Inverse Preference Optimization in the Graph Model for Conflict Resolution based on the Genetic Algorithm
Inverse Preference Optimization in the Graph Model for Conflict Resolution based on the Genetic Algorithm
复制标题
基于遗传算法的冲突解决图模型中的逆偏好优化
DOI：
10.1007/s10726-021-09748-9
复制
发表时间：
2021-06
影响因子：
3
通讯作者：
Saad Ahmed Javed
中科院分区：
文献类型：
--
作者：
Tao Liangyan;Su Xuebi;Saad Ahmed Javed
逆GMCR（冲突解决的图模型）产生可能状态的排名（偏好关系配置文件），这将使冲突的理想解决方案稳定。然而，通常有众多的偏好关系配置文件，这使得第三方很难选择一个合适的偏好关系来设计其调解策略。此外，在逆GMCR中，很少研究改变状态偏好关系的成本或努力。目前的研究提出了两个逆偏好优化模型，考虑成本和effort.in改变偏好，以解决这些问题。第一个模型的目的是确定一个最佳的偏好在最小的调整成本，使期望的均衡达到。另一个模型是在最小调整量下寻找一个最优的需求偏好，调整量定义为需求偏好矩阵与原始偏好矩阵之差。然后，提出了一种基于遗传算法的多目标优化算法。最后，提出的两种偏好优化方法被应用到两个案例中，证明了所提出的方法的有效性。
The Inverse GMCR (Graph Model for Conflict Resolution) produces rankings of possible states (preference relation profiles) that will make the desired resolution of a conflict stable. However, there are usually numerous preference relation profiles making it difficult for a third party to choose an appropriate preference relation to design its mediation strategy. Moreover, the cost or effort of changing preference relations over states has rarely been studied in Inverse GMCR. The current study presents two inverse preference optimization models considering the cost and effort.in changing preferences to address these issues. The first model aims to ascertain an optimal preference at minimum adjustment cost such that the desired equilibrium is reached. The other model is to find an optimal required preference under minimum adjustment amount, which is defined as the difference between the required preference matrix and the original preference matrix. Then, a Genetic Algorithm (GA)- based algorithm is proposed. Finally, the two proposed preference optimization methods are applied to two cases, demonstrating the effectiveness of the proposed.methodology.
登录
查看更多内容
DOI：
10.1109/tsmca.2004.826282
发表时间：
2004-07-01
影响因子：
--
作者：
Li, KW;Hipel, KW;Fang, LP
通讯作者：
Fang, LP
影响因子：
5.4
作者：
Kevin W. Li;D. Kilgour;K. Hipel
通讯作者：
Kevin W. Li;D. Kilgour;K. Hipel
DOI：
10.1109/cscwd.2019.8791910
发表时间：
2019-05
期刊：
--
影响因子：
--
作者：
K. Hipel
通讯作者：
K. Hipel
未知和模糊偏好下的图模型
影响因子：
11.9
作者：
Jing Yu;Keith W. Hipel;D. Marc Kilgour;Liping Fang;Kedong Yin
通讯作者：
Kedong Yin
影响因子：
9
作者：
Mahmoudi A;Javed SA;Mardani A
通讯作者：
Mardani A