m0_74140776的博客

主要由三大模块构成：1、编解码2、个体适应度评估3、遗传运算。

线性规划只能解决一组线性约束条件下一个目标的max和min问题，但实际决策中通常要考虑多个目标，这些目标有主有次，有定性有定量，有对立有补充，此时就要用到多目标规划。将正负偏差引入目标函数，在用户给定goal的前提下尽量减少偏差（即使得严格的不等式约束尽可能小的被突破），用人话说就是给定约束条件下尽量接近或达到指定的目标值。在优化问题具有多个独立的、相互竞争的目标的情况下找到一组非支配解集合（Pareto最优解）目标规划特有的，约束右端是要追求的目标值，允许发生正负偏差。必须严格满足的等式和不等式的约束。

顾名思义，即在模糊综合评价的基础上，将评价问题分解为多个层次，每个层次进行模糊综合评价，然后逐层汇总。R4（工作成绩，由单位考核组成员打分）： R4=[0.2,0.6,0.2,0,0]R2（工作能力，由部门领导打分）： R2=[0.2,0.5,0.2,0.1,0]R1（政治表现，由群众评议打分）： R1=[0.1,0.5,0.4,0,0]R3（工作态度，由部门领导打分）： R3=[0.2,0.5,0.3,0,0]V={v1​=优秀,v2​=良好,v3​=一般,v4​=较差,v5​=差}

只有两个指标，且做出散点图后发现数据表现得很“DBSCAN”（簇的形状是任意的），这时候再用DBSCAN进行聚类。基于密度的聚类方法，聚类前不用预先指定聚类的个数。可以发现任意形状的簇，可以将密度足够大的相邻区域连接，有效处理异常数据。对未知类别的对象进行分类，可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测；->计算每个样本与当前已有聚类中心的最短距离（值越大，该样本被选为聚类中心的概率越大）->对基因表达数据进行聚类，以发现具有相似表达模式的基因群，以及蛋白质结构分类。

确认整个决策事件的目标层+准则层（可以有子准则层）+方案层% 计算特征向量和特征值% 找到最大的特征值% 对应的特征向量% 归一化特征向量% 一致性指标 (CI)% 随机一致性指标 (RI)% 当 n