analytic hierarchy process
PulseAugur coverage of analytic hierarchy process — every cluster mentioning analytic hierarchy process across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型ARDLS模型增强决策过程的稳定性
一种名为Anchored Regularized Direct Least Squares (ARDLS)的新型优化模型已被引入，以解决层次分析法 (AHP) 中优先级排序不稳定的问题。传统的Direct Least Squares (DLS)方法可能会产生多个解决方案，尤其是在数据不一致的情况下，导致结果不可靠。ARDLS将特征向量法和奇异值分解等已建立的优先级算子整合为正则化惩罚中的锚点，以确保单一、唯一的全局最小值，从而提高准确性和稳定性。
-
新框架助力情感分析模型选择
研究人员开发了一个名为认知成对比较分类模型选择（CPC-CMS）的新框架，以帮助选择文档级情感分析的最佳分类模型。该框架利用专家知识为准确性、精确率、召回率和效率等各种评估标准分配权重。研究测试了几种基线模型，包括朴素贝叶斯、LSTM和ALBERT，发现在不考虑时间的情况下，ALBERT在三个数据集上通常表现最佳。然而，当考虑效率时，没有单一模型能持续优于其他模型。
-
新研究论文分析决策支持中排名方法的稳定性
一篇新研究论文探讨了层次分析法（AHP）中依赖排名的决策支持方法。该研究比较了三种特定的比较模式：最佳-最差法、最佳-次佳法（Top 2）和原始最大差值法。通过分析专家误差下的稳定性条件并进行模拟实验，研究旨在识别最稳定的不完全依赖排名的模式，该模式可以在不损害专家会议结果可信度的情况下减少所需的比较次数。
-
新的统计方法增强了决策的成对比较
研究人员引入了一种新的统计方法来处理成对比较，该方法建立在已建立的层次分析法（AHP）之上。这种新颖的方法利用参考值和几何平均值来确定备选方案的优先级，从而能够同时评估不一致性和偏好距离。该论文还定义了衡量所得权重向量质量的新指标，提供了更清晰的统计解释。
-
新的POO-LPSP方法通过优化的AHP增强AI供应商选择
研究人员开发了一种名为POO-LPSP的新方法，该方法集成了受生物启发的并行鱼鹰优化算法，以有效地解决层次分析法（AHP）的复杂优化模型。该方法旨在通过最小化特定的方差指标来提高优先级推导的可靠性。该方法通过生成式AI供应商选择问题进行了验证，为传统的AHP技术提供了一种可能更稳健的替代方案。
-
新的演进框架通过空间数据分析增强地图综合 · 跟踪 1 个来源
研究人员开发了一个名为 GIS-moGA 的新颖演进框架来解决地图综合问题，该问题涉及将多个数据层合并为一张地图。该框架同时优化了全局空间结构（通过全局莫兰指数衡量）和局部空间异质性（通过局部空间关联指标 (LISA) 的方差评估）。为了克服大型数据集的计算挑战，该系统利用了皇后邻近矩阵的稀疏性，降低了复杂性并实现了可扩展分析。在巴西阿拉拉夸拉的空间流行病学数据集上进行测试，与专家推导的层次分析法基线相比，GIS-moGA 在空间连贯…