| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第1章 绪论 | 第7-14页 |
| ·引言 | 第7-9页 |
| ·研究背景 | 第7-8页 |
| ·研究目的及意义 | 第8-9页 |
| ·国内外研究现状 | 第9-12页 |
| ·随机多准则决策研究现状 | 第9-10页 |
| ·不确定偏好信息集结研究现状 | 第10-12页 |
| ·研究内容和逻辑结构 | 第12-14页 |
| 第2章 理论基础 | 第14-23页 |
| ·连续随机变量下的贝叶斯定理 | 第14-15页 |
| ·贝叶斯分析 | 第15页 |
| ·先验信息 | 第15-17页 |
| ·共轭先验分布 | 第15-17页 |
| ·无信息先验分布 | 第17页 |
| ·Markov chain Monte Carlo模拟 | 第17-18页 |
| ·贝叶斯网络和Credal网络 | 第18-21页 |
| ·贝叶斯网络 | 第18-19页 |
| ·Credal网络 | 第19-21页 |
| ·随机优势与概率优势 | 第21-23页 |
| 第3章 正态随机变量多准则群决策方法 | 第23-33页 |
| ·MCMC模拟Gibbs抽样算法 | 第24-25页 |
| ·基于MCMC模拟Gibbs抽样的正态随机变量概率集结方法 | 第25-30页 |
| ·不存在相关性的正态分布随机变量概率集结方法 | 第25-27页 |
| ·专家间有相关性的正态随机变量概率集结 | 第27-28页 |
| ·方法比较 | 第28-30页 |
| ·正态分布随机变量多准则群决策步骤 | 第30-31页 |
| ·算例 | 第31-33页 |
| 第4章 混合随机变量多准则群决策方法 | 第33-43页 |
| ·Metropolis-Hastings算法 | 第33-35页 |
| ·随机游走Metropolis-Hastings算法 | 第34页 |
| ·算法实现 | 第34-35页 |
| ·基于MCMC模拟Metropolis-Hastings算法的概率集结方法 | 第35-38页 |
| ·Gamma分布变量的概率集结 | 第35-36页 |
| ·指数分布的概率集结 | 第36-37页 |
| ·χ~2分布的概率集结 | 第37-38页 |
| ·混合随机变量多准则决策方案排序 | 第38-40页 |
| ·基于概率指标的多准则排序方法 | 第38-39页 |
| ·考虑决策者风险偏好的多准则排序方法 | 第39-40页 |
| ·算例 | 第40-43页 |
| 第5章 基于credal网络的不确定环境多准则群决策方法 | 第43-51页 |
| ·基于Credal网络的不确定推理 | 第43-44页 |
| ·不确定环境下的多准则决策方法 | 第44-47页 |
| ·问题描述 | 第44页 |
| ·基于Credal网络的准则值确定方法 | 第44-45页 |
| ·区间数随机多准则决策方法 | 第45-47页 |
| ·算例 | 第47-51页 |
| 结束语 | 第51-53页 |
| 附录 | 第53-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间主要研究成果 | 第63页 |
