[发明专利]基于云模型下的概率语言术语集VIKOR理论的性能优选分析方法

权利要求书

1.基于云模型下的概率语言术语集VIKOR理论的性能优选分析方法，其特征在于包括以下步骤：

(1)将需要进行决策的各方案性能属性的文本评论语言得到的原始概率语言术语集进行标准化处理。若属性值为不同类型，则需首先将成本型全部转换成利益型属性再进行决策：

其中，R＝max r，L＝min r，r是语言术语的下标。

(2)利用高斯集成法将概率语言术语集转换成云模型。

其中：r_i为语言术语L⁽ⁱ⁾的下标，p_i为r_i的概率，Ex是期望，En是熵，He是超熵，En'是En的正态分布

(3)由云模型的新距离测度来确定正理想解和负理想解

任意给定两朵云C_i(Ex_i,En_i,He_i)和C_j(Ex_j,En_j,He_j)，建立云模型之间的距离测度为：

其中，

(4)计算各属性的客观权重来确定群体效用决策值(S_i)和个体遗憾值(R_i)。

(4-a)我们将使用信息熵的概念来计算各属性的客观权重。我们设定的语言评估集范围为[-τ,τ]，为保证熵的非负性，我们可用以下公式计算熵：

其中,

进而可得各属性权重：

(4-b)计算群体效用决策值(S_i)和个体遗憾值(R_i)。

其中，ω_j表示各属性对应的权重，满足f_ij(i＝1,2,...,n；j＝1,2,...,m)表示第i个备选方案的第j个属性值。而是基于利益型标准C_j的A_i个方案。

(5)根据群体效用决策系数v的取值来确定利益比率(Q_i)。

我们将v设定为：强化个体遗憾(v＝0.25)，同时最大化群体效用和个体遗憾(v＝0.5)，强化群体效用(v＝1)。

其中，v＞0.5时，表示根据S_i的大小进行处理，即越小越好；v＜0.5时，表示根据R_i的大小进行处理，即越大越好；v＝0.5时，表示同时取S_i的最小值和R_i的最小值。

(6)将各备选方案A_i(i＝1,2,...,n)根据Q_i值进行升序排列。Q_i的值越小，此方案越好。为保证最终最优方案的唯一性，所选方案必须同时满足以下两个条件：

条件1：可接受的优势条件。

a⁽¹⁾和a⁽²⁾是Q_i值排序在第一和第二的两个方案，n是总方案数。

条件2：可接受的决策可靠度。

a⁽¹⁾中的S_i和R_i值必须比a⁽²⁾中的S_i和R_i值排序靠前。

当这两个条件不能同时满足时：

(i)若不能满足条件1，则方案a⁽¹⁾,a⁽²⁾,...,a⁽ⁿ⁾是其折衷解。

其中a^(k)满足：

(ii)若不满足条件2，则方案a⁽¹⁾,a⁽²⁾是其折衷解。

(iii)特别地：只剩下两个方案且同时不满足条件1和条件2时，则根据上述结果无法直接比较优劣，因为只有两个方案时，如果两个方案各分配一个最大、最小值，归一化的结果就会出现0和1这种极端情况，那么Q_i(i＝1,2)的值只与v相关。因此，此时不做归一化处理，直接使用Q′_i进行比较。

Q′_i＝vS_i+(1-v)R_i