基于聚类算法的多属性复杂大群体决策方法研究

发布时间：2017-03-23 09:05

  本文关键词：基于聚类算法的多属性复杂大群体决策方法研究，由笔耕文化传播整理发布。

【摘要】： 多属性复杂大群体决策(Multi-attribute Complex Huge Group-decision，MCHGD)作为一种决策领域新的发展趋势，越来越被理论界和实业界所重视，它迫切需要相应决策方法来提供支持。因此，本文将从新的角度并基于聚类算法来研究多属性复杂大群体决策方法。 本文研究的群体复杂性主要体现在：复杂群体行为对群决策的影响、多方案群决策评判准则权重的确定、个体意见发散的一致性修正等，针对考虑以上群体复杂性的大群体高效集结，本文设计了一种改进的聚类算法(Minimum Fuzzy C-means，MFCM)，并提出了基于此算法的具有复杂群体行为的大群体决策方法、基于此算法及优化硬C-均值聚类算法(Weighted Hard C-means，WHCM)的群体一致性修正方法，同时还设计了基于多智能体(Multi-agent)和数据仓库(Data Warehouse，DW)的多属性复杂大群体决策支持系统(Multi-attribute Complex Huge Group-decision Support System，MCHGDSS)框架结构，实现了其中基于聚类算法的MCHGDSS，最后对中国网络消费行为群体决策进行了实证研究。 本文主要的研究成果如下： (1)提出了一种改进的聚类算法和基于此算法的具有复杂群体行为的大群体决策方法。本文提出一种将多种复杂群体行为对群决策的影响和大群体高效集结综合考虑的两阶段群体决策理论和方法。第一阶段为群体思维交互决策，通过设计群体思维的五阶段发展过程和基于民主型领导控制的多维空间冲突协调机制来控制复杂群体行为对群决策结果的影响；同时，为更好描述群体成员之间的关系，将群体成员视为一张图，用邻接矩阵表示成员之间的关系，应用MFCM中的全部最小连通支配集算法(Minimum Connected Donating Set Algorithm，MCDSA)得到控制整个群体的民主型领导成员集。第二阶段是群体集结，借助群体思维交互结果，将MFCM继续应用于多属性复杂大群体决策中，能有效解决600个以上成员的集结。接着，本文还定义了群体偏好矢量和群体一致性指标等概念，利用熵权法得到多方案群决策评判准则权重，给出多属性复杂大群体决策结果，最后通过计算机仿真实验和与其它方法的对比分析验证了该方法的有效性和正确性。 作为以上新方法的技术基础，，本文针对传统模糊C-均值聚类算法(Puzzy C-means，u=中存在的大数据量算法耗时和局部极值等问题，结合图论中最小连通支配集理论给出了一种新的聚类算法MFCM。改进的MFCM算法一方面可以辅助大规模群体集结，另方面由于采用了图论理论，可从关联、控制的角度较好描述复杂群体行为对群决策的影响。 (2)提出了基于聚类算法的群体一致性修正方法。针对某个决策方案，本文从新的角度提出了一种基于聚类算法、且能面向较大规模群体、考虑成员学习进化能力并有效收敛群体意见的群体一致性修正方法。本文认为群体一致性修正是一个包含多轮决策过程的不断进化过程，并设计了群体成员学习进化决策程序；接着，利用群体成员相似性和群体一致性的紧密关系，借助一种能够处理大数据量聚类的C-均值类型聚类算法，通过梯度下降法以逐步优化属性权重，并逐渐修正群体一致性来避免因个别成员意见偏离太大而引起的群决策失误；最后通过计算机仿真和实验对比分析验证了该方法的正确、有效性。经过群体一致性修正后，可继续利用基于聚类算法的具有复杂群体行为的大群体决策方法进行决策。 (3)提出了一种新的数据挖掘关联算子模型。分布、异构式的多属性复杂大群体决策支持系统需要利用数据挖掘手段获取面向主题的、概括和聚集的信息，本文基于Anindya Datta等提出的一种实现数据挖掘分析的代数模型，通过增加新的关联算子在跨多个多维立方体的分析方面拓展了这个模型。
【关键词】：多属性复杂大群体 群决策方法 群体一致性修正 群体决策支持系统 改进的聚类算法
【学位授予单位】：中南大学
【学位级别】：博士
【学位授予年份】：2006
【分类号】：C934
【目录】：

• 摘要4-6
• Abstract6-11
• 第1章 绪论11-38
• 1.1 选题背景与研究意义11-14
• 1.2 文献研究综述14-30
• 1.2.1 多属性群体决策文献研究综述14-25
• 1.2.2 C-均值聚类算法及其中几个问题的文献研究综述25-29
• 1.2.3 研究现状评述29-30
• 1.3 研究范围的界定、逻辑结构与主要工作30-35
• 1.3.1 研究范围的界定30-31
• 1.3.2 逻辑结构与主要工作31-35
• 1.4 主要创新点35-38
• 第2章 支持多属性复杂大群体决策的聚类算法38-50
• 2.1 基于目标函数聚类中聚类类别数的确定方法38-39
• 2.2 改进的聚类算法MFCM39-46
• 2.2.1 最小连通支配集理论及全部最小连通支配集算法MCDSA39-45
• 2.2.2 模糊C-均值聚类算法FCM45
• 2.2.3 引入最小连通支配集理论的改进的聚类算法MFCM45-46
• 2.3 实验结果及其对比分析46-49
• 2.3.1 连通支配点数与总点数的关系47
• 2.3.2 算法效率和稳定性对比分析47-49
• 2.4 本章小结49-50
• 第3章 基于聚类算法的具有复杂群体行为的大群体决策方法50-87
• 3.1 聚类辅助群集结的几种方法及分析50-57
• 3.2 基于聚类算法的两阶段群体决策理论及方法57-75
• 3.2.1 基于聚类算法的群体思维交互决策阶段57-68
• 3.2.2 基于聚类算法的群体集结决策阶段68-75
• 3.3 算例及其实验结果对比分析75-85
• 3.3.1 单方案群体决策算例及实验对比分析75-84
• 3.3.2 多方案群体决策算例84-85
• 3.4 本章小结85-87
• 第4章 基于聚类算法的群体一致性修正方法87-102
• 4.1 群体一致性修正的几种方法及分析87-92
• 4.2 基于聚类算法的群体一致性修正方法92-98
• 4.2.1 成员学习进化决策程序92-93
• 4.2.2 基于WHCM的属性权重进化群体一致性修正方法93-96
• 4.2.3 经过一致性修正之后的多属性复杂大群体决策相关定义96-98
• 4.3 实验结果及其对比分析98-101
• 4.3.1 有效性和正确性对比分析98-100
• 4.3.2 经修正之后的群体一致性指标改进对比分析100-101
• 4.4 本章小结101-102
• 第5章 多属性复杂大群体决策支持系统中有关问题研究102-115
• 5.1 基于Multi-Agent和DW的MCHGDSS系统设计102-110
• 5.1.1 Multi-Agent的实现机制103-105
• 5.1.2 MCHGDSS的数据仓库应用105-110
• 5.1.3 基于Multi-Agent和DW的MCHGDSS110
• 5.2 基于改进聚类算法的MCHGDSS系统实现110-114
• 5.2.1 开发思路111
• 5.2.2 功能结构111-112
• 5.2.3 系统运行界面112-114
• 5.3 本章小结114-115
• 第6章 中国网络消费行为群体决策实证研究115-128
• 6.1 中国网络消费行为群体决策需求分析115-118
• 6.1.1 中国网络消费群体属于多属性复杂大群体115-116
• 6.1.2 网络消费行为研究理论框架116-117
• 6.1.3 中国网络消费行为复杂大群体决策的必要性117-118
• 6.2 中国网络消费行为群体决策实例118-123
• 6.2.1 调研数据的获取118-119
• 6.2.2 网络消费行为群体决策实例119-123
• 6.3 实证结果及其对比分析123-127
• 6.3.1 本文的实证结果分析123-126
• 6.3.2 实证结果对比分析126-127
• 6.4 本章小结127-128
• 第7章 研究总结与展望128-133
• 7.1 本文研究工作总结128-131
• 7.2 存在的不足与研究展望131-133
• 参考文献133-149
• 附录1 基于改进聚类算法MCHGDSS中部分类的属性及方法149-154
• 附录2 中国网络消费行为群体决策调查问卷154-155
• 致谢155-157
• 攻读博士学位期间主要研究成果157-158

【引证文献】

中国博士学位论文全文数据库 前2条

1 陈可;基于不确定模糊判断矩阵及序关系的群决策方法研究[D];中南大学;2010年

2 毕文杰;基于粗糙集与贝叶斯理论的不确定信息群决策方法研究[D];中南大学;2008年

中国硕士学位论文全文数据库 前5条

1 熊立春;基于Multi-agent的城市应急联动协同系统研究[D];中南大学;2010年

2 高琪;基于多智能体流域跨界环境风险协同决策模型与程序设计[D];哈尔滨工业大学;2011年

3 刘莹;核电站事故应急协同决策结果一致性与极化现象研究[D];哈尔滨工程大学;2012年

4 张丽丽;双重信息下大规模群体的聚类及集结模型研究[D];南京航空航天大学;2012年

5 郭卓彦;基于群决策理论的公共项目投资决策方法研究[D];湘潭大学;2012年

  本文关键词：基于聚类算法的多属性复杂大群体决策方法研究，由笔耕文化传播整理发布。

本文编号：263369