偏好模型的新型参数识别方法

本文提出了一项贡献，旨在为工业决策者提供多准则决策支持，以确定在处理风险或创新产品时，在设计准则之间找到最佳妥协。在 (RENAUD 等 2008) 的工作中，我们使用了 OWA 算子（有序加权平均），这是一种已知的多准则分析技术，由 (YAGER 1988) 引入。这种聚合方法的优势在于，其易用性以及能够根据单个尺度评估产品。使用 OWA 方法时，准则权重及其值选择是一个重要且微妙的操作。事实上，权重并非由准则固定，而是根据效用水平（FISHBURN 1967）进行确定。此外，权重还可以使用不同方法进行确定。传统方法是通过专家对最具代表性的样本进行先验选择来估计权重。我们提出了一种新方法，基于应用 D-优化性来确定最佳样本。比较了两种方法的结果。事实上，在某些多准则决策问题中，选择哪种方法能更好地描述决策者的行为是一个难题。如上所述，本文的第一部分提出了一种基于 D-优化性的原创方法，用于确定最具代表性的样本集合以确定决策参数。该方法已应用于 OWA 方法中。结果表明，该方法的准确性和可靠性得到了提高。由于 OWA 的应用得到了改进，本文的另一个目标是验证实际决策者是否具有基于 OWA 的行为。为实现这一目标，我们将 D-优化方法应用于 MAUT（多属性效用理论）方法，以找到最佳样本集合。两种方法的结果进行了比较。两个方法都表明，尽管 OWA 更能模拟决策者的行为，但其分数与 OWA 之间仍存在差距。此处的问题是如何提高 OWA 估计的分数相对于专家给出的分数的准确性。随后，测试了一种混合方法，即 MAUT 和 OWA 方法的线性组合。使用该组合获得的结果比 OWA 更准确。然而，我们也测试了 CHOQUET 离散积分方法。换句话说，可能找到一种能够更好地描述决策者行为的模型。