本技术公开了一种基于动态多准则决策分析的制造业价值链协同优化方法和设备,价值链协同优化决策问题定义;获取决策者偏好信息;通过将决策者的情境依赖偏好与动态决策环境联系起来,并使用概率价值驱动的排序程序来描述偏好信息,从而构建偏好学习模型;基于最大似然估计推断决策者动态情境偏好模型的参数,用于预测价值链协同方案推荐结果;根据连续新背景输入预测决策者未来的偏好模型和备选价值链协同方案的相应排序;根据备选价值链协同方案的排序结果来选择最佳的协同方案,进行制造业价值链协同优化。本发明通过模拟平稳、静止的偏好演变来减轻认知偏差,进而使预测的协同方案推荐结果更加准确。
背景技术
多准则排序旨在为决策者提供关于备选方案从优到劣的排序建议,这些备选方案是根据一系列准则进行评估的。此类决策问题普遍存在于医疗诊断、供应链管理、生态规划、可再生能源和教育等各个领域。排序的实际意义在多准则决策分析(MCDA)中引起了广泛关注,并催生了相应的方法。
尽管在多准则排序方面取得了重大进展,但几乎所有的研究都建立在一个隐含的假设之上,即决策是在静态环境下进行的。换而言之,决策者对一组备选方案的偏好被假定为遵循一种固定模式,在决策过程中保持不变。这反过来又证明了推断静态偏好模型的合理性,该模型被用来制定排序建议。然而,在决策者的偏好可能会随着决策环境的不断变化而持续改变的决策环境中,这种方法是不够的。例如,在医疗诊断场景中,医生对慢性病患者的治疗偏好可能会随着患者病情的发展而改变。在金融场景的投资组合决策中,投资经理对风险和回报的偏好也可能随着市场条件的波动而变化。鉴于动态决策环境的普遍性,考虑决策者在决策过程中的偏好转变至关重要。这就强调了需要一种更全面的决策辅助方法,能够构建决策者不断变化的偏好模型,从而提高决策建议的准确性。
实现思路