多准则启发式评分估计
本文介绍了启发式评级估计方法，其基于现有的排名数据和专家比较来做出决策。该方法将选定备选方案的排名值提前确定，其余方案的排名值则需要使用加法或乘法方法进行计算。同时，本文还提出了该算法的改进方案，使得专家无需两两比较所有备选方案。改进后的方法能够降低决策成本，简化决策数据的收集过程。
Jul, 2022
本文提出一种新的迭代层次和排名过程（IHRP）以有效地在 “密集系统” 中执行分层建模，以确定因素之间的相对重要性，以及使用 TO PSIS 和 VIKOR 进行比较研究。在为学生表现评估分析的案例研究中，IHRP 框架的相关性高达 85-95％，而传统的 ISM 方法的相关性仅为 50-60％，从而证明了 IHRP 框架在确定更好的层次结构方面的有效性，特别是在 “密集系统” 中。
Jun, 2023
本文的目标是开发新的地图匹配算法并改进之前的工作，涵盖了分析层次过程法（AHP）地图匹配和模糊逻辑地图匹配，这些算法中使用 AHP 进行地图匹配的方法是本文新开发的，而使用模糊逻辑进行地图匹配的应用与现有研究基本相同，只有一些小的改变。由于这两种方法都适用于处理不精确信息并且易于实现，我们决定使用这些方法。
Feb, 2024
介绍了一种解释线性和分层多标准决策方法结果的方法，通过维护这些技术操作的值的细粒度表示，并通过合并、过滤和聚合操作从这些表示中导出解释，展示其在 MCDM 领域中的实用性和有效性。
Sep, 2022
描述了一种有应用广泛的模型评估方法，能够根据核心科学原理和更实用的结果评估人工智能 / 机器学习模型。该方法通过心理学和决策科学的预测竞赛产生，对各种类型和结构的候选模型进行了多个科学、理论和实际标准的综合评估，使用计算社会选择领域的投票规则进行标准分数的排序评估，可以对不同测量和模型类型进行整体评价。还讨论了其他优势和应用。
Mar, 2024
本文提出一种使用多准则决策制定方法学习模式排名功能的方法，其中将不同的趣味度度量聚合成单个加权线性排名函数，使用交互式学习过程。该方法基于层次分析过程（AHP）和一组用户排名的模式来构建偏好矩阵，比较根据用户特定趣味度而言的测量的重要性。在广受欢迎的数据集上进行的实验表明，与现有技术相比，该方法显著减少运行时间并返回精确模式排名，同时对用户误差具有鲁棒性。
Mar, 2022
该论文提出了一种基于 MAP-Elites 的超启发式方法，用于自动发现 RCPSP 的高效优先级规则，并与传统的 GPHH 和人类专家的优先级规则进行比较，结果表明该方法在多样性和性能方面都有显著改进。
Apr, 2022
本研究旨在探讨如何通过从用户中收集排名决策策略来参与算法设计，以替代传统需要人工标记成本高昂的方法，并借助两个用例的实证数据表明，我们提出的弱监督学习方法可以几乎与完全监督方法一样准确地理解用户的偏好和选择。
May, 2020