论文部分内容阅读
系统评价处于系统工程理论和方法体系的核心地位,是系统工程理论和实践研究的热点和难点。在实际应用中,由于其自身的复杂性,如存在着大量的高维非线性优化问题,需要采用新型智能评价方法来求解。目前粒子群算法在已在函数优化、神经网络训练、组合优化等领域获得了广泛应用,本文尝试将粒子群算法应用于复杂系统评价。本文设计了一种基于邻居结构的自适应粒子群算法(NAPSO),以节点度不为0的WS型小世界网络作为粒子的邻居结构,自适应调整种群密度,提高种群多样性,并引入边界修正策略,分析了算法时间复杂度、空间复杂度和算法收敛性。采用NetLogo仿真软件对NAPSO求解函数的粒子运动轨迹进行仿真,所出现的“聚集”和“扩散”现象,表明NAPSO在算法后期较优的寻优能力。在主观赋权评价中,针对层次分析法中一致性检验问题,设计了修正矩阵的一致性的粒子群算法(NAPSO-CAHP),以一致性指标函数为优化目标,再用模糊互补判断矩阵来替代正互反判断矩阵,把权值计算与模糊互补判断矩阵的一致性检验和修正结合起来,设计了基于NAPSO的模糊层次分析法。在客观赋权评价中,设计了基于NAPSO的投影寻踪方法(NAPSO-PP),将NAPSO与投影寻踪模型结合,以投影指标函数为优化目标优化投影方向。将上述主观赋权评价和客观赋权评价方法所得到权重进行组合优化,从不同角度提取各指标的差异,得到指标的组合权重,设计了基于投影寻踪与层次分析法的客观组合的粒子群算法(NAPSO-PPAHP)和基于NAPSO的赋权投影寻踪聚类评价方法(NAPSOFAHP-PP)的复杂系统组合评价方法。将NAPSO与复杂系统评价方法相结合应用于评价实例中,表现出计算稳定、计算精度高,与现有方法比较,评价效果更好,分类效果明显,对复杂系统评价其他问题的解决有一定的借鉴意义;同时也表明NAPSO对解决高维、非线性问题的具有良好的效果。