论文部分内容阅读
本论文针对多属性多目标决策中的不确定现象,利用粗集理论处理不确定性的优势,在文献提出的粗决策的基础上,将S-粗集和函数S-粗集理论渗透其中,对粗决策以及粗决策规律作了较为深入的研究。尤其是从数学结构上,对粗决策理论作了进一步完善,为规律挖掘和规律辨识提供了理论基础。同时,还利用命题逻辑的知识,对决策规律推理和规律挖掘作了研究与讨论。全文共分六章。主要研究内容和创新成果如下:（1）对粗集的研究成果做了详尽的综述。给出了S-粗集,函数S-粗集的基本概念,数学结构以及基本性质。（2）从Pawlak粗集入手,给出了粗决策的概念。Pawlak粗集是一个静态粗集,因此基于它生成的粗决策是一个静态决策,并不能反映管理系统决策的真实面貌。S-粗集改进了Pawlak粗集,体现了集合的动态性,基于它生成的粗决策反映了决策因素的动态变化。对于决策因素集X,利用Pawlak粗集,可生成粗决策（μ′i,μ″j）.而当决策因素集X是一个S-集合的时候,利用S-粗集,我们将会得到一个粗决策序列。利用粗决策序列,文中进一步给出了粗决策规律的生成方法,并对生成的粗决策规律分成三种情况:单向S-粗决策规律,单向S-对偶粗决策规律,双向S-粗决策规律,作了深入讨论.为了实现上决策规律与下决策规律的分离,提出了平凡粗决策规律的概念;此后又给出了粗决策规律带,粗决策规律核,粗决策规律壳等概念,并讨论了它们的主要性质和在实际当中的意义,给出了规律挖掘的基本准则,最后以示例说明之。（3）从函数粗集的观点来看,系统（?）的函数集是一个R-函数等价类。文中给出了粗规律的概念,以及基于R-函数等价类[u（x）]的规律生成方法,即基于[u（x）]可生成系统规律p（x）。属性集α={α1,α2,…,α}在元素迁移族（?）的作用下发生变动,导致R-函数等价类[u（x）]具有动态变化的特性,这种变化又导致了系统规律p（x）的变化.文中给出了属性扰动度的概念,并以此为基础讨论了规律的变化,给出了粗规律F-分解和（?）-分解的概念,并讨论了粗规律F-分解和（?）-分解的性质。（4）针对函数S-粗集生成的粗规律,给出了规律能量的概念,用于作为粗规律的度量。利用这个概念讨论了F-分解粗规律在二维平面上的度量问题,给出了一系列关于粗规律分解与合成的定理,并指出了其实际的应用背景和意义,为规律挖掘和识别奠定了理论基础。（5）将命题逻辑推理引入粗规律研究中。给出了规律分离度和规律依赖度的概念;基于这两个概念和粒度的概念,讨论了系统的属性干扰与系统规律之间的逻辑推理关系,以及规律之间的分离依赖关系,为规则推理提供了理论基础。（6）给出了关于决策规律挖掘和识别的实例研究。最后对全文进行了总结,并对下一步的研究工作进行了展望。论文的主要创新工作:（1）发展和完善了动态粗决策理论。提出了粗决策序列,粗决策规律,粗决策规律带,粗决策规律核等重要概念,给出了规律挖掘的基本准则。（2）针对函数S-粗集生成的决策粗规律,提出了粗规律F-分解和（?）-分解的概念;提出了粗规律度量的问题,并给出属性干扰度和规律能量的概念,用于讨论粗规律度量,给出了一系列定理和结论,为粗规律挖掘和识别奠定了基础。（3）将命题逻辑引入规律推理,提出规律隐藏度和规律依赖度的概念,基于此讨论了系统规律之间的隐藏依赖推理关系。