[ad_1]

تصویر

تصویر: یک تیم تحقیقاتی از دانشگاه RUDN الگوریتمی را برای کمک به گروههای بزرگی از افراد در تصمیم گیری بهینه در مدت زمان کوتاه ایجاد کرده است. آنها با استفاده از … دیدگاه ، تأثیر مدل خود را تأیید کردند بیشتر

اعتبار: دانشگاه RUDN

یک تیم تحقیقاتی از دانشگاه RUDN الگوریتمی را برای کمک به گروههای بزرگی از افراد در تصمیم گیری بهینه در مدت زمان کوتاه ایجاد کرده است. آنها با استفاده از نمونه بازاری که شیوع COVID-19 در آن آغاز شد ، اثربخشی مدل خود را تأیید کردند. این مدل به دولت و فروشندگان در توافق برای بستن بازار و رسیدن به اتفاق نظر در مورد مبلغ جبران خسارت فقط در سه مرحله کمک کرد. مقاله ای در مورد الگوریتم در علوم اطلاعاتی مجله

تئوری تصمیم گیری رشته ای از ریاضیات است که الگوهای تصمیم گیری و انتخاب استراتژی را مطالعه می کند. از نظر ریاضیات ، تصمیم گیری یک کار بهینه سازی با معیارهای بسیار است. نظرات خبره ، قضاوت ها و خطرات احتمالی متغیر در نظر گرفته می شود ، و روابط بین شرکت کنندگان و جستجوی یک راه حل بهینه به عنوان عملیات ریاضی بیان می شود. LSGDM مدلی در تئوری تصمیم گیری است که شرایط تصمیم گیری را با بیش از 20 شرکت کننده در سطح متخصص توصیف می کند. نظرات آنها تحت تأثیر روابط شخصی است: به عنوان مثال ، دوستان از نظرات آنها حمایت می کنند. این میزان عدم اطمینان را افزایش می دهد زیرا اقناع شرکت کنندگان و رسیدن به اتفاق نظر دشوارتر می شود. یک تیم تحقیقاتی از ریاضیدانان دانشگاه RUDN روشی را برای رفع این عدم قطعیت پیشنهاد کرده است.

“به لطف تحولات فناوری امروز ، افراد بیشتری درگیر فرآیندهای تصمیم گیری می شوند. به همین دلیل LSGDM به موضوعی اصلی برای محققان تبدیل شده است. در LSGDM ، شرکت کنندگان مناطق مختلف مورد علاقه هستند و بنابراین مدت زمان بیشتری طول می کشد. پروفسور انریکه هررا-ویدما ، رئیس تیم تحقیقاتی در دانشگاه RUDN ، گفت:

راه حل ارائه شده توسط تیم ریاضیدانان وی مبتنی بر روش به اصطلاح بهینه سازی قابل اعتماد است. برای کارهای بهینه سازی که به تغییرات داده های اولیه حساس هستند (در این مورد در روابط شخصی بین شرکت کنندگان) اعمال می شود. ریاضیدانان بر اساس قدرت رابطه و میزان اعتماد بین آنها ، روش جدیدی را برای دسته بندی متخصصان به خوشه ها پیشنهاد داده اند. الگوریتم شامل چندین مرحله بود. ابتدا متخصصان گروه بندی شدند. سپس تیم خوشه را با نظری مشخص می کند که بیشتر از قضاوت جمعی متفاوت است. و سپس چنین نظری تصحیح شد. تکرارها تکرار شد تا زمانی که همه شرکت کنندگان در مورد یک راه حل به توافق برسند. روش های تصحیح نظر از نظر ریاضی بی ربط هستند. تنها عاملی که اهمیت داشت هزینه مذاکره در مورد واحد بود: مقدار منابع (زمان ، پول و …) که باید برای رسیدن به نتیجه مطلوب هزینه می شد.

تیم تحقیقاتی این مدل را برای مثال واقعی به کار بردند. به دنبال شیوع COVID-19 ، بازار غذاهای دریایی در ووهان باید بسته شود. دولت به دنبال یک راه حل بهینه بود: مجبور بود ضرر فروشندگان را جبران کند ، در حالی که در بودجه بازار باقی مانده است. ریاضیدانان 20 فروشنده را که برای جبران غرفه های مختلف طلب می کردند ، انتخاب کردند: 200 تا 900 یوان. شرکت کنندگان بر اساس عواملی مانند نظرات مشابه ، نزدیکی غرفه ها به یکدیگر و غیره به چهار خوشه تقسیم شدند. الگوریتم پیشنهادی تیم اجازه می دهد تا فروشندگان و مدیران فقط در سه مرحله به توافق برسند. مبلغ نهایی غرامت 880 یوان بود و هزینه مذاکره برای مدیریت بازار در مقایسه با سایر مدل های موجود کمترین بود.

###

سلب مسئولیت: AAAS و EurekAlert! هیچ مسئولیتی در قبال صحت گزارشهای خبری منتشر شده در EurekAlert ندارند! از طریق موسسات کمک کننده یا استفاده از هرگونه اطلاعات از طریق سیستم EurekAlert.

[ad_2]

منبع: kolah-news.ir