改进距离熵权MULTIMOORA的铁路应急救援方案搜索

引用本文

左静, 帅斌, 黄文成. 改进距离熵权MULTIMOORA的铁路应急救援方案搜索. 2017, 47(4): 1068-1074
ZUO Jing, SHUAI Bin, HUANG Wen-cheng. Railway emergency rescue program searching based on improved distance entropy MULTIMOORA. Journal of Jilin University Engineering and Technology Edition, 2017, 47(4): 1068-1074 复制到剪切板

Permissions

改进距离熵权MULTIMOORA的铁路应急救援方案搜索

左静^1,², 帅斌², 黄文成²

1.兰州交通大学自动化与电气工程学院,兰州 730070

2.西南交通大学交通运输与物流学院,成都 610031

通讯作者：帅斌(1967-),男,教授,博士.研究方向:交通运输安全管理.E-mail:bsh67@126.com

作者简介:左静(1983-),女,讲师,博士研究生.研究方向:突发事件应急风险演化与控制.E-mail:zuojing_0715@sina.com

基金:国家自然科学基金项目(71173177); 甘肃省青年科技计划基金项目(145RJYA242); 兰州交通大学青年科学基金项目(2015041).

摘要

将改进距离熵权下的MULTIMOORA方法应用到铁路突发事件应急方案搜索中,提出了一种快速、准确的救援方案搜寻方法。将区间数用于描述模糊且不确定的案例信息,在特征态势属性提取的基础上,提出了模糊信息下的改进距离熵权获取方法。同时将强鲁棒性的MULTIMOORA方法用于铁路突发事件应急方案搜索推理中,建立了铁路应急救援方案搜索模型。通过算例说明该方法用于铁路突发事件应急方案搜索的具体过程。案例分析结果表明,本文方法能够较好满足铁路突发事件制定应急方案的时效性与准确性需求。

关键词: 铁路运输; 方案搜索; 改进距离熵权; MULTIMOORA方法; 铁路突发事件

中图分类号:U298.6 文献标志码:A 文章编号:1671-5497(2017)04-1068-07

Railway emergency rescue program searching based on improved distance entropy MULTIMOORA

ZUO Jing^1,², SHUAI Bin², HUANG Wen-cheng²

1.School of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China;

2.College of Transportation and Logistics, Southwest Jiaotong University, Chengdu 610031, China

Abstract

A practical, intelligent and accurate railway emergency rescue management program searching support method is proposed, which employs the improved distance entropy MULTIMOORA method. First, the intervals are used to describe the fuzzy and uncertain case information. After extracting the characteristic attributes, an improved distance entropy method with fuzzy information is proposed. Then, the high-robustness MULTIMOORA program searching method is applied to the railway emergency rescue program searching inference. A specific case study is used to explain the application of the proposed method. Results show that the improved distance entropy MULTIMOORA method is effective and accurate in solving the railway emergency rescue program searching problem.

Keyword: railway transportation; program searching; improved distance entropy; MULTIMOORA method; railway emergency

Show Figures

0 引言

目前, 国内针对铁路突发事件进行了不少相关研究。罗文婷等^[1]的研究主要集中在应急救援系统、应急能力评价及应急预案的制定和管理等方面。张振海等^[2]、李小平等^[3]提出的救援处置方法中使用固定数值表示突发事件模糊状态。由于固定数值只能近似表示模糊状态, 因此以上方法确定的救援方案可能并不适用于实际突发事件救援行动。同时以上方法均存在处理数据量越大推理效率越低或在高维数据空间中无法工作的问题。铁路突发事件应急方案的确定过程需要考虑人、车、环境、线路等多种因素, 具有复杂、模糊与不确定性。同时现场状况不断变化, 使得到的数据信息也时刻处于波动状态, 故要求突发事件应急救援方案具有更高准确性与稳定性。

因此, 作者提出以铁路辅助应急救援方案搜索推理为研究背景, 采用区间数对模糊信息进行描述, 将改进距离熵权法与MULTIMOORA相结合, 通过对以往相似案例成功救援任务所对应救援方案的搜索, 寻找出需要的救援方案。该方法既能准确地刻画模糊信息, 实时、快速、科学地确定不同预案下的救援方案, 又能将模糊信息进行有效描述, 使系统具有良好鲁棒性, 为突发事件救援工作快速、准确地开展提供支持。

1 基本理论

1.1 距离熵权重

熵是信息论中测度信息量的工具^[4], 而基于此建立的熵权法则是一种客观赋权方法^{[4, 5]}。在该方法中, 系统越有序, 信息量表示的熵越低, 所起作用越小, 权重越低; 反之则权重越大。距离熵即为通过衡量系统各单位元间距离, 计算各指标对应的距离熵权重, 计算方法见文献^[5]。

1.2 MULTIMOORA理论

Brauers^[6]于2006年提出了满足影响多属性决策鲁棒性7项条件的比例分析多目标优化法(Multi-objective optimization by ratio analysis coupled with reference point theory, MOORA), 同时证明了该方法具有良好的鲁棒性。接着, Brauer将全乘模型引入MOORA方法, 提出全乘比例分析多目标优化MULTIMOORA法。目前MULTIMOORA在材质选定、人员甄选、机械制造等方面得到了广泛的应用^{[6, 7, 8, 9]}。

2 基于区间模糊信息改进距离熵的权重

将距离引入传统熵权法用于融合信息属性。当系统稳定时熵最小, 信息系统中属性状态的微小变化就可以包含大量信息, 对决策结果有较强指导。文献[5]以各指标最优目标值为参考点, 然而最优值并不能代表整体数据特性, 因此不能完整地度量相应指标的变异程度, 不能较好描述当前系统。例如, 假设方案1和方案2在效益型指标下的属性值分别为A₁=(0.5, 0.6, 0.6, 0.6)^T 和A₂=(0.7, 0.6, 0.6, 0.6)^T 。直观地可以看出, 两属性值变异程度差异甚小。而根据文献[5]以最优值作为参考值计算的权重分别为0.828和0.172, 相差较大, 显然不符合实际情况。

多属性求解过程中, 往往由于问题的复杂性及不确定性, 若单纯使用固定数值对属性取值进行描述, 可能会导致信息缺失或推理不准确。因此本文将区间数引入改进距离熵权的计算, 可以更全面地把握模糊信息下救援现场的状况, 达到提高突发事件救援方案精准搜寻的目的。根据铁路突发事件信息特点, 将方差的思想融入模糊信息系统, 提出以平均值为参考点的改进距离熵确定指标权重, 步骤如下所示。

Step1 将模糊矩阵 $\begin{matrix} \tilde{A} = [{\tilde{a}}_{ij}]_{m \times n} \end{matrix}$ 进行标准化处理, 得到标准化模糊信息矩阵 $\begin{matrix} \tilde{R} = [{\tilde{r}}_{ij}]_{m \times n} 。 \end{matrix}$

$\begin{matrix} \{\begin{matrix} {\tilde{r}}_{ij} = \frac{{\tilde{a}}_{ij}}{\sqrt[]{\overset{m}{\sum_{i = 1}} {\tilde{a}}_{ij}^{2}}} \\ {r^{L}}_{ij} = \frac{{\tilde{a}}^{L}_{ij}}{\sqrt[]{\overset{m}{\sum_{i = 1}} {({\tilde{a}}^{U}_{ij})}^{2}}} \\ {r^{U}}_{ij} = \frac{{\tilde{a}}^{U}_{ij}}{\sqrt[]{\overset{m}{\sum_{i = 1}} {({\tilde{a}}^{L}_{ij})}^{2}}} \\ i = 1, 2, \dots, m; j = 1, 2, \dots, n \end{matrix} (1) \end{matrix}$

式中: $\begin{matrix} {\tilde{a}}_{ij} \end{matrix}$ 为矩阵元素且为区间数, 区间为 $\begin{matrix} [{a^{L}}_{ij}, {a^{U}}_{ij}] 。 \end{matrix}$

Step2 通过Heronian平均算子^[10], 计算矩阵 $\begin{matrix} \tilde{R} = {[{\tilde{r}}_{ij}]}_{m \times n} \end{matrix}$ 代表的平均信息。得到平均信息向量 $\begin{matrix} \bar{R} = IH M^{p, q} ({\tilde{r}}_{j}), 其中 p \geq 1, q \geq 1 。 \end{matrix}$

$\begin{matrix} \begin{matrix} \bar{R} = [{(\frac{2}{n (n + 1)} \overset{n}{\sum_{j = 1}} \overset{n}{\sum_{j = k}} {({r^{L}}_{j})}^{p} {({r^{L}}_{K})}^{q})}^{\frac{1}{p + q}}, \\ {(\frac{2}{n (n + 1)} \overset{n}{\sum_{j = 1}} \overset{n}{\sum_{j = k}} {({r^{U}}_{j})}^{p} {({r^{U}}_{K})}^{q})}^{\frac{1}{p + q}}] (2) \end{matrix} \end{matrix}$

Step3 计算各指标下信息值与平均信息间的距离, 得到信息距离矩阵 $\begin{matrix} D = {[d_{ij}]}_{m \times n}, \end{matrix}$ 其中:

$\begin{matrix} \begin{matrix} d_{ij} = \sqrt[]{{|{\tilde{r}}^{L}_{ij} - IHM ({\tilde{r}}^{L}_{j})|}^{α} + {|{\tilde{r}}^{U}_{ij} - IHM ({\tilde{r}}^{U}_{j})|}^{α}} (3) \\ i = 1, 2, \dots, m; j = 1, 2, \dots, n; α \geq 1 \end{matrix} \end{matrix}$

Step4 将所有指标距离和与单指标距离之比作为系统熵出现的概率, 计算指标距离熵 $\begin{matrix} E = (E_{1}, E_{2}, \dots, E_{n})^{T} 。 \end{matrix}$

$\begin{matrix} \begin{matrix} E_{j} = - \overset{m}{\sum_{i = 1}} \frac{d_{ij}}{\overset{m}{\sum_{i = 1}} d_{ij}} \ln \frac{d_{ij}}{\overset{m}{\sum_{i = 1}} d_{ij}} (4) \\ j = 1, 2, \dots, n \end{matrix} \end{matrix}$

Step5 通过熵权法得到客观属性信息搭载量, 确定指标重要度信息即所求权重。将距离熵归一化处理并计算熵权重 $\begin{matrix} ω = (ω_{1}, ω_{2}, \dots, ω_{n})^{T} 。 \end{matrix}$

$\begin{matrix} \{\begin{matrix} e_{j} = - \frac{1}{lnn} E_{j} \\ ω_{j} = \frac{1 - e_{j}}{n - \overset{n}{\sum_{j = 1}} e_{j}} \end{matrix} (5) \end{matrix}$

式中:0≤ ω _j≤ 1, 且 $\begin{matrix} \overset{n}{\sum_{j = 1}} \end{matrix}$ ω _j=1, j=1, 2, …, n。

相对于文献^[5], 引入平均值能够更好地刻画元素与系统整体差异化程度, 更合理地表征指标变异程度。重新计算权重分别为0.5和0.5, 即两者同等重要, 这表明本文所提距离熵及其确定权重的方法更具合理性。

3 本文方法

3.1 突发事件案例属性的建立

将以往铁路突发事件中具有代表性的案例进行筛选并将这些案例描述进行梳理。通过咨询铁路应急管理部门专家抽取代表案例特征的关键词。对关键词进行数字化描述, 使语言化描述的案例转化为计算机可识别的信息。根据识别信息建立基本态势信息属性-事件矩阵 $\begin{matrix} \tilde{A} = {[{\tilde{a}}_{ij}]}_{m \times n} 。 \end{matrix}$ 由于突发事件信息大多为模糊且不确定的, 本文使用区间数表示其取值范围或类型, 因此矩阵元素 $\begin{matrix} {\tilde{a}}_{ij} \end{matrix}$ 为区间数。 $\begin{matrix} {\tilde{a}}_{ij} \end{matrix}$ 表示第 $\begin{matrix} i \end{matrix}$ 个案例的第 $\begin{matrix} j \end{matrix}$ 个属性的取值或取值范围, 其具体构建及转化方法见文献^[11]。

3.2 改进距离熵权的模糊案例属性信息融合

在救援方案搜索中越起关键指导作用的属性在搜索中所占信息比重越大, 找寻方案越贴近现实状况, 更符合救援现状。将属性矩阵 $\begin{matrix} \tilde{A} \end{matrix}$ 结合第2节方法得到属性权重向量 $\begin{matrix} ω (其中 p = 1, q = 1, α = 2) \end{matrix}$ 进行属性信息融合, 以达到修正搜索属性信息的目的, 即利用事件属性权重融合属性矩阵 $\begin{matrix} \tilde{A} \end{matrix}$ 获得更贴合突发事件特点的矩阵:

$\begin{matrix} \tilde{A}' = \tilde{A} \times ω (6) \end{matrix}$

3.3 信息融合下的模糊属性信息比对

将属性矩阵 $\begin{matrix} \tilde{A} \end{matrix}$ 修正后即完成案例库的建立与预处理。当铁路突发事件发生时, 工作人员通过对事故信息关键词提取得到相应模糊信息特征向量 $\begin{matrix} \tilde{X}, \end{matrix}$ 结合权重 $\begin{matrix} ω \end{matrix}$ 得到加权信息特征向量 $\begin{matrix} {\tilde{X}}_{c} 。 \end{matrix}$ 通过区间数距离公式进行案例库与事发案例信息比对, 建立基于距离的加权信息特征向量 $\begin{matrix} {\tilde{X}}_{c} \end{matrix}$ 与修正属性矩阵 $\begin{matrix} \tilde{A}' \end{matrix}$ 间属性比对矩阵 $\begin{matrix} B = [b_{ij}] 。 \end{matrix}$ 区间数距离计算公式如下:

$\begin{matrix} d^{*} = d (\tilde{a}, \tilde{b}) = \sqrt[p]{{|a^{L} - b^{L}|}^{α} + {|a^{U} - b^{U}|}^{α}} (7) \end{matrix}$

式中: $\begin{matrix} \tilde{a} 和 \tilde{b} \end{matrix}$ 为两行具有相同元素的向量; α =2。

3.4 基于MULTIMOORA的救援方案推理

MULTIMOORA是利用比率法(Ratio system, RS)和参照点法(Reference point, RP)^[6]排序后并运用优势理论(Dominance theory, DT)^[9]进行共同排序。在获得排序结果的MOORA算法的基础上, 将全乘模型(Full multiplicative form, FMF)引入得到综合信息的决策方法^[7]。研究表明, MULTIMOORA推理结果更准确且系统鲁棒性更强。铁路突发事件救援方案搜索就是将事故及案例库信息间距离, 通过使用MULTIMOORA方法完成综合推理计算, 找出与事发案例综合效用最为接近案例, 步骤如下所示。

Step1 比率法:利用突发事件与案例库中第 $\begin{matrix} i \end{matrix}$ 个案例间属性距离和的大小来衡量该方案优劣程度。 $\begin{matrix} y_{i}^{*} \end{matrix}$ 越大, 则该值所对应的第 $\begin{matrix} i \end{matrix}$ 个方案越优, 从而对 $\begin{matrix} m \end{matrix}$ 个案例方案进行排序。

$\begin{matrix} \begin{matrix} y_{i}^{*} = \overset{g}{\sum_{j = 1}} d_{ij}^{*} - \overset{n}{\sum_{j = g + 1}} d_{ij}^{*} (8) \\ i = 1, 2, \dots, m; j = 1, 2, \dots, n \end{matrix} \end{matrix}$

式中: $\begin{matrix} g = 1, 2, \dots, n \end{matrix}$ 表示突发事件正向属性个数。

Step2 参考点法:将案例属性指标进行特性划分, 若属性为正向属性, 则取该属性 $\begin{matrix} j \end{matrix}$ 列中最大元素作为参照点 $\begin{matrix} r^{*} = (r_{1}^{*}, r_{2}^{*}, \dots, r_{j}^{*}, \dots, r_{n}^{*}) \end{matrix}$ 中的 $\begin{matrix} r_{j}^{*}; \end{matrix}$ 反之取最小。同时计算距离比对矩阵 $\begin{matrix} b_{i} \end{matrix}$ 与参照点之间的距离 $\begin{matrix} d (r^{*}, b_{i}) 。 \end{matrix}$ 以Minkowski度量方法^[12]可将该距离表示为:

$\begin{matrix} \begin{matrix} d (r^{*}, b_{i}) = {\{\overset{n}{\sum_{j = 1}} {(r_{j}^{*} - d_{ij}^{*})}^{α}\}}^{1 / α} (9) \\ α \in N; i = 1, 2, \dots, m; j = 1, 2, \dots, n \end{matrix} \end{matrix}$

式中: $\begin{matrix} α = 2, 通过第 i \end{matrix}$ 个备选方案全部属性综合效用衡量该方案优劣程度, 综合效用越大越优。

Step3 全乘模型:将标准化后的比对矩阵 $\begin{matrix} B = [b_{ij}] \end{matrix}$ 属性值分别按正向、逆向指标计算模型的效用值。确定全程模型综合效用, 综合效用越大越优。

$\begin{matrix} \begin{matrix} \{\begin{matrix} U_{i}^{+} = \prod_{j}^{=} d_{ij}^{*} \\ U_{i}^{-} = \prod_{j}^{=} d_{ij}^{*} \\ U_{i} = \frac{U_{i}^{+}}{U_{i}^{-}} \end{matrix} (10) \\ i = 1, 2, \dots, m; j = 1, 2, \dots, n \end{matrix} \end{matrix}$

需要指出的是:由参考文献[7]可知, 当 $\begin{matrix} d_{ij}^{*} = 0, \end{matrix}$ 特别是当该值对应为逆向指标时, 全乘模型就失去了意义。处理此种情形有两种方法:一是去掉该指标; 二是给该指标赋以相对较小的值, 本文选择去掉该指标进行计算。

3.5 优势理论排序下的救援方案搜索

MULTIMOORA搜索铁路突发事件救援方案时, 3种结果在系统模型中具有同等作用。因此利用具有广义优势关系的优势理论将推理结果融合得出最优方案^[8]。该最优方案即为案例库中与突发案例综合距离最小的案例, 也就是最为相似的案例。制定救援方案时调取该案例采用的具体救援方案, 以该案例成功救援方法同时结合专家修正作为突发事件的应急救援方案。

4 案例分析

4.1 事故描述

事件发生时间:2014年11月24日7时48分。

现场情况:725228次货运列车, 襄渝线区间上行, 机后1至12位车辆脱轨, 大雨。

人员情况:1死1伤。

4.2 数据库预处理

突发事件发生时只需调用预先处理好的数据库数据进行方案搜索, 达到提高搜索速率的目的。在此之前需根据3.1~3.3节方法进行数据预处理。将案例态势关键信息提取后得到如表1所示的信息。

表1 案例态势信息 Table 1 Case situation information

将上述信息转化为计算机可识别信息, 将不能直接界定等级或类别的信息通过区间数进行模糊信息描述, 如表2所示。

表2 案例态势信息 Table 2 Case situation information

根据表2建立属性-事件信息矩阵 $\begin{matrix} \tilde{A} \end{matrix}$ 并标准化后, 进行属性熵权的计算, 结果为: $\begin{matrix} ω = {(0.0936, 0.0945, 0.0895, 0.0921, 0.0904, 0.0920, 0.0842, 0.0842, 0.0932, 0.0945, 0.0918)}^{T} 。 \end{matrix}$

同时根据式(6)完成相应属性信息的融合与修正, 结果如表3所示。

表3 案例属性融合 Table 3 Case attributes merging

4.3 铁路突发事件救援方案搜索

结合3.1节属性表述方法将事故信息梳理并根据3.3节方法将权重信息融合, 结果为: $\begin{matrix} \begin{matrix} {\tilde{X}}_{c} = \\ (0.0094, 0.0189, 0.0179, 0.0276, 0.0181, [0.0552, 0.0828], 0.0084, 0.0084, 0.0280, 0.0189, \\ [0.275, 0.0459]) 。 \end{matrix} \end{matrix}$

将修正后的事故信息 $\begin{matrix} {\tilde{X}}_{c} \end{matrix}$ 与案例库修正信息 $\begin{matrix} \tilde{A}' \end{matrix}$ 通过3.3节方法完成相应信息比对, 得到比对结果矩阵 $\begin{matrix} B, \end{matrix}$ 结果如表4所示。

表4 事发事件与案例库对比 Table 4 Compared between emergencies and case library

矩阵 $\begin{matrix} B \end{matrix}$ 根据3.4节MULTIMOORA搜索方法计算出最优值, 即综合考虑下案例库中最接近突发事件的案例, 并通过专家咨询进行修正, 最终确定该事件应急救援方案。根据本文方法进行救援方案搜索, 结果如表5所示。

表5 救援方案搜索结果 Table 5 Results about rescue project

分析搜索结果可知:采用与案例7相似的救援方案组织突发事件救援。在实际救援过程中应根据现场实际状况及时调整救援方案达到更贴近现场实际状况的目的。同时, 结合事件态势搜索信息可以看出, 不属于一类的案例, 由于计算数值差异性较大使得综合效用较小因而被排斥在搜索推理外, 符合方案搜索推理预期。

5 结束语

本文以铁路运营应急救援案例数据为基础, 将属性距离用于描述系统一致性思想。结合熵理论将二者融合于铁路突发事件案例信息处理中。同时针对现场工作人员对突发事件现场状况描述往往为模糊或不确定的问题, 构建了模糊信息下MULTIMOORA的铁路应急救援方案搜索模型。该模型将综合效用应用于模型搜索中具有较强鲁棒性, 同时将模糊信息引入改进距离熵属性权重确定中。既提高了模糊信息下关键属性在搜索模型中的占比, 又改善了以往传统赋权主观性, 使搜索结果更加贴近铁路突发事件特性。当救援完成后, 搜索模型将事故信息及救援信息加入案例库中保存使案例数据不断丰富与完善, 达到逐渐提高方案准确性的目的。该算法能够为铁路应急管理部门在不断变化的铁路突发事件状态下, 提供稳定、时效性较高且可用性较强的辅助救援方案。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	罗文婷, 王艳辉, 贾利民, 等. 改进层次分析法在铁路应急预案评价中的应用研究[J]. 铁道学报, 2008, 30(6): 24-28. Luo Wen-ting, Wang Yan-hui, Jia Li-ming, et al. Application of improved AHP in evaluation of railway emergency plans[J]. Journal of the China Railway Society, 2008, 30(6): 24-28. [本文引用:1]
[2]	张振海, 王晓明, 张雁鹏, 等. 基于分层Agent的铁路应急救援决策方法研究[J]. 交通运输系统工程与信息, 2013, 13(2): 141-146. Zhang Zhen-hai, Wang Xiao-ming, Zhang Yan-peng, et al. Decision-making method of railway emergency rescue based on hierarchical agent[J]. Journal of Transportation Systems Engineering and Information Technology, 2013, 13(2): 141-146. [本文引用:1]
[3]	李小平, 唐士晟. 铁路救援指挥系统中 IDSS 的构建方法研究[J]. 铁道学报, 2008, 30(5): 20-24. Li Xiao-ping, Tang Shi-sheng. Research of construction method of IDSS in the railway rescue command system[J]. Journal of the China Railway Society, 2008, 30(5): 20-24. [本文引用:1]
[4]	Ye J. Fuzzy decision-making method based on the weighted correlation coefficient under intuitionistic fuzzy environment[J]. European Journal of Operation Research, 2010, 205(1): 202-204. [本文引用:]
[5]	管清云, 陈雪龙, 王延章. 基于距离熵的应急决策层信息融合方法[J]. 系统工程理论与实践, 2015, 35(1): 216-227. Guan Qing-yun, Chen Xue-long, Wang Yan-zhang. Distance entropy based decision-making information fusion method[J]. Systems Engineering Theory & Practice, 2015, 35(1): 216-227. [本文引用:3]
[6]	Brauers W K M, Zavadskas E K. The MOORA method and its application to privatization in a transition economy[J]. Control and Cybernetics, 2006, 25(2): 445-469. [本文引用:3]
[7]	Brauers W K M, Zavadskas E K. Project management by MULTIMOORA as an instrument for transition economies[J]. Technological and Economic Development of Economy, 2010, 16(1): 5-24. [本文引用:2]
[8]	Balezentis A, Balezentis T, Brauers W K M. Personnel selection based on computing with words and fuzzy MULTIMOORA[J]. Expert Systems with Applications, 2012, 39(9): 7961-7967. [本文引用:2]
[9]	Balezentis T, Zeng S Z. Group multi-criteria decision making based upon interval-valued fuzzy numbers: an extension of the MULTIMOORA method[J]. Expert Systems with Applications, 2013, 40(2): 543-550. [本文引用:2]
[10]	王东晓, 李自强, 刘卫锋. 区间数Heronian平均算子[J]. 数学的实践与认识, 2015, 45(21): 274-281. Wang Dong-xiao, Li Zi-qiang, Liu Wei-feng. Interval number Heronian mean operators[J]. Mathematics in Practice and Theory, 2015, 45(21): 274-281. [本文引用:1]
[11]	左静, 帅斌. 铁路非常规突发事件应急救援决策方法研究[J]. 交通运输系统工程与信息, 2014, 14(6): 120-125. Zuo Jing, Shuai Bin. Research of decision-making method for unconventional railway emergency rescue[J]. Journal of Transportation Systems Engineering and Information Technology, 2014, 14(6): 120-125. [本文引用:1]
[12]	时永刚. Minkowski广义距离与多模态图像配准[J]. 北京理工大学学报, 2005, 25(10): 70-75. Shi Yong-gang. A similarity measure based on Minkowski generalized divergence for multimodal image registration[J]. Transactions of Beijing Institute of Technology, 2005, 25(10): 70-75. [本文引用:1]

2008

0.0

. 2008, 30(6):24-28 DOI:doi:10.3321/j.issn:1001-8360.2008.06.005

Application of improved AHP in evaluation of railway emergency plans

改进层次分析法在铁路应急预案评价中的应用研究

Luo Wen-ting , Wang Yan-hui , Jia Li-ming

罗文婷, 王艳辉, 贾利民

根据铁路应急预案的特点,建立了铁路应急预案综合评价指标体系.该指标体系具有层次结构复杂、指标分布不均衡的特性.本文对这些特性进行分析,研究其给传统层次分析法带来的影响及误差.据此,对传统层次分析法的构建指标层次结构方面进行改进,并引用G1法计算指标权重值,从而达到减少不利影响及误差的目的.最后以青藏铁路某专业应急预案为例,对该方法的合理性和可靠性进行验证,并指出该方法在其他领域的适用范围.

... 罗文婷等^[1]的研究主要集中在应急救援系统、应急能力评价及应急预案的制定和管理等方面 ...

2013

0.0

. 2013, 13(2):141-146 DOI:doi:10.3969/j.issn.1009-6744.2013.02.021

Decision-making method of railway emergency rescue based on hierarchical agent

基于分层Agent的铁路应急救援决策方法研究

Zhang Zhen-hai , Wang Xiao-ming , Zhang Yan-peng

张振海, 王晓明, 张雁鹏

铁路应急救援决策是铁路运输安全管理领域研究的热点之一.本文以铁路应急救援为背景,分析多智能体技术在铁路应急决策领域应用的可行性,提出一种基于分层Agent的铁路应急救援指挥控制结构,并分析了各层Agent的基本功能.根据各层Agent的结构特点设计决策推理的模型,采用基于模糊评价的方法实现管理Agent的决策机制,并阐述了决策算法的计算过程.最后通过一个具体的列车救援决策案例进行模型的验证.研究结果表明,将该方法应用在铁路应急救援决策领域具有可行性.Agent技术和模糊评价方法相结合的决策方法为研究铁路应急救援的智能化提供了新的思路.

... 张振海等^[2]、李小平等^[3]提出的救援处置方法中使用固定数值表示突发事件模糊状态 ...

2008

0.0

. 2008, 30(5):20-24 DOI:doi:10.3321/j.issn:1001-8360.2008.05.004

Research of construction method of IDSS in the railway rescue command system

铁路救援指挥系统中 IDSS 的构建方法研究

Li Xiao-ping , Tang Shi-sheng.

李小平, 唐士晟

提出基于案例推理技术、粗糙集技术、相似度量理论与专家知识相结合的铁路救援指挥系统(RCS)中智能决策的构建方法.在构建铁路事故救援指挥系统时,以铁路事故救援案例为基础,建立基于粗糙集理论的案例索引推理机制,有效地进行知识约简并从中发现规律,对于新案例通过相似度量理论实现相似范例的检索,同时结合专家知识和救援规则得出最终的事故紧急救援方案.通过模拟试验表明,该智能决策方法优于传统的基于规则的救援指挥方法.同时展望了在理论模型不完备、领域知识不完全、主要依靠经验知识的铁路事故救援指挥系统构建中的应用价值.

... 张振海等^[2]、李小平等^[3]提出的救援处置方法中使用固定数值表示突发事件模糊状态 ...

2010

2015

0.0

. 2015, 35(1):216-227

Distance entropy based decision-making information fusion method

基于距离熵的应急决策层信息融合方法

Guan Qing-yun , Chen Xue-long , Wang Yan-zhang.

管清云, 陈雪龙, 王延章

With analysis of the features of decision-making information fusion and actual emergency decision making, this paper presents a decision-making information fusion method based on distance entropy according to the demand for objectivity and scientificity. Firstly, the fusion set is acquired and stored based on knowledge unit model. Secondly, the information units are formed through instantiating knowledge units, which can provide information support for the fusion. Afterwards, the concept of distance entropy is proposed with an element of distance added into the traditional entropy weight method. Thus, we can obtain both local and global fusion weight, finally to gain the global fusion results using the way of linear weighting. Furthermore, the application value and effectiveness of this method are illustrated by empirical analysis. Experimental analysis show that the proposed method can solve problems of the hugeness of knowledge base and improve the objectivity and scientificity of fusion results in decision-making information fusion.

通过分析决策层信息融合和应急决策的特点,并考虑到应急决策对客观性、科学性的要求,提出了基于距离熵的应急决策层信息融合方法.首先基于知识元模型进行融合集的获取,并实例化知识元形成信息单元,为融合提供基础信息对象;然后在传统熵权法的基础上,添加对信息间欧式距离的测度,提出"距离熵"的概念,并据此实现局部融合权重和全局融合权重的获取,利用线性加权分别计算局部融合结果和全局融合结果.最后,通过算例验证了方法的优越性和在应急领域的适用性.同其他方法相比,本文提出的方法能有效解决决策层信息融合中融合知识库巨量性和融合结果的客观性、科学性不足等问题.

... 1 距离熵权重熵是信息论中测度信息量的工具^[4],而基于此建立的熵权法则是一种客观赋权方法^[4,5] ...

... 距离熵即为通过衡量系统各单位元间距离,计算各指标对应的距离熵权重,计算方法见文献^[5] ...

... 相对于文献^[5],引入平均值能够更好地刻画元素与系统整体差异化程度,更合理地表征指标变异程度 ...

2006

0.0

... 2 MULTIMOORA理论Brauers^[6]于2006年提出了满足影响多属性决策鲁棒性7项条件的比例分析多目标优化法(Multi-objective optimization by ratio analysis coupled with reference point theory,MOORA),同时证明了该方法具有良好的鲁棒性 ...

... 目前MULTIMOORA在材质选定、人员甄选、机械制造等方面得到了广泛的应用^[6,7,8,9] ...

... 4 基于MULTIMOORA的救援方案推理MULTIMOORA是利用比率法(Ratio system,RS)和参照点法(Reference point,RP)^[6]排序后并运用优势理论(Dominance theory,DT)^[9]进行共同排序 ...

2010

0.0

... 目前MULTIMOORA在材质选定、人员甄选、机械制造等方面得到了广泛的应用^[6,7,8,9] ...

... 在获得排序结果的MOORA算法的基础上,将全乘模型(Full multiplicative form,FMF)引入得到综合信息的决策方法^[7] ...

2012

0.0

... 目前MULTIMOORA在材质选定、人员甄选、机械制造等方面得到了广泛的应用^[6,7,8,9] ...

... 因此利用具有广义优势关系的优势理论将推理结果融合得出最优方案^[8] ...

2013

0.0

... 目前MULTIMOORA在材质选定、人员甄选、机械制造等方面得到了广泛的应用^[6,7,8,9] ...

2015

0.0

. 2015, 45(21):274-281

Interval number Heronian mean operators

区间数Heronian平均算子

Wang Dong-xiao , Li Zi-qiang , Liu Wei-feng.

王东晓, 李自强, 刘卫锋

定义了区间数Heronian平均算子以及区间数加权Heronian平均算子,并探讨了它们的性质.然后,提出了区间数几何Heronian平均算子以及区间数几何加权Heronian平均算子,并研究了它们的性质.最后,将区间数加权Heronian平均算子和区间数几何加权Heronian平均算子应用于多属性决策,说明了它们的有效性.

... Step2 通过Heronian平均算子^[10],计算矩阵 R~=r~ijm×n代表的平均信息 ...

2014

0.0

. 2014, 14(6):120-125 DOI:doi:10.3969/j.issn.1009-6744.2014.06.019

Research of decision-making method for unconventional railway emergency rescue

铁路非常规突发事件应急救援决策方法研究

Zuo Jing , Shuai Bin.

左静, 帅斌

摘　要：将贝叶斯网络推理方法应用到铁路突发事件应急决策中,为铁路突发事件应急救援提供一种实用、智能的科学辅助决策方法.在提取、约简案例决策属性的基础上,采用基于云模型的评估方法完成案例决策属性定性划分,降低决策属性划分的偏差性.构建铁路突发事件应急决策贝叶斯网络模型,并提出进行综合决策的具体方法及步骤.通过具体算例说明使用贝叶斯网络进行铁路非常规突发事件综合概率的决策过程.案例分析表明,该方法能够满足铁路应急决策需求,在信息不完备情况下同样具有实用性和有效性.为领域知识不完全,主要依靠经验知识进行铁路突发事件应急决策支持系统的智能化提供了新方法、新思路.

... a~ij表示第 i个案例的第 j个属性的取值或取值范围,其具体构建及转化方法见文献^[11] ...

2005

0.0

. 2005, 25(10):70-75 DOI:doi:10.3969/j.issn.1001-0645.2005.10.016

Minkowski广义距离与多模态图像配准

Shi Yong-gang.

时永刚

Based on the relationship between the joint probability distribution function of two images and the similarity between images,the connection between Shannon mutual information and Kullback-Leibler divergence is investigated.Thus a novel definition of divergence measure based on Minkowski inequality is proposed.On the proposed Minkowski generalized divergence the corresponding similarity measure for multimodal image registration is put forward.Unlike the information theoretic registration measures,Minkowski generalized divergence does not require that the condition of absolute continuity must be satisfied by the probability distributions involved.The new measure is applied to the rigid registration of clinical multimodal medical images.Experiment results show that the Minkowski similarity measure,when compared with information therotic measures,is more tolerable to noise and easier to implement in the Minkowski similartiy measure function clue to its simplicity,e.g.in the use of power operation instead of logarithmic computation avoiding division.

根据图像灰度的联合概率分布函数与图像相似程度之间的变化规律,分析了Shannon互信息与K u llback-L e ib ler距离之间的关系,利用变量间的不等式关系理论,提出基于M inkow sk i不等式的广义距离度量,并构造了基于这一距离的多模态图像配准新测度.新的配准测度不再要求概率分布必须满足连续性的要求,实验中使用M R和PET医学图像进行了实验分析.结果显示,基于M inkow sk i距离的新配准测度比传统的信息论测度具有更强的噪声鲁棒性,用乘方运算代替了对数运算,数学表达式更简单,并

... 以Minkowski度量方法^[12]可将该距离表示为: ...