一种新的鲁棒网络基于松弛测度模型
最优化与控制
2021-10-22 v1
摘要
在现实挑战中，不可预见和未知的事件常影响数据值，从而可能影响问题的性能。决策单元（DMUs）的性能由基于松弛测度（SBM）模型确定，该模型仅考虑无不确定性的精确数据值，且为黑箱模型。许多作者已使用模糊 SBM 与随机 SBM 来处理模糊性与不确定性，且许多人使用这些方法处理模糊与不确定数据。然而，某些模糊与不确定数据不能视为模糊逻辑与随机数据，因为必须给出大量规则才能构建概念性方法。因此，本文使用鲁棒优化处理不确定数据，其中输入输出数据被限制于保持在某不确定性集内，并带有依赖于该不确定性集最坏情形输出的额外约束，且以网络 SBM 模型处理黑箱。从而，本文提出一种处理负向、缺失与不良数据的鲁棒网络 SBM 模型，旨在最大化效率（与传统网络 SBM 相同），并以不确定性集计算出的最坏情形效率作为其确定效率时的维持约束。最后，计算了印度银行的绩效，并将所提模型结果与精确网络 SBM 模型比较，展示了决策者如何提升印度银行的绩效。
引用
@article{arxiv.2110.11042,
title = {A New Robust Network Slack Based Measure Model},
author = {Alka Arya and Shubham Singh},
journal= {arXiv preprint arXiv:2110.11042},
year = {2021}
}