本文關(guān)鍵詞：基于貝葉斯理論的隨機(jī)多準(zhǔn)則群決策方法研究

  更多相關(guān)文章： 隨機(jī)多準(zhǔn)則群決策 貝葉斯理論 MCMC模擬 Credal網(wǎng)絡(luò)

【摘要】： 多準(zhǔn)則決策是現(xiàn)代決策科學(xué)的重要組成部分。由于客觀事物本身的復(fù)雜性和人類認(rèn)識能力的局限性,要獲取準(zhǔn)確的準(zhǔn)則值是非常困難的,因此實(shí)際的多準(zhǔn)則決策問題常常伴有隨機(jī)性。為了進(jìn)一步提高決策的準(zhǔn)確性,避免個體判斷的失誤,通常都由群體進(jìn)行決策。隨機(jī)多準(zhǔn)則群決策(也稱為風(fēng)險(xiǎn)型多準(zhǔn)則群決策問題)是決策科學(xué)中一個重要的研究內(nèi)容。本文在分析國內(nèi)外關(guān)于貝葉斯理論和隨機(jī)多準(zhǔn)則決策理論的基礎(chǔ)上,對基于貝葉斯理論的隨機(jī)多準(zhǔn)則群決策問題進(jìn)行了較深入的研究,主要內(nèi)容如下： 首先研究了基于MCMC模擬的隨機(jī)多準(zhǔn)則群決策問題,對正態(tài)分布、指數(shù)分布、χ2分布的隨機(jī)信息,利用MCMC模擬集結(jié)個體隨機(jī)偏好,得到群體偏好,然后再利用已有的隨機(jī)多準(zhǔn)則決策思想獲得方案的排序。 然后運(yùn)用拓展的貝葉斯網(wǎng)絡(luò)——Credal網(wǎng)絡(luò)處理準(zhǔn)則相關(guān)情況下的多準(zhǔn)則群決策問題,通過Credal網(wǎng)絡(luò)推理將復(fù)雜的決策問題轉(zhuǎn)化為區(qū)間數(shù)隨機(jī)多準(zhǔn)則決策問題,之后結(jié)合隨機(jī)優(yōu)勢和概率優(yōu)勢,運(yùn)用SIR排序方法對方案進(jìn)行排序。 這些決策方法豐富和完善了隨機(jī)多準(zhǔn)則決策理論和方法,提高了決策的科學(xué)性和合理性,具有理論和實(shí)踐兩方面的意義。
【關(guān)鍵詞】：隨機(jī)多準(zhǔn)則群決策 貝葉斯理論 MCMC模擬 Credal網(wǎng)絡(luò)
【學(xué)位授予單位】：中南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2009
【分類號】：C934
【目錄】：

• 摘要3-4
• ABSTRACT4-7
• 第1章 緒論7-14
• 1.1 引言7-9
• 1.1.1 研究背景7-8
• 1.1.2 研究目的及意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-12
• 1.2.1 隨機(jī)多準(zhǔn)則決策研究現(xiàn)狀9-10
• 1.2.2 不確定偏好信息集結(jié)研究現(xiàn)狀10-12
• 1.3 研究內(nèi)容和邏輯結(jié)構(gòu)12-14
• 第2章 理論基礎(chǔ)14-23
• 2.1 連續(xù)隨機(jī)變量下的貝葉斯定理14-15
• 2.2 貝葉斯分析15
• 2.3 先驗(yàn)信息15-17
• 2.3.1 共軛先驗(yàn)分布15-17
• 2.3.2 無信息先驗(yàn)分布17
• 2.4 Markov chain Monte Carlo模擬17-18
• 2.5 貝葉斯網(wǎng)絡(luò)和Credal網(wǎng)絡(luò)18-21
• 2.5.1 貝葉斯網(wǎng)絡(luò)18-19
• 2.5.2 Credal網(wǎng)絡(luò)19-21
• 2.6 隨機(jī)優(yōu)勢與概率優(yōu)勢21-23
• 第3章 正態(tài)隨機(jī)變量多準(zhǔn)則群決策方法23-33
• 3.1 MCMC模擬Gibbs抽樣算法24-25
• 3.2 基于MCMC模擬Gibbs抽樣的正態(tài)隨機(jī)變量概率集結(jié)方法25-30
• 3.2.1 不存在相關(guān)性的正態(tài)分布隨機(jī)變量概率集結(jié)方法25-27
• 3.2.2 專家間有相關(guān)性的正態(tài)隨機(jī)變量概率集結(jié)27-28
• 3.2.3 方法比較28-30
• 3.3 正態(tài)分布隨機(jī)變量多準(zhǔn)則群決策步驟30-31
• 3.4 算例31-33
• 第4章 混合隨機(jī)變量多準(zhǔn)則群決策方法33-43
• 4.1 Metropolis-Hastings算法33-35
• 4.1.1 隨機(jī)游走M(jìn)etropolis-Hastings算法34
• 4.1.2 算法實(shí)現(xiàn)34-35
• 4.2 基于MCMC模擬Metropolis-Hastings算法的概率集結(jié)方法35-38
• 4.2.1 Gamma分布變量的概率集結(jié)35-36
• 4.2.2 指數(shù)分布的概率集結(jié)36-37
• 4.2.3 χ~2分布的概率集結(jié)37-38
• 4.3 混合隨機(jī)變量多準(zhǔn)則決策方案排序38-40
• 4.3.1 基于概率指標(biāo)的多準(zhǔn)則排序方法38-39
• 4.3.2 考慮決策者風(fēng)險(xiǎn)偏好的多準(zhǔn)則排序方法39-40
• 4.4 算例40-43
• 第5章 基于credal網(wǎng)絡(luò)的不確定環(huán)境多準(zhǔn)則群決策方法43-51
• 5.1 基于Credal網(wǎng)絡(luò)的不確定推理43-44
• 5.2 不確定環(huán)境下的多準(zhǔn)則決策方法44-47
• 5.2.1 問題描述44
• 5.2.2 基于Credal網(wǎng)絡(luò)的準(zhǔn)則值確定方法44-45
• 5.2.3 區(qū)間數(shù)隨機(jī)多準(zhǔn)則決策方法45-47
• 5.3 算例47-51
• 結(jié)束語51-53
• 附錄53-56
• 參考文獻(xiàn)56-62
• 致謝62-63
• 攻讀學(xué)位期間主要研究成果63

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前8條

1 姚升保,岳超源,張鵬,吳春誠;風(fēng)險(xiǎn)型多屬性決策的一種求解方法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年11期

2 王春峰,蔣祥林,李剛;基于隨機(jī)波動性模型的中國股市波動性估計(jì)[J];管理科學(xué)學(xué)報(bào);2003年04期

3 王應(yīng)明,傅國偉;運(yùn)用無限方案多目標(biāo)決策方法進(jìn)行有限方案多目標(biāo)決策[J];控制與決策;1993年01期

4 林靜;韓玉啟;朱慧明;;一種基于MCMC穩(wěn)態(tài)模擬的貝葉斯索賠校正模型[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2005年10期

5 田軍,何德權(quán),黃登仕;基于多準(zhǔn)則隨機(jī)DEA模型的投資決策評價方法及應(yīng)用[J];中國管理科學(xué);2000年04期

6 姚升保;岳超源;;基于綜合賦權(quán)的風(fēng)險(xiǎn)型多屬性決策方法[J];系統(tǒng)工程與電子技術(shù);2005年12期

7 王堅(jiān)強(qiáng);信息不完全的多準(zhǔn)則決策的SIR方法[J];系統(tǒng)工程與電子技術(shù);2004年09期

8 姚升保;;基于隨機(jī)優(yōu)勢與概率優(yōu)勢的風(fēng)險(xiǎn)型多屬性決策方法[J];預(yù)測;2007年03期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 姚升保;風(fēng)險(xiǎn)型多屬性決策的理論、方法及應(yīng)用研究[D];華中科技大學(xué);2006年

，

本文編號：643714