[发明专利]一种基于云模型的评估指标熵权配置方法

说明书

本发明提供一种基于云模型的评估指标熵权配置方法，所述方法包括：在极大熵准则下构建目标函数，将评估指标绝对权重的先验知识和多评估对象相对能力排序进行量化并构建约束条件，形成权重配置优化模型；运用云模型将具有随机性与模糊性的定量数据转换定性概念，在TOPSIS法框架下，通过正负理想解构建、加权云矩阵构建和基于正负向距离的相对综合能力评估，构建多评估对象的相对综合能力量化模型，并以此更新约束条件，得到最终不确定信息下的权重配置优化模型；对于权重配置优化模型，基于模拟退火算法，在基于蒙特卡洛迭代求解策略下进行全局随机寻优，最终得到最优权重解。本发明解决了现有算法模型不能应用于非凸优化的问题。

技术领域

本发明涉及不确定性人工智能、智能优化与效能评估的交叉技术领域，具体而言，涉及一种基于云模型的评估指标熵权配置方法。

背景技术

在针对评估对象的效能评估中，经常存在评估指标量化数据的随机性和模糊性，即信息具有不确定性。云模型作为解决上述不确定性问题的一种模型得到了广泛应用，在这些评估方法中都需要对权重进行设置。目前指标权重的确定多数为主观赋权法和客观赋权法，其中主观赋权法包括层次分析法、属性层次模型、德尔菲法、专家评价法等，但其确定的权重主观性较强且赋权较粗劣；客观赋权法包括标准间冲突性相关性赋权法、灰色关联法、相似系数法、熵权法等，虽然它们充分利用了积累的历史数据和准确量化的数学理论，但是却忽视了决策者的主观信息并且赋权的结果过于依赖历史信息。这些赋权算法可能会淹没一些重要的指标项或是凸显了一些不重要的指标项，最终导致评估结果严重失真。

学者们为解决上述两种赋权方法的缺点问题，研究采用主客观相结合方式对评估指标进行配置赋权的算法，因此基于极大熵准则的权重配置模型进而被提出。上述主要研究工作包括：提出了基于灰关联深度系数的极大熵权重配置模型，但所提出的方法在不同指标灰关联深度系数比较集中时，会导致配置模型不存在最优解；通过构建灰色敏感度系数，通过极大熵准则，提出了多属性决策指标权重配置模型，并推导出了解析解；利用灰色类别差异特征进行区分不同评估对象，基于极大熵准则，通过凸优化求解计算最优权重配置方案；提出了基于灰色绝对接近度的极大熵权重配置模型。上述提出的配置模型均在评估数据确定的情况下且其优化问题均属于标准的凸优化范畴内，构建出的模型较为理想化，当出现不确定性数据时模型均不能直接使用，存在一定的局限性，因此在数据不确定下如何利用熵权配置模型设置各评估指标绝对权重，是急需解决的重要难题。

发明内容

本发明旨在提供一种基于云模型的评估指标熵权配置方法，以解决现有算法模型不能应用于非凸优化范畴的问题。

本发明提供的一种基于云模型的评估指标熵权配置方法，包括如下步骤：

步骤1，在极大熵准则下构建权重配置优化模型的目标函数，将评估指标绝对权重的先验知识和多评估对象相对能力排序进行量化并构建约束条件，形成权重配置优化模型；

步骤2，运用云模型将具有随机性与模糊性的定量数据转换定性概念，在TOPSIS法框架下，通过正负理想解构建、加权云矩阵构建和基于正负向距离的相对综合能力评估，构建多评估对象的相对综合能力量化模型，并以此更新多评估对象相对能力排序约束条件，得到最终不确定信息下的权重配置优化模型；

步骤3，对于最终不确定信息下的权重配置优化模型，基于模拟退火算法，在基于蒙特卡洛迭代求解策略下进行全局随机寻优，最终得到最优权重解。

进一步的，步骤1中形成的权重配置优化模型表示为：

其中：

为权重配置优化模型的目标函数；M为评估指标数量，Y为目标函数，w_j为第j个评估指标绝对权重，w为M×1维向量表示的评估指标绝对权重，即w＝[w₁,w₂,…,w_M]^T；