Fuzzy Grey Choquet Integral for Evaluation of Multicriteria Decision Making Problems With Interactive and Qualitative Indices
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multicriteria decision making (MCDM) problems are often encountered in complex system design. Most of them need to be evaluated with a large number of interactive and qualitative indices, which are difficult to be addressed effectively through the existing methods. In this paper, a novel fuzzy Choquet integral-based grey comprehensive evaluation (GCE) method, called fuzzy grey Choquet integral (FGCI), is proposed to evaluate MCDM problems with many interactive and qualitative indices. In this method, expert evaluation of qualitative indices is represented through fuzzy linguistic values. Fuzzy values are defuzzified and standardized to obtain the original evaluation matrix. The original values are replaced by the correlation coefficients, which, to a certain extent, eliminate the influence of experts' subjective preference. An improved teaching-learning-based optimization algorithm is employed to identify λ-fuzzy-measures following the weights given by experts in order to enhance the consistency of weights. Then the correlation coefficients are aggregated through Choquet integral among λ-fuzzy-measures, which can reflect interactions among indices. In addition, according to the characteristics of λ-fuzzy-measures, the construction guidelines for a corresponding index system are given to overcome the limitations of FGCI. Finally, the performance of the proposed method is demonstrated via a practical example of green design evaluation and compared with the GCE method. The results validate its feasibility and effectiveness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle