维萨卢塔

序贯回归:一组加性值函数的多准则排序。VisualUTA是UTA^GMS方法的第一个实现,该方法使用一组从序数回归得到的加值函数对集合A中的备选方案进行多准则排序。决策者提供的偏好信息是一组对备选方案a^R的子集进行的两两比较,称为参考方案。通过序贯回归建立的偏好模型是一组与偏好信息相容的加性值函数集。利用这个模型,我们可以在集合A中定义两个关系:必要的弱偏好关系(强优序关系)和可能的弱偏好关系(弱优序关系)和可能的弱偏好关系(弱优序关系),这两个关系适用于集合A中的任何两个备选方案A和b当且仅当至少一个兼容的值函数a优于b时,它适用于此对。这些关系建立了一个必要的(强的)和一个可能的(弱)的排序,从a,分别是一个部分前序和一个强完全和负传递关系。UTA^GMS方法旨在交互使用,增加子集A^R和成对比较的渐进语句。当不提供偏好信息时,必要的弱偏好关系是弱优势关系,可能的弱偏好关系是完全关系。参考方案的每一次新的两两比较都是对必要关系的丰富,对可能关系的贫化,使之随着偏好信息的增长而收敛。此外,当决策者的偏好陈述不能以加性值函数表示时,该方法也能为决策者提供支持。


zbMATH中的参考文献(参考文献109篇文章,1标准件)

显示109个结果中的1到20个。
按年份排序(引用)
  1. 阿西迪亚科,萨莉朱塞佩;科伦特,萨尔瓦托;Greco,Salvatore:具有交互准则的层次结构的鲁棒随机排序(2021)
  2. 科伦特,S。;菲盖拉,J.R。;Greco,S.:多准则决策辅助中的卡片组内成对比较表(2021)
  3. 卡钦斯基,米奥斯;Ciomek,Krzysztof:基于阈值的多准则排序任务示例交互式启发的主动学习策略(2021)
  4. 阿西迪亚科,萨莉朱塞佩;科伦特,萨尔瓦托;Greco,Salvatore:在多准则辅助决策中尽可能简单但不简单:鲁棒随机水平相关Choquet积分方法(2020)
  5. 西蒙妮·维奥里奥;贾洛塔,阿尔菲奥;格雷科,萨尔瓦托;麦切罗尼,法比奥;马里纳奇,马西莫:理性偏好与合理选择(2020)
  6. 贾洛塔,阿尔菲奥;沃森,斯蒂芬:传递性和完备性之间的双偏好相互作用:重新表述和扩展Schmeidler定理(2020)
  7. 卡钦斯基,米奥斯;穆罕默德·加德里;Dąbrowski,Maciej:多准则排序问题的或有偏好分解模型(2020)
  8. 卡钦斯基,米奥斯;马汀,克鲁兹托夫;西内利,马可;斯奥温斯基,罗马人;科伦特,萨尔瓦托;Greco,Salvatore:带有部分单调性约束的多准则排序的偏好分解:纳米材料暴露管理的应用(2020)
  9. 玛雅,布里斯;Bouyssou,Denis:2-加性Choquet积分模型中准则之间的必要和可能的相互作用(2020)
  10. 波迪诺夫斯基,弗拉迪斯拉夫V.:多准则选择问题的最大似然解(2020)
  11. Tsionas,Mike G.:关于sigma-mu效率分析作为通过综合指标评估单位的方法的说明(2020年)
  12. 维亚皮亚尼,保罗;Boutiler,Craig:最优推荐集和近视最优查询集的等价性(2020)
  13. 格雷科,萨尔瓦托;石崎,阿莱西奥;塔西奥,梅内劳斯;Torrisi,Gianpiero:西格玛mu效率分析:通过综合指标评估单位的方法(2019年)
  14. 刘佳鹏;廖秀武;卡钦斯基,米奥斯;Słowinèski,Roman:具有多个潜在非单调准则的排序问题的正则化框架内的偏好分解(2019)
  15. 托姆齐克,米查克。;多元序贯回归指导下的随机回归(2019年:交互式进化优化)
  16. 阿尔坎图德,何塞·卡洛斯。;比恩多,阿莱西奥E。;贾洛塔:模糊政治。一: 《政党的起源》(2018)
  17. 阿西迪亚科,萨莉朱塞佩;科伦特,萨尔瓦托;Greco,Salvatore:GAIA-SMAA-PROMETHEE:互动标准的层次结构(2018)
  18. 贝拉克涅。;拉布雷什,C。;莫德特,N。;穆索,V。;Ouerdane,W.:从示例中学习多准则非补偿性排序规则的有效SAT公式(2018)
  19. 科斯塔,安娜·萨拉;菲盖拉,何塞芮;Borbinha,José:基于相似性和相异性概念的多准则名词性分类方法(2018)
  20. 法斯特,托比亚斯;拉尔森,阿伦;爱肯伯格,爱;Danielson,Mats:使用基数排序衡量冲突:决策分析冲突评估的应用(2018)