Abstract
The evidential reasoning (ER) algorithm for multi-criteria decision making (MCDM) performs aggregation of the assessments of multiple experts, one each for every attribute (or subsystem or criterion) of a given system. Two variants of ER are proposed, that handle a scenario where more than one expert assesses an attribute. The first algorithm handles the case of multiple experts who assess an attribute of a larger system. Experiments compare a modification of ER for this scenario which results in poorer detection. The second algorithm is used when experts have overlapping areas of expertise among the subsystems. A comparison is made with a variant of ER in the literature. Both algorithms are examples of novel ‘exclusive’ and ‘inclusive’ ER
چکیده
الگوریتم استدلال شواهد (ER) برای برنامه های تصمیم گیری چند معیاره (MCDM) نظرات مجموعه ای از چند کارشناس را مورد توجه قرار می دهد. دو نوع الگوریتم در اینجا مورد نظر است که یک سناریوی فراتر از یک کارشناس را اجرا می کنند. الگوریتم نخست برخی از تخصص های چند گانه که بخشی از یک سیستم بزرگتر هستند را اجرایی می کند. مقایسه ی تجربی تغییر ER در این سناریو آشکارسازی ضعیف تری را نشان داد. الگوریتم دوم زمانی مورد استفاده قرار می گیرد که تخصص ها حوزه های تخصصی بین زیرسیستم ها را همپوشانی می کنند. مقایسه ها با استفاده از ER در این مقاله انجام شده است. هر دو الگوریتم مثال هایی از ER های انحصاری و غیرانحصاری ارائه می دهند.
مقدمه و شرح مشکل
قانون Dempster ترکیب، یک قانون ریاضی برای ترکیب تخصص های چند گانه بر روی یک موضوع یکسان است. این قانون با استفاده از یک مثال ساده توضیح داده می شود: فرض کنید اینها دو متخصص هستند، i=1، هر دو یک محصول را خوب می نامند…