面向不确定多属性决策问题的范例检索算法研究

将不确定多属性决策问题转化为不确定性多属性范例的检索问题,利用范例推理方法获取最相似范例作对目标决策问题的近似解,通过范例修正缩短该近似解与目标决策问题解之间的差距直至完全一致。文章系统地提出了适合于不确定多属性问题检索要求的范例检索算法(RA-UMDM),重点研究了范例聚类、用基于梯形模糊集和改进的欧氏距离检索算法分别解决范例中模糊概念属性、区间特征属性的相似度计算问题。将该方法应用于两家医院临床辅助诊断决策过程求得了较为准确的解,并且基于范例库对RA-UMDM法的有效性、准确度、效率等进行了实验,结果表明该方法能够满足不确定多属性决策问题的检索要求,检索速度较快、质量高。