基于偏好信息学习引导的混合性能指标智能优化决策模型与方法研究

The hybrid-indices decision making problems widely residing in the enterprise operational optimization activities are complicately characterized by the main aspects as inclusion of unstructured tacit objectives,noise prefrence fitness of solutions, large search domain of solution space and the support of group decision making, which disables traditional optimizaion decision making methods and needs apporiate and effective interactive decision making methods. In this project, the intelligent interacitive optimization decision making approaches are studies through the following research outlines: ①intelligent interactive multiobjective optimization models with machine forecasting model for tacit fitness; ②integrated multiple-machine models for forecasting of tacit fitness to reduce the influence of noisy prefrence fitness of solutions; ③ critical techniques for effectively improving the efficiency of interactive decision making methods by research of adaptive hybrid evolutionary operators and intelligent interactive multiobjective optimization algorithms without the restriction of small population in interactive decision making environment; ④intelligent interactive group decision making models and methods guided by induced hybridly aggregated preference information and corresponding group decision support system. The research proposed in this project originates in the natural tendency of research for the complex decision making problems with tacit objectives and the urgent needs in the enterprise operational optimization activities, and so are of great significance theoretically and practically.

混合性能指标决策问题是一类广泛存在于管理优化决策领域中的复杂决策问题,具有决策目标难以完全数量化/结构化表示、决策者的偏好适应值具有噪声、问题决策空间大且可行方案数目多、群体决策等主要特征,需采用交互式决策机制,使得传统优化决策方法难以直接应用求解。本项目从决策模型与方法、问题处理流程机制与支持系统等方面深入研究基于偏好信息学习引导的混合性能指标智能优化决策模型、方法与关键支撑技术,具有重要理论意义,主要研究内容包括:①具有隐式性能指标适应值机器预测模型的交互式智能多目标优化决策模型②降低适应值"噪声"影响的单/多机器预测模型集成方法③有效提高决策绩效的自适应复合进化算子以及突破小种群限制的交互式智能多目标算法等关键支撑技术④基于诱导集结偏好信息学习引导的混合性能指标智能群体决策模型、方法及决策支持系统;所开发智能决策方法能够满足企业管理实践中提升核心竞争力的迫切需求,亦具有重要实际价值。

在管理决策领域中广泛存在着一类决策目标同时包含显式性能指标与隐式性能指标的混合性能指标优化决策问题，传统方法无法加以直接应用求解，故本项目从问题特征出发研究适合此类问题求解的基于偏好信息引导的交互式智能优化决策模型与方法。注意到日趋增加的评价决策活动中的复杂性使得决策者（专家）往往不能或者不愿意以离散值等精确数方式进行偏好表达，且往往单个决策者由于自身专业局限性等原因不能较为全面的考察评价对象，故本项目第一条技术主线为研究适合不同复杂不确定决策环境的信息集结算子及其多属性（群）决策模型与方法：研究提出了区间直觉模糊广义集结算子、直觉模糊偏好关系集结算子、三角直觉模糊集结算子、直觉梯形模糊集结算子以及区间双边犹豫模糊信息集结算子等，并基于这些算子提出了基于直觉模糊判断矩阵的多属性群决策方法、基于TOPSIS的犹豫模糊多属性群决策方法、具有犹豫模糊语言信息的多属性决策方法、区间直觉模糊环境下基于广义交叉熵测度的多属性群决策方法、基于双犹豫模糊环境下的拓展VIKOR与拓展TOPSIS多属性决策方法等。为了提高混合性能指标优化决策问题的求解效率，项目研究的第二条技术主线集中在具有高优化绩效减轻隐式性能指标适应值噪声影响的交互式智能优化决策模型上：研究提出了具有自适应轮盘反转算子的多智能体粒子群优化算法、具有Lévy飞行特征的多智能体Bat多目标算法；具有单/多机器预测模型的交互式智能优化决策模型的通用框架，基于具有BP神经网络分类预测模型的交互式决策模型方法，以及区间语言群决策环境下基于网格神经网络分类预测器和混合策略多目标优化算法的交互式智能群决策模型方法。在模型验证方面，项目研究基于Java与Matlab协同平台构建了服装选购推荐实验系统、汽车前瞻配件个性化定制仿真系统、工作间布局设计原型系统。总体来说，本项目研究工作为支持混合性能指标优化决策问题的求解提供了可行有效的模型与方法，也丰富了智能决策理论内容。后期工作将集中在对研究成果的完善及以问题为导向的应用推广。