决策：词典编纂程序
Decision Making: Lexicographical Procedure
摘要：
介绍了生成词典法在多准则决策问题中的应用。
英文摘要：
It is introduced the using of generation lexicographical procedure for multicriteria decision-making problems.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
相关论文
决策：系统词典
Decision Making: system lexicon
利用词典编纂过程给出了程序实现系统“词典”。
math.OC
一种用于多准则决策辅助的新型序数回归方法：以可持续生态村的时空模型为例
A new Ordinal Regression procedure for Multiple Criteria Decision Aiding: the case of the space time model for a sustainable Ecovillage
本研究提出一种结合卡片组法与基于Choquet积分的序数回归的多目标优化决策方法，通过迭代交互获取决策者偏好，应用于意大利都灵省可持续生态村的设施选址与时序规划。
math.OC
多标准决策和效率分析问题中的虚拟缺口分析程序
Virtual Gap Analysis procedures for Multi-Criteria Decision-Making and Efficiency Analysis Problems
National Yang Ming Chiao Tung University（国立阳明交通大学）；Providence University
本文提出了一种基于虚拟缺口分析的新型效率分析方法，用于多标准决策和效率分析问题，通过线性规划模型提供稳健解决方案，减少选择最佳决策单元的计算成本。
math.OC
决策：定性信息
Decision-Making: Qualitative Information
从这一套程序中，我们将只选择对专家的成对决策的询问。这是一种广泛使用的方法。这使得整个章节在决策的理论上，很好地用形式化的观点进行了研究。在现代决策理论中，在为数学模型收集初始信息时，实际上是没有选择的。
math.OC
一种新的定标MCDA程序--两两比较表的组合和卡片组法
A new scaling MCDA procedure putting together pairwise comparison tables and the deck of cards method
本文论述了一种改进的版本的卡的方法，使建设的比例和间隔尺度更“准确”的甲板。这一改进来自于这样一个事实：我们可以考虑决策者提供的更丰富、更精细的偏好信息，这使得可以更准确地对量表的两个连续水平之间的偏好强度进行建模。我们不仅考虑了在对象（如标准和量表水平）的排名中连续位置之间的空白卡的数量，还考虑了排名中非连续位置之间的空白卡的数量。此信息收集在成对比较表中，不一定使用精确值构建。我们还可以考虑以范围形式提供的缺失信息和不精确信息。由于决策者提供的信息不一定是一致的，我们还提出了一些程序，以帮助决策者作出一致的评价，在一个共同建设性的方式与分析师互动，反映和修改她/他的判断。该方法通过一个例子来说明，其中，推广的SWING方法，相互作用的标准是通过Choquet积分聚合。
math.OC
用于二分类结局临床试验中响应自适应程序的约束马尔可夫决策过程
Constrained Markov decision processes for response-adaptive procedures in clinical trials with binary outcomes
本研究提出用于二分类结局临床试验响应自适应程序的CMDP方法，可在约束下实现特定目标，开发了最优及近优求解方法，实验表明其在I、II类错误相关场景下性能优于现有CRDP程序。
math.OCstat.ME
更多相关论文收起更多论文
基于DLMP的配电网约束分散需求响应协调方法
DLMP-based Coordination Procedure for Decentralized Demand Response under Distribution Network Constraints
负荷聚合器是独立的私人实体，其目标是优化多个住宅消费者提供的能源消耗灵活性。虽然聚合器以分散的方式优化其决策，但如果其各自的消费者属于同一配电网，则它们间接地联系在一起。这对于负责配电网可靠性的配电系统运营商（DSO）来说是一个重要的问题，它必须确保所采取的分散决策不违反电网约束，并且不增加全局系统成本。从信息的角度来看，网络状态和特征对DSO来说是保密的，这使得分散式解决方案更具相关性。为了解决这个问题，我们提出了一个分散的协调机制之间的DSO和多个聚合器，计算最佳的需求响应曲线，同时解决最优潮流问题。该程序，基于分布位置边际价格（DLMP），保留了分散的结构的信息和决策，并导致一个可行的和最优解的聚合器和DSO。从机制设计的角度分析了这一过程，并提出了不同的分散方法，可以用来实现这一过程。
cs.MAmath.OC
面向环境政策制定的模型不确定性下共识群体决策
Consensus group decision making under model uncertainty with a view towards environmental policy making
本文基于 Fréchet 重心提出迭代两阶段共识群体决策方法，并通过聚类处理大型异质群体，用于支持模型不确定性下的环境政策决策。
cs.MAecon.GNmath.OC
GLISp-r：一种具备收敛性保证的基于偏好的优化算法
GLISp-r: A preference-based optimization algorithm with convergence guarantees
University of Bergamo（贝加莫大学）
该研究从效用理论视角建模基于偏好的优化问题，提出GLISp的扩展算法GLISp-r，采用受MSRS启发的新样本筛选准则，通过理论证明和多基准实验验证其具备全局收敛性且不易陷入局部最优。
cs.LGmath.OC
全局凹报酬在线马尔可夫决策过程的强化学习探索-利用权衡
Exploration-Exploitation Trade-off in Reinforcement Learning on Online Markov Decision Processes with Global Concave Rewards
National University of Singapore（新加坡国立大学）
我们考虑一个参与马尔可夫决策过程的代理，每轮都接收一个结果向量。她的目标是最大化平均向量结果的全局凹奖励函数。该问题模型的应用程序，如多目标优化，最大熵探索，并在马尔可夫环境中的约束优化。在我们的一般设置中，一个固定的策略可能有多个循环类，代理人面临着一个微妙而重要的权衡，在不同的行动之间交替平衡矢量结果。特别是，固定的政策一般是次优的。我们提出了一种基于在线凸优化（OCO）工具（Agrawal和Devanur 2014）和UCRL 2（Jaksch等人2010）的无遗憾算法。重要的是，我们引入了一种新的梯度阈值程序，它仔细控制动作之间的切换，以处理微妙的权衡。通过延迟梯度更新，我们的过程产生了一个非平稳的政策，多样化的结果优化的目标。该程序与各种OCO工具兼容。
cs.LGmath.OCstat.ML
最优随机分类树
Optimal randomized classification trees
Universidad de Sevilla（塞维利亚大学）；Copenhagen Business School（哥本哈根商学院）
分类和回归树（CART）是现代统计学和机器学习中的现成技术。CART传统上通过贪婪过程来构建，顺序地决定分裂预测变量和相关阈值。这种贪婪的方法训练树非常快，但是，就其本质而言，它们的分类准确性可能无法与其他最先进的方法竞争。此外，控制关键问题，如每个类别的错误分类率，是困难的。为了解决这些缺点，最近在文献中提出了最优决策树，其使用离散决策变量来建模每个观察将在树中遵循的路径。相反，我们提出了一种基于连续优化的新方法。我们的分类器可以被看作是一个随机树，因为在决策树的每个节点上都会做出随机决策。计算经验报告表明，我们的程序的良好性能。
cs.LGmath.OCstat.ML
