子个体之间既保持相互协作，又保持独立搜索，因此使得算法具有寻优速度快，收敛精度高的优点，将其应用到模糊多属性决策领域，对决策属性权重寻优，降低了主观确定属性权重的不合理性。TOPSIS法根据备选方案与理想方案之间的贴近度来对方案集进行综合排序，贴近度值越大则方案越优，是一种逼近理想解的多目标排序方法。

技术实现思路

[0003]专利技术目的：在大数据时代随着数据量的增多带来了巨大计算复杂性问题，同时在图片模糊多属性决策问题中由于存在决策属性客观权重未知的情况，导致在决策过程中人为指定决策属性权重，致使决策结果不够准确，因此针对以上问题，将数据挖掘领域中的模糊C均值、粒子群优化与基于图片模糊集的多属性决策问题相结合，通过粒子群优化策略最小化FCM目标函数，使决策属性权重和聚类协同优化，从而得到合理的方案集划分，最后采用TOPSIS结合PSO搜索的权重对最佳方案集进行排序。本专利技术有效降低了决策者工作量和主观确定属性权重的不合理性。
[0004]为实现上述目的，如图1所述为本专利技术的基本流程图，该方法包括以下步骤：
[0005]S1：通过专家权重和图片模糊加权平均算子，将多个专家决策矩阵进行聚集，构成图片模糊初始决策矩阵；
[0006]S2：通过图片模糊初始决策矩阵和基于图片模糊数的熵权法，计算决策属性权重；
[0007]S3：粒子位置初始化，将第一个粒子位置初始化为由S2所得到的决策属性权重，其余粒子位置在决策属性权重指定变化范围内取随机数。粒子速度初始化，在最小速度和最大速度范围内取随机数；
[0008]S4：从方案集中随机选择若干个方案作为初始聚类中心；
[0009]S5：更新隶属度矩阵，计算目标函数值；
[0010]S6：首先更新粒子个体最优位置和全局最优位置，然后更新粒子速度和位置；
[0011]S7：更新聚类中心矩阵；
[0012]S8：重复执行S5至S7，直至满足终止条件；
[0013]S9：输出全局最优粒子的位置作为最终决策属性权重，根据全局最优粒子所对应的隶属度矩阵，对方案集进行划分；
[0014]S10：对最优方案集通过TOPSIS方法进行择优和排序。
[0015]所述步骤S1中的图片模糊初始决策矩阵为R＝(r
ij
)
n
×
q
，假设有n个备选方案和q个决策属性，记方案集X＝{X1，X2，...，X
n
}，属性集C＝{C1，C2，...，C
q
}，决策属性权重W＝{w1，w2，...，w
q
}，且满足w
j
∈[0，1]，j＝1，2，...，q，专家集合E＝{e1，e2，...，e
s
}，专家权重θ＝{θ1，θ2，...，θ
s
}，且满足θ
j
∈[0，1]，j＝1，2，...，s，方案X
i
在属性C
j
下的评价值记为r
ij
，r
ij
＝(μ
ij
，η
ij
，v
ij
)，i＝1，2，...，n，j＝1，2，...，q，r
ij
为图片模糊数，其中，μ
ij
∈[0，1]为隶属度，η
ij
∈[0，1]为犹豫度，v
ij
∈[0，1]为非隶属度，且满足约束条件0≤μ
ij
+η
ij
+v
ij
≤1，π
ij
＝1
‑
μ
ij
‑
η
ij
‑
v
ii
为弃权度，图片模糊加权平均算子(PFWA)公式如下
[0016][0017]其中表示第t个专家在方案X
i
和属性C
j
下的评价值，i＝1，2，...，n，j＝1，2，...，q。
[0018]所述步骤S2中基于图片模糊数的熵权法计算公式如下
[0019][0020][0021][0022][0023]其中ω
j
为根据该熵权法所计算出的决策属性权重，具体执行步骤为依次执行公式(2)至(5)。
[0024]所述步骤S3中假设共有N个粒子，第一个粒子位置初始化为x1＝(ω1，ω2，...，ω
q
)，其余粒子位置初始化为如下
[0025]x
i
＝(rand(ω1‑
ω1*20％，ω1+ω1*20％)，...，rand(ω
q
‑
ω
q
*20％，ω
q
+ω
q
*20％))(6)
[0026]速度初始化为v
i
＝(rand(V
min
，V
max
)，rand(V
min
，V
max
)，...，rand(V
min
，V
max
))，其中，rand()为随机函数，V
min
为最小速度，V
max
为最大速度，i＝1，2，...，N。
[0027]所述步骤S4中假定共有m个聚类中心，从方案集X中随机选择m个方案作为初始聚类中心P＝{P1，P2，...，P
m
}，P
i
∈X，i＝1，2，...，m。
[0028]所述步骤S5中隶属度更新公式如下
[0029][0030][0031][0032]目标函数为b为模糊加权指数，一般取2。
[0033]所述步骤S6中全局最优位置g
best
更新原则为，比对每个粒子所对应的J
WFCM
函数值，取具有最小值粒子的位置作为全局最优位置，个体最优位置更新原则为，比对个体粒子的历史J
WFCM
函数值，取最小值所对应的位置作为个体最优位置，其中i＝1，2，...，N，粒子速度和位置，具体更新公式如下
[0034][0035][0036]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图片模糊集和粒子群优化权重的模糊多属性决策，其特征在于：包括以下步骤：S1：通过专家权重和图片模糊加权平均算子，将多个专家决策矩阵进行聚集，构成图片模糊初始决策矩阵；S2：通过图片模糊初始决策矩阵和基于图片模糊数的熵权法，计算决策属性权重；S3：粒子位置初始化，将第一个粒子位置初始化为由S2所得到的决策属性权重，其余粒子位置在决策属性权重指定变化范围内取随机数。粒子速度初始化，在最小速度和最大速度范围内取随机数；S4：从方案集中随机选择若干个方案作为初始聚类中心；S5：更新隶属度矩阵，计算目标函数值；S6：首先更新粒子个体最优位置和全局最优位置，然后更新粒子速度和位置；S7：更新聚类中心矩阵；S8：重复执行S5至S7，直至满足终止条件；S9：输出全局最优粒子的位置作为最终决策属性权重，根据全局最优粒子所对应的隶属度矩阵，对方案集进行划分；S10：对最优方案集通过TOPSIS方法进行择优和排序。2.如权利要求1所述的基于图片模糊集和粒子群优化权重的模糊多属性决策，其特征在于：所述步骤S1中的图片模糊初始决策矩阵为R＝(r
ij
)
n
×
q
，假设有n个备选方案和q个决策属性，记方案集X＝{X1，X2，...，X
n
}，属性集C＝{C1，C2，...，C
q
}，决策属性权重W＝{w1，w2，...，w
q
}，且满足w
j
∈[0，1]，1]，专家集合E＝{e1，e2，...，e
s
}，专家权重θ＝{θ1，θ2，...，θ
s
}，且满足θ
j
∈[0，1]，j＝1，2，...，s，方案X
i
在属性C
j
下的评价值记为r
ij
，r
ij
＝(μ
ij
，η
ij
，v
ij
)，i＝1，2，...，n，j＝1，2，...，q，r
ij
为图片模糊数，其中，μ
ij
∈[0，1]为隶属度，η
ij
∈[0，1]为犹豫度，v
ij
∈[0，1]为非隶属度，且满足约束条件0≤μ
ij
+η
ij
+v
ij
≤1，π
ij
＝1
‑
μ
ij
‑
η
ij
‑
v
ij
为弃权度，图片模糊加权平均算子(PFWA)公式如下其中表示第t个专家在方案X
i
和属性C
j
下的评价值，i＝1，2，...，n，j＝1，2，...，q。3.如权利要求1所述的基于图片模糊集和粒子群优化权重的模糊多属性决策，其特征在于：所述步骤S2中基于图片模糊数的熵权法计算公式如下所述步骤S2中基于图片模糊数的熵权法计算公式如下所述步骤S2中基于图片模糊数的熵权法计算公式如下所述步骤S2中基于图片模糊数的熵权法计算公式如下其中ω
j
为根据该熵权法所计算出的决策属性权重，具体执行步骤为依次执行公式(2)至(5)。
4.如权利要求1所述的基于图片模糊集和粒子群优化权重的模糊多属性决策，其特征在于：所述步骤S3中假设共有N个粒子，第一个粒子位置初始化为x1＝(ω1，ω2，...，ω
q
)，其余粒子位置初始化为如下x
i
＝(rand(ω1‑
ω1*20％，ω1+ω1*20％)，...，rand(ω
q
‑
ω
q
*20％，ω
q
+ω
q
*20％))(6)速度初始化为v
i
＝(rand(V
min
，V
max
)，rand(V
min

【专利技术属性】
技术研发人员：刘欢，吕强，肖小，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：