摘要

为提高优势关系粗糙集模型在分级决策问题中的容错能力,将容错处理视为可动态调整的过程,根据用户向上、向下和综合两者的3种偏好趋向,提出了3种对应的分级算法,对边界域对象进行初始分级,利用对象的覆盖信息作为启发式知识调整其分级决策的结果,实现正确分级或接近正确分级.与变一致性优势关系粗糙集模型相比,不需要事先根据经验确定和调整阈值.案例应用结果表明:本文提出的3种偏好情况下的分级正确率比现有的分级算法平均提高了21.34%,对应的误分总代价平均降低了50.91%.