基于神经网络的复杂多属性决策

2018-12-17武春柳张全修宏伟

电脑知识与技术 2018年25期

关键词：神经网络

武春柳张全修宏伟

摘要：针对复杂多属性决策问题，本文提出了基于神经网络方法来确定属性权重。神经网络具有自学习功能，该方法使权重确定更加准确、合理。

关键词：多属性决策；神经网络；属性权重

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）25-0206-02

Complex Multi-attribute Decision-making Based on Neural Network

WU Chun-liu 1， ZHANG Quan 1， XIU Hong-wei 2

（1.Faculty of Information Engineering，Shen Yang University of Technology， Shenyang 110870， China； 2.Shenyang JianZhu University， Shenyang 110168，China）

Abstract： For complex multi-attribute decision-making problems， this article proposes a method based on neural network to determine attribute weights. The neural network has self-learning function.This method makes the weight determination more accurate and reasonable.

Key words： Multi-attribute decision-making； neural network；attribute weight

多属性决策是指参考多个属性评价备选方案并择优的组织行为[1]。关于确定属性权重的研究很多，但罕见基于神经网络的方法。本文提出了基于神经网络方法来确定属性权重。神经网络具有自调整、自学习功能，该方法使权重分配更加合理，与传统方法比减少了运算时间。

1 问题描述

记S={s1，…，sm}（m>=2）表示决策方案集合，C={c1，…，cn}（n>=2）表示属性的集合。将专家给出的决策矩阵A规范化为矩阵B，并且对决策s1，...，sm方案的总体偏好给出方案的偏好序R=（r1，...，rm），规范化得到偏好值y1，..，ym，（[yi=m-rim-1]）。Si的综合评价值与yi之间的距离定义为：[dis=j=1nwjbij-yi2，i=1，…，m]

2 提出的神经网络方法

为了求出使距离函数dis最小的属性权重，建立以下決策模型：

[minj=1nwjbij-yj2，i=1，…，ms.tj=1nwj=10≤wj≤1，j=1，…，n] （1）

本文采用自适应线性神经网络求权重，它是一个由输入层与输出构成的简单的前馈型的网络，自适应线性神经网络的学习是一种典型的有教师学习，其需采用Widrow-Hoff学习规则，即LMS学习规则。利用期望输出与实际输出之差来修正网络之间的权重[2-3]。根据决策模型（1）建立如下神经网络结构：

根据神经网络结构，则构建其对于m个训练样本的性能指标函数为：

[J=i=1mJi=12i=1myi-Ii2=12i=1me2i]

输入层节点：属性的个数作为输入层节点数，即n个输入神经元，输入数据为矩阵B 中的行向量（bi1，…bin），i=1，...，m，m为方案数，m个向量作为训练样本。

输出层节点：本文只设一个输出层节点，代表综合评价Ii。期望输出为偏好值yi。输入层与输出层之间的连接权重为wj[n*1]。

3 结论

传统的权重确定方法主要有主观与客观赋权法两类，但都具有局限性[4]。本文通过神经网络的设计得出了多属性决策的属性权重，神经网络在多属性决策中将有很大的发展前景。

参考文献：

[1] 张全.复杂多属性决策研究[M].沈阳：东北大学出版，2008.