CN112836293A - 一种基于pso信息粒化的汽车产品设计方案选择方法 - Google Patents

一种基于pso信息粒化的汽车产品设计方案选择方法 Download PDF

Info

Publication number
CN112836293A
CN112836293A CN202110063426.1A CN202110063426A CN112836293A CN 112836293 A CN112836293 A CN 112836293A CN 202110063426 A CN202110063426 A CN 202110063426A CN 112836293 A CN112836293 A CN 112836293A
Authority
CN
China
Prior art keywords
evaluation
language
language term
term
decision maker
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110063426.1A
Other languages
English (en)
Other versions
CN112836293B (zh
Inventor
张强
吴齐
唐孝安
赵爽耀
黄挺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110063426.1A priority Critical patent/CN112836293B/zh
Publication of CN112836293A publication Critical patent/CN112836293A/zh
Application granted granted Critical
Publication of CN112836293B publication Critical patent/CN112836293B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及策略选择技术领域，涉及一种基于PSO信息粒化的汽车产品设计方案选择方法。其步骤如下：步骤S1、建立备选方案集合X以及方案评价语言术语集L1；步骤S2、建立决策者集合E以及决策者评价语言术语集L2；步骤S3、建立每个决策者对所有备选方案的语言术语评价矩阵D1w；步骤S4、建立对决策者的语言术语评价矩阵D2；步骤S5、对语言术语进行粒化，获取语言术语评价矩阵D1w的数值化评价矩阵ND1w，以及语言术语评价矩阵D2的数值化评价矩阵ND2；步骤S6、依据数值化评价矩阵ND1w和数值化评价矩阵ND2对每个备选方案的偏好程度进行获取，进而获取最优设计方案。通过本发明能够较佳地将语言术语化的偏好信息转化为数值处理问题，进而获取最优方案。

Description

一种基于PSO信息粒化的汽车产品设计方案选择方法
技术领域
本发明涉及策略选择技术领域，具体地说，涉及一种基于PSO信息粒化的汽车产品设计方案选择方法。
背景技术
汽车产业是国民经济的重要支柱产业之一，随着汽车产品的发展越来越迅速，人们的生活方式正慢慢地被改变。作为一种新兴产业，汽车的需求量在不断增长，以信息技术为主导的工业革命也给汽车行业带来了新的发展机遇。将传统汽车与新一代信息技术不断融合，适应消费者需求的不断变化，为用户提供更优质的服务已经变成当代汽车产品发展新的模式。一方面，汽车产品的开发过程十分繁琐，既需要了解用户的需求，又需要注重质量的管理。另一方面，随着互联网和大数据的发展，人工智能、语音识别等技术为汽车产品设计提供了更多的思路和建议。为了研制出受到消费者喜爱的智能网联汽车，车企在进行研发决策时需要考虑来自各个部门，如研发部、生产部、财务部、市场部等部门的意见，从而选择一种最符合用户需求、最符合企业战略规划的汽车产品设计方案。
由于在汽车产品设计过程中，来自各个部门的意见包含大量的含义较为模糊的语言术语，故难以进行一个***化化分析和抉择。
发明内容
本发明提供了一种基于PSO信息粒化的汽车产品设计方案选择方法，其能够克服现有技术的某种或某些缺陷。
根据本发明的一种基于PSO信息粒化的汽车产品设计方案选择方法，其包括如下步骤：
步骤S1、建立备选方案集合X以及用于评价对备选方案偏好程度的方案评价语言术语集L1；其中，X＝{xt|t＝1,2,3,…,i,…,j,…,n}，xt表示第t个备选方案；其中，L1＝{lh|h＝-p,-p+1,…,0,…,p-1,p}，lh表示对方案进行评价的第h个语言术语，语言术语l-p至语言术语lp所表示的偏好程度递增；
步骤S2、建立决策者集合E以及用于评价对决策者偏好程度的决策者评价语言术语集L2；其中，E＝{ew|w＝1,2,3,…,s…,g,…,m}，ew表示第w个决策者；其中，L2＝{lr|r＝-q,-q+1,…,0,…,q-1,q}，lr表示对决策者进行评价的第r个语言术语，语言术语l-q至语言术语lq所表示的偏好程度递增；
步骤S3、每个决策者基于方案评价语言术语集L1中的语言术语对所有备选方案进行语言术语评价，建立每个决策者对所有备选方案的语言术语评价矩阵D1w，D1w表示第w个决策者对所有备选方案进行评价后获取的矩阵；其中，
Figure BDA0002903224660000021
Figure BDA0002903224660000022
表示第w个决策者相较于备选方案xj对备选方案xi的语言术语评价；其中，
Figure BDA0002903224660000023
Figure BDA0002903224660000024
表示语言术语评价
Figure BDA0002903224660000025
中语言术语lh所占的概率；其中，
Figure BDA0002903224660000026
且
Figure BDA0002903224660000027
步骤S4、基于决策者评价语言术语集L2中的语言术语对所有决策者进行语言术语评价，建立对决策者的语言术语评价矩阵D2；其中，
Figure BDA0002903224660000028
Figure BDA0002903224660000029
表示相较于决策者eg对决策者es的语言术语评价；其中，
Figure BDA00029032246600000210
Figure BDA00029032246600000211
表示语言术语评价
Figure BDA00029032246600000212
中语言术语lr所占的概率；其中，
Figure BDA00029032246600000213
且
Figure BDA00029032246600000214
步骤S5、对语言术语进行粒化，获取语言术语评价矩阵D1w的数值化评价矩阵ND1w，
Figure BDA00029032246600000215
Figure BDA00029032246600000216
表示第w个决策者相较于备选方案xj对备选方案xi的数值化评价；以及语言术语评价矩阵D2的数值化评价矩阵ND2，
Figure BDA00029032246600000217
Figure BDA00029032246600000218
表示相较于决策者eg对决策者es的数值化评价；
步骤S6、依据数值化评价矩阵ND1w和数值化评价矩阵ND2对每个备选方案的偏好程度进行获取，进而获取最优设计方案。
通过本发明中的方法，使得能够综合考虑企业管理者以及各部门决策者的意见，针对几种切实可行的汽车产品设计方案，构建决策模型来确定最优的汽车产品设计方案，使产品更贴近用户的真实需求，为用户提供更加优质的服务。同时，在决策过程中，考虑到不同决策者在使用语言术语表示偏好信息时的模糊性，提出了一种以一致性和共识度为指标的PSO的信息粒化方法，将语言值转化成可计算的区间粒子形式，最后综合考虑各部门的意见选出最合适的方案。
作为优选，步骤S5包括方案评价语言术语集L1和决策者评价语言术语集L2的粒化步骤，其采用区间作为信息颗粒的形式，将每个语言术语表示成区间[0,1]的子集。从而能够较佳地将语言化信息转化为数值化信息，进而便于后续操作。
作为优选，步骤S5中，在对决策者评价语言术语集L2进行粒化时，包括如下步骤：
步骤S511、设定语言术语lr对应的子区间为[br-1,br]，并设定b-q-1＝0，bq＝1；
步骤S512、基于PSO算法求取截点向量[b-q,b-q+1,…,b0,…bq-2,bq-1]以及决策者评价语言术语集L2的数值集合WL2，WL2＝{WLr|r＝-q,-q+1,…,0,…,q-1,q}；其中，WLr表示语言术语lr的数值，其通过在语言术语lr所对应的子区间中连续均匀采样获取；
该步骤中，以数值化评价矩阵ND2的乘性一致性指标Q2作为优化指标、并以乘性一致性指标Q2的均值
Figure BDA0002903224660000031
作为适应度函数建立优化模型，其中
Figure BDA0002903224660000032
Figure BDA0002903224660000033
Figure BDA0002903224660000034
表示第k次运算中基于连续均匀分布采样获取的数值所建立的数值化评价矩阵ND2的乘性一致性指标；
所建立的优化模型为，
MaxQ2＝cND2
Figure BDA0002903224660000035
其中，“cND2”表示每次运算获取的数值化评价矩阵ND2的乘性一致性指标；所构建的适应度函数f2为，
Figure BDA0002903224660000041
步骤S513、基于优化模型的约束条件以及适应度函数f2的最大值，获取截点向量[b-q,b-q+1,…,b0,…bq-2,bq-1]，以及数值化评价矩阵ND2；其中，
Figure BDA0002903224660000042
通过步骤S511至S513，即可较佳地将语言术语矩阵进行数值化，进而能够较佳地获取每个决策者的权重。
作为优选，还包括决策者数值集合W的计算，W＝{Ww|w＝1,2,3,…,s…,g,…,m}，Ww表示第w个决策者的权重；Ww计算公式如下，
Figure BDA0002903224660000043
从而能够较佳地获取对每个决策者的权重。
作为优选，步骤S5中，在对方案评价语言术语集L1进行粒化时，包括如下步骤：
步骤S521、设定语言术语lh对应的子区间为[ah-1,ah]，并设定a-p-1＝0，ap＝1；
步骤S522、基于PSO算法求取截点向量[a-p,a-p+1,…,a0,…ap-2,ap-1]以及方案评价语言术语集L1的数值集合WL1，WL1＝WLh|h＝-p,-p+1,…,0,…,p-1,p}；其中，WLh表示语言术语lh的数值，其通过在语言术语lh所对应的子区间中连续均匀采样获取；
该步骤中，
所建立的优化模型为，
Figure BDA0002903224660000044
Figure BDA0002903224660000051
所构建的适应度函数f1为，
Figure BDA0002903224660000052
其中，
Figure BDA0002903224660000053
cND1w表示数值化评价矩阵ND1w的一致性指标；O2为对应O1的一致性比率指标，δ为权衡因子，δ∈[0,1]；
步骤S523、基于优化模型的约束条件以及适应度函数f1的最大值，获取截点向量[a-p,a-p+1,…,a0,…ap-2,ap-1]，以及数值化评价矩阵ND1w；其中，
Figure BDA0002903224660000054
通过步骤S521-S523，即可较佳地实现对方案语言术语的数值化。
作为优选，步骤S6中，获取总评价矩阵NDc，
Figure BDA0002903224660000055
其中，
Figure BDA0002903224660000056
从而能够较佳地将按照每个决策者的权重将所有评价矩阵进行整合。
作为优选，步骤S6中，基于平均算子对总评价矩阵NDc进行计算获取方案评价矩阵X′，X′＝(x′t)1×n，
Figure BDA0002903224660000057
从而能够较佳地获取每个方案的评价数值。
作为优选，步骤S6中，基于方案评价矩阵X′进行排序，即可获取最优方案。从而能够较佳地获取最优方案。
附图说明
图1为实施例1中的方法的原理示意图；
图2为实施例1中的适应度函数f2的数值迭代变化图；
图3为实施例1中的适应度函数f1的数值迭代变化图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例1
结合图1所示，本实施例提供了一种基于PSO信息粒化的汽车产品设计方案选择方法，其包括如下步骤：
步骤S1、建立备选方案集合X以及用于评价对备选方案偏好程度的方案评价语言术语集L1；其中，X＝{xt|t＝1,2,3,…,i,…,j,…,n}，xt表示第t个备选方案；其中，L1＝{lh|h＝-p,-p+1,…,0,…,p-1,p}，lh表示对方案进行评价的第h个语言术语，语言术语l-p至语言术语lp所表示的偏好程度递增；
步骤S2、建立决策者集合E以及用于评价对决策者偏好程度的决策者评价语言术语集L2；其中，E＝{ew|w＝1,2,3,…,s…,g,…,m}，ew表示第w个决策者；其中，L2＝{lr|r＝-q,-q+1,…,0,…,q-1,q}，lr表示对决策者进行评价的第r个语言术语，语言术语l-q至语言术语lq所表示的偏好程度递增；
步骤S3、每个决策者基于方案评价语言术语集L1中的语言术语对所有备选方案进行语言术语评价，建立每个决策者对所有备选方案的语言术语评价矩阵D1w，D1w表示第w个决策者对所有备选方案进行评价后获取的矩阵；其中，
Figure BDA0002903224660000061
Figure BDA0002903224660000062
表示第w个决策者相较于备选方案xj对备选方案xi的语言术语评价；其中，
Figure BDA0002903224660000063
Figure BDA0002903224660000064
表示语言术语评价
Figure BDA0002903224660000065
中语言术语lh所占的概率；其中，
Figure BDA0002903224660000066
且
Figure BDA0002903224660000067
步骤S4、基于决策者评价语言术语集L2中的语言术语对所有决策者进行语言术语评价，建立对决策者的语言术语评价矩阵D2；其中，
Figure BDA0002903224660000068
Figure BDA0002903224660000069
表示相较于决策者eg对决策者es的语言术语评价；其中，
Figure BDA00029032246600000610
Figure BDA00029032246600000611
表示语言术语评价
Figure BDA00029032246600000612
中语言术语lr所占的概率；其中，
Figure BDA00029032246600000613
且
Figure BDA00029032246600000614
步骤S5、对语言术语进行粒化，获取语言术语评价矩阵D1w的数值化评价矩阵ND1w，
Figure BDA0002903224660000071
Figure BDA0002903224660000072
表示第w个决策者相较于备选方案xj对备选方案xi的数值化评价；以及语言术语评价矩阵D2的数值化评价矩阵ND2，
Figure BDA0002903224660000073
Figure BDA0002903224660000074
表示相较于决策者eg对决策者es的数值化评价；
步骤S6、依据数值化评价矩阵ND1w和数值化评价矩阵ND2对每个备选方案的偏好程度进行获取，进而获取最优设计方案。
通过本实施例中的方法，使得能够综合考虑企业管理者以及各部门决策者的意见，针对几种切实可行的汽车产品设计方案，构建决策模型来确定最优的汽车产品设计方案，使产品更贴近用户的真实需求，为用户提供更加优质的服务。同时，在决策过程中，考虑到不同决策者在使用语言术语表示偏好信息时的模糊性，提出了一种以一致性和共识度为指标的PSO的信息粒化方法，将语言值转化成可计算的区间粒子形式，最后综合考虑各部门的意见选出最合适的方案。
本发明中，所述的语言术语集，为一个元素数量不为1的有限的语言表达集，所述的PSO算法即粒子群算法。
本实施例作为本发明的一个具体实施例，以一个具体的应用对本发明进行一个解释说明。
本实施例中，备选方案集合X包含4个元素分别为x1、x2、x3和x4，也即n＝4；x1、x2、x3和x4表示4中不同的汽车设计方案。
本实施例中，方案评价语言术语集L1包括5个元素分别为“非常低(VL)”、“低(L)”、“相同(M)”、“高(H)”和“非常高(VH)”，也即p＝2。“非常低(VL)”、“低(L)”、“相同(M)”、“高(H)”和“非常高(VH)”为在对不同两个方案进行比较时可用的可行性评价术语。
本实施例中，决策者集合E包括4个元素分别为e1、e2、e3和e4，也即m＝4；e1、e2、e3和e4表示公司不同的部门，如“产品部”、“研发部”、“财务部”和“市场部”。
本实施例中，L2包括7个元素分别为“非常不重要(WI)”、“较不重要(LI)”、、“不重要(NI)”、“同等重要(EI)”、“重要(I)”“较重要(VI)”“非常重要(SI)”，也即q＝3；“非常不重要(WI)”、“较不重要(LI)”、“不重要(NI)”、“同等重要(EI)”、“重要(I)”“较重要(VI)”“非常重要(SI)”为在对不同部门意见进行比较时可用的重要性评价术语。
如表1-4所示，为不同的决策者对所有方案进行评价的结果，也即D1w；如表5所示，为公司管理者对不同部门的重要性评价结果，也即D2。
表1产品部(e1)对所有方案进行评价后获取的语言术语评价矩阵D1w
Figure BDA0002903224660000081
表2研发部(e2)对所有方案进行评价后获取的语言术语评价矩阵D12
Figure BDA0002903224660000082
表3财务部(e3)对所有方案进行评价后获取的语言术语评价矩阵D13
Figure BDA0002903224660000083
表4市场部(e4)对所有方案进行评价后获取的语言术语评价矩阵D14
Figure BDA0002903224660000091
表5公司管理者对所有部门进行评价后获取的语言术语评价矩阵D2
Figure BDA0002903224660000092
通过表1-5可以看出，在实际的汽车产品设计方案选择过程中，很难对语言术语化的评价矩阵进行一个***化的有效评价。这使得，在实际产品设计的方案过程中，很难对各个部门的语言决策信息进行一个行之有效的处理，也即很难从语言术语化的评价决策中挑选出最优的评价。
而通过本实施例中的方法，能够综合考虑各部门的决策以及各部门意见的重要性，通过PSO算法能够将模糊化的语言术语化的评价转变为数值矩阵，并能够通过对数值的一系列处理，进而获取最优方案。
本实施例中，通过分布式语言偏好关系构建方案评价语言术语集L1和决策者评价语言术语集L2，故而能够最大程度的保留语言术语化评价中的信息。
本实施例中，步骤S5包括方案评价语言术语集L1和决策者评价语言术语集L2的粒化步骤，其采用区间作为信息颗粒的形式，将每个语言术语表示成区间[0,1]的子集。从而能够较佳地将语言化信息转化为数值化信息，进而便于后续操作。
本实施例中，考虑到语言信息本身是不可操作的，为了获得直观的结果，首先将语言术语转化为数值，在此引入了信息粒化的过程，通过将语言术语映射为便于计算的信息粒子的形式，进而能够较佳地便于数据处理。本实施例中能够选择区间作为信息颗粒的形式，也即每一个语言术语对应一个[0,1]区间的子区间；通过该种，对语言术语集L1和L2的处理即可转化为对每个语言术语的区间上下限的处理，也即对语言术语的粒化问题就可以转变成对区间截点的分配问题，从而能够较佳地便于数据处理。
本实施例中，步骤S5中，在对决策者评价语言术语集L2进行粒化时，包括如下步骤：
步骤S511、设定语言术语lr对应的子区间为[br-1,br]，并设定b-q-1＝0，bq＝1；
步骤S512、基于PSO算法求取截点向量[b-q,b-q+1,…,b0,…bq-2,bq-1]以及决策者评价语言术语集L2的数值集合WL2，WL2＝{WLr|r＝-q,-q+1,…,0,…,q-1,q}；其中，WLr表示语言术语lr的数值，其通过在语言术语lr所对应的子区间中连续均匀采样获取；
该步骤中，以数值化评价矩阵ND2的乘性一致性指标Q2作为优化指标、并以乘性一致性指标Q2的均值
Figure BDA0002903224660000101
作为适应度函数建立优化模型，其中
Figure BDA0002903224660000102
Figure BDA0002903224660000103
Figure BDA0002903224660000104
表示第k次运算中基于连续均匀分布采样获取的数值所建立的数值化评价矩阵ND2的乘性一致性指标；
所建立的优化模型为，
MaxQ2＝cND2
Figure BDA0002903224660000105
其中，“cND2”表示每次运算获取的数值化评价矩阵ND2的乘性一致性指标；
所构建的适应度函数f2为，
Figure BDA0002903224660000111
步骤S513、基于优化模型的约束条件以及适应度函数f2的最大值，获取截点向量[b-q,b-q+1,…,b0,…bq-2,bq-1]，以及数值化评价矩阵ND2，其中；其中，
Figure BDA0002903224660000112
通过步骤S511至S513，即可较佳地将语言术语矩阵进行数值化，进而能够较佳地获取每个决策者的权重。
本实施例中，对于区间截点的分配问题实际上为一个优化过程，通过构建优化模型，并对优化模型进行求解，即可较佳地实现数值化。本实施例中所建立的模型，通过优化一致性指标，即可较佳地实现模型的求解。
在本实施例的中，能够将PSO算法的参数设定为：粒子数量为100，最大迭代次数为500，惯性因子为0.7，学习因子c1和c2均为2，取样次数K为500。
通过对优化模型的求解，可以获取本实施例中适应度函数f2的最优取值为0.985，适应度函数f2的数值迭代变化图如图2所示。
本实施例中，求取的语言术语集L2的截点向量为[0.15,0.28,0.34,0.50,0.58,0.84]，也即语言术语集L2中，非常不重要(WI)对应的区间为[0,0.15)，较不重要(LI)对应的区间为[0.15,0.28)，不重要(NI)对应的区间为[0.28,0.34),，同等重要(EI)对应的区间为[0.34,0.50)，重要(I)对应的区间为[0.50,0.58)，较重要(VI)对应的区间为[0.58,0.84)，非常重要(SI)对应的区间为[0.84,1]。
同时在，在最优解下，数值化评价矩阵ND2如下：
Figure BDA0002903224660000113
本实施例中，在获取数值化评价矩阵ND2后，即可较佳地对决策者数值集合W进行计算，W＝{Ww|w＝1,2,3,…,s…,g,…,m}，Ww表示第w个决策者的权重；Ww计算公式如下，
Figure BDA0002903224660000121
本实施例中，获取的决策者数值集合W为：W＝{0.209,0.359,0.276,0.155}。
本实施例的步骤S5中，在对方案评价语言术语集L1进行粒化时，包括如下步骤：
步骤S521、设定语言术语lh对应的子区间为[ah-1,ah]，并设定a-p-1＝0，ap＝1；
步骤S522、基于PSO算法求取截点向量[a-p,a-p+1,…,a0,…ap-2,ap-1]以及方案评价语言术语集L1的数值集合WL1，WL1＝WLh|h＝-p,-p+1,…,0,…,p-1,p}；其中，WLh表示语言术语lh的数值，其通过在语言术语lh所对应的子区间中连续均匀采样获取；
该步骤中，
所建立的优化模型为，
Figure BDA0002903224660000122
Figure BDA0002903224660000123
所构建的适应度函数f1为，
Figure BDA0002903224660000124
其中，
Figure BDA0002903224660000125
cND1w表示数值化评价矩阵ND1w的一致性指标；O2为对应O1的一致性比率指标，δ为权衡因子，δ∈[0,1]；
步骤S523、基于优化模型的约束条件以及适应度函数f1的最大值，获取截点向量[a-p,a-p+1,…,a0,…ap-2,ap-1]，以及数值化评价矩阵ND1w；其中，
Figure BDA0002903224660000131
通过步骤S521-S523，即可较佳地实现对方案语言术语的数值化。
本实施例中，参数δ是平衡总体共识度和一致性的参数，当δ比较小时，说明寻优结果更关心总体共识度；反之，说明寻优结果更关注决策个体的一致性。本实施例中，δ被设置为0.25，从而能够较佳地实现更高的共识度。
通过对优化模型的求解，可以获取本实施例中适应度函数f1的最优取值为0.922，适应度函数f1的数值迭代变化图如图3所示。
本实施例中，求取的语言术语集L1的截点向量为[0.39,0.58,0.60,0.61]，也即也即语言术语集L1中，非常低(VL)对应的区间为[0,0.39)，低(L)对应的区间为[0.39,0.58)，相同(M)对应的区间为[0.58,0.60)，高(H)对应的区间为[0.60,0.61)，非常高(VH)对应的区间为[0.61,1]。
同时在，在最优解下，数值化评价矩阵ND11至ND12如下：
Figure BDA0002903224660000132
Figure BDA0002903224660000133
Figure BDA0002903224660000134
Figure BDA0002903224660000135
本实施例的步骤S6中，获取总评价矩阵NDc，
Figure BDA0002903224660000141
其中，
Figure BDA0002903224660000142
从而能够较佳地将按照每个决策者的权重将所有评价矩阵进行整合。
本实施例中，所获取的总评价矩阵NDc为：
Figure BDA0002903224660000143
本实施例中，步骤S6中，基于平均算子对总评价矩阵NDc进行计算获取方案评价矩阵X′，X′＝(x′t)1×n，
Figure BDA0002903224660000144
从而能够较佳地获取每个方案的评价数值。
本实施例中，获取的方案评价矩阵X′为{0.589,0.603,0.433,0.376}。
本实施例中，步骤S6中，基于方案评价矩阵X′进行排序，即可获取最优方案。从而能够较佳地获取最优方案。
本实施例中，方案评价矩阵X′对方案x1、x2、x3和x4进行排序可以获取，x2>x1>x3>x4。故应当选取方案x2作为左右设计方案。
通过本实施例中的方法，使得在针对备选的汽车设计方案时，能够较佳地综合考虑公司各部门的意见，选择一种最贴近市场需求、最能被消费者接受的方案。
其中，考虑到各部门决策者自身的有限理性以及对汽车产品设计方案选择不确定性，本实施例中基于分布式语言偏好关系来表达自身的偏好关系。从而使得，在针对每个决策者的权重未知的情形下，能够通过以分布式语言信息表达对其相对重要性进行表述，进而建立相应的相对重要性矩阵，通过对相对重要性矩阵的处理即可获取每个决策者的绝对重要性，通过对绝对重要性进行归一化处理即可较佳地获取每个决策者的权重；之后基于每个决策者的以分布式语言信息刻画的情景，即可较佳地基于语言偏好一致性和/或群体偏好共识性建立相关粒化模型，进而能够较佳地将语言术语问题转化为数值处理问题，从而能够较佳地获取最优设计方案。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (8)

1.一种基于PSO信息粒化的汽车产品设计方案选择方法，其包括如下步骤：
步骤S1、建立备选方案集合X以及用于评价对备选方案偏好程度的方案评价语言术语集L1；其中，X＝{xt|t＝1,2,3,…,i,…,j,…,n}，xt表示第t个备选方案；其中，L1＝{lh|h＝-p,-p+1,…,0,…,p-1,p}，lh表示对方案进行评价的第h个语言术语，语言术语l-p至语言术语lp所表示的偏好程度递增；
步骤S2、建立决策者集合E以及用于评价对决策者偏好程度的决策者评价语言术语集L2；其中，E＝{ew|w＝1,2,3,…,s…,g,…,m}，ew表示第w个决策者；其中，L2＝{lr|r＝-q,-q+1,…,0,…,q-1,q}，lr表示对决策者进行评价的第r个语言术语，语言术语l-q至语言术语lq所表示的偏好程度递增；
步骤S3、每个决策者基于方案评价语言术语集L1中的语言术语对所有备选方案进行语言术语评价，建立每个决策者对所有备选方案的语言术语评价矩阵D1w，D1w表示第w个决策者对所有备选方案进行评价后获取的矩阵；其中，
Figure FDA0002903224650000011
Figure FDA0002903224650000012
表示第w个决策者相较于备选方案xj对备选方案xi的语言术语评价；其中，
Figure FDA0002903224650000013
Figure FDA0002903224650000014
表示语言术语评价
Figure FDA0002903224650000015
中语言术语lh所占的概率；其中，
Figure FDA0002903224650000016
且
Figure FDA0002903224650000017
步骤S4、基于决策者评价语言术语集L2中的语言术语对所有决策者进行语言术语评价，建立对决策者的语言术语评价矩阵D2；其中，
Figure FDA0002903224650000018
Figure FDA0002903224650000019
表示相较于决策者eg对决策者es的语言术语评价；其中，
Figure FDA00029032246500000110
Figure FDA00029032246500000111
表示语言术语评价
Figure FDA00029032246500000112
中语言术语lr所占的概率；其中，
Figure FDA00029032246500000113
且
Figure FDA00029032246500000114
步骤S5、对语言术语进行粒化，获取语言术语评价矩阵D1w的数值化评价矩阵ND1w，
Figure FDA00029032246500000115
Figure FDA00029032246500000116
表示第w个决策者相较于备选方案xj对备选方案xi的数值化评价；以及语言术语评价矩阵D2的数值化评价矩阵ND2，
Figure FDA00029032246500000117
Figure FDA00029032246500000118
表示相较于决策者eg对决策者es的数值化评价；
步骤S6、依据数值化评价矩阵ND1w和数值化评价矩阵ND2对每个备选方案的偏好程度进行获取，进而获取最优设计方案。
2.根据权利要求1中所述的一种基于PSO信息粒化的汽车产品设计方案选择方法，其特征在于：步骤S5包括方案评价语言术语集L1和决策者评价语言术语集L2的粒化步骤，其采用区间作为信息颗粒的形式，将每个语言术语表示成区间[0,1]的子集。
3.根据权利要求2中所述的一种基于PSO信息粒化的汽车产品设计方案选择方法，其特征在于：步骤S5中，在对决策者评价语言术语集L2进行粒化时，包括如下步骤：
步骤S511、设定语言术语lr对应的子区间为[br-1,br]，并设定b-q-1＝0，bq＝1；
步骤S512、基于PSO算法求取截点向量[b-q,b-q+1,…,b0,…bq-2,bq-1]以及决策者评价语言术语集L2的数值集合WL2，WL2＝{WLr|r＝-q,-q+1,…,0,…,q-1,q}；其中，WLr表示语言术语lr的数值，其通过在语言术语lr所对应的子区间中连续均匀采样获取；
该步骤中，以数值化评价矩阵ND2的乘性一致性指标Q2作为优化指标、并以乘性一致性指标Q2的均值
Figure FDA0002903224650000021
作为适应度函数建立优化模型，其中
Figure FDA0002903224650000022
Figure FDA0002903224650000023
Figure FDA0002903224650000024
表示第k次运算中基于连续均匀分布采样获取的数值所建立的数值化评价矩阵ND2的乘性一致性指标；
所建立的优化模型为，
MaxQ2＝cND2
Figure FDA0002903224650000025
其中，“cND2”表示每次运算获取的数值化评价矩阵ND2的乘性一致性指标；
所构建的适应度函数f2为，
Figure FDA0002903224650000026
步骤S513、基于优化模型的约束条件以及适应度函数f2的最大值，获取截点向量[b-q,b-q+1,…,b0,…bq-2,bq-1]，以及数值化评价矩阵ND2；其中，
Figure FDA0002903224650000031
4.根据权利要求3所述的一种基于PSO信息粒化的汽车产品设计方案选择方法，其特征在于：还包括决策者权重矩阵W的计算，W＝{Ww|w＝1,2,3,…,s…,g,…,m，Ww表示第w个决策者的权重；Ww计算公式如下，
Figure FDA0002903224650000032
5.根据权利要求4所述的一种基于PSO信息粒化的汽车产品设计方案选择方法，其特征在于：
步骤S5中，在对方案评价语言术语集L1进行粒化时，包括如下步骤：
步骤S521、设定语言术语lh对应的子区间为[ah-1,ah]，并设定a-p-1＝0，ap＝1；
步骤S522、基于PSO算法求取截点向量[a-p,a-p+1,…,a0,…ap-2,ap-1]以及方案评价语言术语集L1的数值集合WL1，WL1＝WLh|h＝-p,-p+1,…,0,…,p-1,p}；其中，WLh表示语言术语lh的数值，其通过在语言术语lh所对应的子区间中连续均匀采样获取；
该步骤中，
所建立的优化模型为，
Figure FDA0002903224650000033
Figure FDA0002903224650000034
所构建的适应度函数f1为，
Figure FDA0002903224650000035
其中，
Figure FDA0002903224650000036
cND1w表示数值化评价矩阵ND1w的一致性指标；O2为对应O1的一致性比率指标，δ为权衡因子，δ∈[0,1]；
步骤S523、基于优化模型的约束条件以及适应度函数f1的最大值，获取截点向量[a-p,a-p+1,…,a0,…ap-2,ap-1]，以及数值化评价矩阵ND1w；其中，
Figure FDA0002903224650000041
6.根据权利要求5所述的一种基于PSO信息粒化的汽车产品设计方案选择方法，其特征在于：步骤S6中，获取总评价矩阵NDc，
Figure FDA0002903224650000042
其中，
Figure FDA0002903224650000043
7.根据权利要求6所述的一种基于PSO信息粒化的汽车产品设计方案选择方法，其特征在于：步骤S6中，基于平均算子对总评价矩阵NDc进行计算获取方案评价矩阵X′，X′＝(x′t)1×n，
Figure FDA0002903224650000044
8.根据权利要求7所述的一种基于PSO信息粒化的汽车产品设计方案选择方法，其特征在于：步骤S6中，基于方案评价矩阵X′进行排序，即可获取最优方案。
CN202110063426.1A 2021-01-18 2021-01-18 一种基于pso信息粒化的汽车产品设计方案选择方法 Active CN112836293B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110063426.1A CN112836293B (zh) 2021-01-18 2021-01-18 一种基于pso信息粒化的汽车产品设计方案选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110063426.1A CN112836293B (zh) 2021-01-18 2021-01-18 一种基于pso信息粒化的汽车产品设计方案选择方法

Publications (2)

Publication Number Publication Date
CN112836293A true CN112836293A (zh) 2021-05-25
CN112836293B CN112836293B (zh) 2022-09-30

Family

ID=75928572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110063426.1A Active CN112836293B (zh) 2021-01-18 2021-01-18 一种基于pso信息粒化的汽车产品设计方案选择方法

Country Status (1)

Country Link
CN (1) CN112836293B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705965A (zh) * 2021-07-19 2021-11-26 合肥工业大学 基于直觉语言偏好关系粒的卫星观测方案筛选方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004118552A (ja) * 2002-09-26 2004-04-15 Toshiba Corp 多目的意思決定プロセス支援方法とそのためのプログラム
CN102693287A (zh) * 2012-05-11 2012-09-26 北京航空航天大学 一种基于聚类方法和粒子群方法的群体决策共识度自动调整方法
CN104657778A (zh) * 2015-03-20 2015-05-27 华东交通大学 一种基于区间二元语义信息公理的不确定语言群决策方法
WO2019061187A1 (zh) * 2017-09-28 2019-04-04 深圳乐信软件技术有限公司 信用评价方法和装置以及梯度渐进决策树参数调整方法和装置
CN110009250A (zh) * 2019-04-13 2019-07-12 郑州航空工业管理学院 一种基于犹豫模糊语言的数字孪生车间质量评价方法
CN110837966A (zh) * 2019-11-07 2020-02-25 延安大学 一种基于sna的混合多属性群决策的建筑设备优选方法
CN111784109A (zh) * 2020-06-01 2020-10-16 上海大学 一种基于毕达哥拉斯模糊集和vikor的供应商选择方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004118552A (ja) * 2002-09-26 2004-04-15 Toshiba Corp 多目的意思決定プロセス支援方法とそのためのプログラム
CN102693287A (zh) * 2012-05-11 2012-09-26 北京航空航天大学 一种基于聚类方法和粒子群方法的群体决策共识度自动调整方法
CN104657778A (zh) * 2015-03-20 2015-05-27 华东交通大学 一种基于区间二元语义信息公理的不确定语言群决策方法
WO2019061187A1 (zh) * 2017-09-28 2019-04-04 深圳乐信软件技术有限公司 信用评价方法和装置以及梯度渐进决策树参数调整方法和装置
CN110009250A (zh) * 2019-04-13 2019-07-12 郑州航空工业管理学院 一种基于犹豫模糊语言的数字孪生车间质量评价方法
CN110837966A (zh) * 2019-11-07 2020-02-25 延安大学 一种基于sna的混合多属性群决策的建筑设备优选方法
CN111784109A (zh) * 2020-06-01 2020-10-16 上海大学 一种基于毕达哥拉斯模糊集和vikor的供应商选择方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Y SHEN等: "A Data-Driven Fuzzy Information Granulation Approach for Freight Volume Forecasting", 《IEEE XPLORE》 *
张世涛: "异质语言信息群体共识决策模型及其应用研究", 《万方学位论文》 *
徐新清等: "构建不确定语言型多属性决策的投影模型", 《数学的实践与认识》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705965A (zh) * 2021-07-19 2021-11-26 合肥工业大学 基于直觉语言偏好关系粒的卫星观测方案筛选方法及***

Also Published As

Publication number Publication date
CN112836293B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN110135630B (zh) 基于随机森林回归和多步寻优的短期负荷需求预测方法
Rao A decision making methodology for material selection using an improved compromise ranking method
CN110990461A (zh) 大数据分析模型算法选型方法、装置、电子设备及介质
Cheng et al. Artificial intelligence approaches to achieve strategic control over project cash flows
CN109741120B (zh) 用于用户需求的产品深度个性化定制方法
Gautam et al. TOPSIS for multi criteria decision making in intuitionistic fuzzy environment
Yan Research on green suppliers' evaluation based on AHP & genetic algorithm
CN106845012A (zh) 一种基于多目标密度聚类的高炉煤气***模型隶属度函数确定方法
Wu et al. Fuzzy support vector regression machine with penalizing Gaussian noises on triangular fuzzy number space
Tembusai et al. K-nearest neighbor with k-fold cross validation and analytic hierarchy process on data classification
Sarkar et al. A multi‐criteria decision making approach for strategy formulation using Pythagorean fuzzy logic
CN112836293B (zh) 一种基于pso信息粒化的汽车产品设计方案选择方法
Chen et al. A novel hybrid approach for product concept evaluation based on rough numbers, shannon entropy and TOPSIS-PSI
CN115994778A (zh) 多元用户用能行为精细画像方法
CN112270047B (zh) 基于数据驱动的群体智能计算的城市车辆路径优化方法
CN113792984B (zh) 基于云模型的防空反导指挥控制模型能力评估方法
Roghanian et al. An approach in BOT project selection based on fuzzy QFD and TOPSIS with consideration of risk
CN109345274B (zh) 基于bp神经网络评分预测误差的近邻用户选择方法
Wu et al. A large-scale MAGDM model based on SKNN and weighted clustering under incomplete information
Zeyang Research on intelligent acceleration algorithm for big data mining in communication network based on support vector machine
CN108364136B (zh) 一种基于证据推理的水资源短缺风险分析方法及***
CN110717545B (zh) 基于改进交互式人工免疫算法的个性化定制方法
CN118133051B (zh) 一种要素评估模型的构建方法及装置
Wang et al. An Extended EDAS Approach Based on Cumulative Prospect Theory for Multiple Attributes Group Decision Making with Interval-Valued Intuitionistic Fuzzy Information
CN117709729B (zh) 重大工程技术创新成果应用风险评估方法及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant