论文部分内容阅读
评估决策是通过评估信息的加工形成综合排序的一种选择行为,已在企业、教育、科技管理中得到了广泛应用.该文针对评估决策中的不公正性和寻找权重的困难,应用包含度、粗糙集和模糊集理论,研究了评估决策的信息集结理论与方法.主要研究成果及创新点如下:(1)给出了两类评估模型和评估函数不满足无关备选对象独立性的条件.归结评估决策为分值模型和关系模型,建立了两种模型之间的转化关系,分析了现有的评估方法中存在的问题.同时将建立在偏好关系上的阿罗定理的条件扩充到分值模型上,证明了阿罗不可能性定理同样适用于评估问题.揭示出当评估决策中的独裁性消除后,无关备选对象的非独立性是不公正性的真实来源.(2)给出了区间分值评估函数的包含度构造方法.通常的评估决策一般仅考虑超过关系,而不考虑与超过关系的不协调程度.该文利用偏好上的包含度建立了区间分值的超过关系和不协调关系,给出了带有各种不协调关系的区间分值的评估函数,通过算例验证了该方法是一种更精细的评估.指出了有关文献中区间分值的可能度是严格偏好上包含度的特例,而包含度构造方法更加清晰直观,容易理解和应用.(3)给出了关系模型评估排序的粗糙集构造方法.粗糙集一般处理等价关系和分类问题,而等价关系不能辨识出对象之间的优劣次序,该文将其扩充为优势和劣势关系,从而可以将不同对象在多个属性之间进行比较,并据此建立了关系模型的评估排序方法,该方法通过分值的整体结构显示出属性变量的不同重要性,不需要人为确定权重且不与任何加权方法等价.建立了规则排序方法,可用来预测新方案的优劣.(4)给出了模糊偏好模型的信息集结方法.由于在分值和关系模型中普遍存在着定性变量和语言变量,该文提出了模糊偏好模型,构造了多种适应不同模糊评估的偏好计算公式,给出了信息集结与排序比较的通用计算流程.通过高校评估实证分析,表明该文提供的序关系方法和粗糙集的优势类方法更能反映出学校的实际.