买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国电子科技集团公司第十研究所

摘要：本发明公开了一种基于先验认知的相对能力评估排序方法、设备及系统，属于群智能优化与效能评估的交叉领域，包括：指标集合构建模块搭建多层级的评估指标集合；权重配置构建模块形成多种类型专家认知约束条件的权重配置模型；权重智能优化模块基于粒子群优化算法架构生成最优权重配置方案；相对能力评估模块结合最优权重方案和各评估对象底层指标量化值构建决策矩阵，计算各评估对象的群体效益和最大个别遗憾，最终形成各评估对象的相对能力排序结果。本发明能结合最优权重配置方案实现多个评估对象的相对能力排序。

主权项：1.一种基于先验认知的相对能力评估排序方法，其特征在于，包括以下步骤：S1：基于计算机程序构建指标集合构建模块，指标集合构建模块在计算机中运行时根据分层分级的指标体系原则，围绕评估对象的不同评估维度与角度，搭建多层级的评估指标集合，其中底层评估指标数量为个，底层评估指标量化值集合为；S2：基于极大熵权重优化框架，针对多种专家先验认知，提出多类约束条件的极大熵权重优化模型：基于计算机程序构建权重配置构建模块，权重配置构建模块在计算机中运行时以极大熵模型为优化问题的代价函数，结合数学量化方式对多种先验知识进行优化约束条件构建，最终形成多种类型专家认知约束条件的权重配置模型；S3：引入多策略融合粒子群优化算法，用于使得权重优化配置过程中搜寻最优值效果更佳：基于计算机程序构建权重智能优化模块，权重智能优化模块在计算机中运行时基于粒子群优化算法架构，引入Sine混沌映射和压缩因子策略，通过迭代寻找个体最优和群体最优方式不断向最大熵权位置靠拢并快速收敛，形成最优权重配置方案；S4：利用VIKOR算法，用于实现多评估对象相对能力度量计算：基于计算机程序构建相对能力评估模块，相对能力评估模块在计算机中运行时结合最优权重方案和各评估对象底层指标量化值构建决策矩阵，计算各评估对象的群体效益和最大个别遗憾，最终形成各评估对象的相对能力排序结果；在步骤S2中，所述以极大熵模型为优化问题的代价函数，结合数学量化方式对多种先验知识进行优化约束条件构建，最终形成多种类型专家认知约束条件的权重配置模型，具体包括子步骤：S21，基于各底层评估指标的绝对权重构建极大熵权重配置模型的代价函数，具体计算表达式为： 其中，为第个底层评估指标对应的绝对权重，为底层评估指标的权重向量，为最大值函数，为基于指标权重的熵函数；S22，结合专家的先验认知，通过数学量化建模构建求解最优权重的约束条件，具体为：①各底层评估指标绝对权重取值范围均为小于等于1的正数，即 ②各底层评估指标绝对权重之和为1，即 ③结合专家认知，存在个评估对象的相对能力排序先验知识，即 其中，分别为不同专家认知评估对象的第个指标量化值，分别为不同专家认知评估对象的综合能力，该综合能力通过加权和方式进行量化；④结合专家认知，存在种不同指标集合、不同评估对象的加权和能力差异先验知识，通过大于设定阈值或者小于设定阈值来表示，即 其中，和为专家认知评估对象集合的任意不同元素序号，为第个底层评估指标权重序号集合子集，为加权和能力差异值；S23，利用步骤S22中的约束条件，最终构建的极大熵权重配置优化模型表示为： 其中，分别为不同种加权和能力差异值；在步骤S3中，所述基于粒子群优化算法架构，引入Sine混沌映射和压缩因子策略，通过迭代寻找个体最优和群体最优方式不断向最大熵权位置靠拢并快速收敛，形成最优权重配置方案，具体包括子步骤：S31，初始化粒子群参数，包括群体规模、每个粒子的位置、速度、边界范围、学习因子、最大迭代次数、个体最优权重粒子、群体最优权重粒子、个体最优适应度和群体最优适应度；S32，进入迭代寻优流程，首先判断每个绝对权重向量粒子是否满足第③和④类约束条件，根据约束条件满足情况计算每个绝对权重向量粒子的适应度值，具体为： S33，对每个粒子，用它的适应度值和个体最优粒子比较；如果，则用替换掉；否则，不用更新个体最优粒子；S34，对每个粒子，用它的适应度值和全局最优粒子比较；如果，则用替换掉；否则，不用更新全局最优粒子；S35，按照压缩因子计算公式更新粒子的速度中的每个元素，具体公式为： 其中，rand为0-1的随机数，为个体最优粒子的第个元素，为全局最优粒子的第个元素，为第个粒子的第个元素，为速度第个元素，为压缩因子，通过学习因子和计算得出，具体如下： ；S36，将更新的速度进行边界检测，如果超出速度边界值则修改对应速度元素为边界数值，保证其在速度约束范围内；S37，结合速度更新各绝对权重向量粒子的元素，具体为： S38，对各绝对权重向量粒子元素进行边界条件处理，超出边界的修改对应元素为边界数值，并最终进行归一化操作形成更新后的绝对权重向量粒子；未超出边界的，则进行下一步是否完成迭代的判断操作；S39，判断是否完成迭代，若是则结束并输出优化结果，否则返回流程S32，继续迭代；在步骤S31中，所述初始化粒子群参数，包括群体规模、每个粒子的位置、速度、边界范围、学习因子、最大迭代次数、个体最优权重粒子、群体最优权重粒子、个体最优适应度和群体最优适应度，具体包括子步骤：S311，初始化设置粒子的维度大小、边界范围、学习因子和最大迭代次数参数；S312，随机生成第一个绝对权重向量粒子和对应的速度，根据Sine混沌映射模型依次初始化其余的绝对权重向量种群粒子与对应的速度，具体映射模型为： 其中，为混沌映射系数，取值为0.99，为第个粒子的第个元素，为第个速度的第个元素，和是针对第个粒子和速度生成的第个粒子和速度；S313，基于生成的各绝对权重向量种群粒子进行归一化操作，即 其中，为归一化后的第个粒子的第个元素；S314，判断当前生成的绝对权重是否满足第③和④类约束条件，如果不满足重新执行步骤S311和步骤S312的操作，直至满足约束条件；S315，随机生成个体最优权重粒子、群体最优权重粒子，通过极小值初始化个体最优适应度和群体最优适应度；在步骤S4中，所述计算各评估对象的群体效益和最大个别遗憾具体利用VIKOR算法框架计算各评估对象的群体效益和最大个别遗憾；在步骤S4中，所述结合最优权重方案和各评估对象底层指标量化值构建决策矩阵，计算各评估对象的群体效益和最大个别遗憾，最终形成各评估对象的相对能力排序结果，具体包括子步骤：S41，基于各评估对象的指标量化数值和指标权重构建多评估对象的决策矩阵，其元素为： 其中，为第个当前评估对象的第个指标的量化值，为决策矩阵第行第列的元素，为当前评估对象的数量；S42，通过最大值与最小值计算构建正理想解和负理想解，具体计算公式如下： 其中，min表示最小值函数，为第个指标的正理想解，为第个指标的负理想解；S43，分别计算当前各评估对象的群体效益和最大个别遗憾，具体计算公式如下： S44，计算当前各评估对象的利益比率数值并对其进行大小排序，具体计算公式如下： 其中，为决策系数，为利益比率，该值越靠近1则代表评估对象能力越小，反之则越大；

全文数据：

权利要求：

百度查询： 中国电子科技集团公司第十研究所 一种基于先验认知的相对能力评估排序方法、设备及系统