一种基于大数据的体系决策能力评估方法与流程

本发明提出了一种基于大数据的体系决策能力评估方法，它涉大数据、系统科学、决策等技术领域。

背景技术：

近年来，由于体系的逐步发展与完善，对于体系决策能力的评估需求变得越来越高。如何快速有效的评估出体系的决策能力的强弱成为了社会上的一个重要需求。

现有的评估方法大多是基于主观评价来进行的，例如专家打分法、体系分析评估法、层次分析法、态势分析法(又称swot分析法)等。专家打分法就是指通过匿名方式征询有关专家的意见，对专家意见进行统计、处理、分析和归纳，客观地综合多数专家经验与主观判断，对大量难以采用技术方法进行定量分析的因素做出合理估算，经过多轮意见征询、反馈和调整后，得出最终评估结果的方法；体系分析评估法就是通过一群专家，结合相应的科学理论将体系进行解耦、分级，最终通过综合的方式再将各个层次中不同的解耦模块的评价结果进行综合，得到最终的体系分析评估结果；层次分析法是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法，该方法是美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究"根据各个工业部门对国家福利的贡献大小而进行电力分配"课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法，通过这样的方法可以得到层次分析法的最终评估结果；态势分析法是将与研究对象密切相关的各种主要内部优势、劣势和外部的机会和威胁等，通过调查列举出来，并依照矩阵形式排列，然后用系统分析的思想，把各种因素相互匹配起来加以分析，从中得出一系列相应的结论。以上的常用法法都依赖于主观经验，这样的评估方法的移植性、通用性等都存在一定的问题。

对于以上的问题，本专利主要是从最基础的真实数据出发，研究真实数据的内在联系，通过这样的方式可以有效的挖掘出体系内的不显明的关系，结合系统科学的相关理论进行科学合理的分析，应用大数据的相关理论，从数据中去，到最终评估结果中来的流程，得到最终客观、公正、可信的体系决策能力评估结果。

综上，通过以上的方法，有效的应用数据，提出了一中基于大数据的体系决策能力评估方法。

技术实现要素：

(一)发明的目的

本发明主要应用于解决体系决策能力评估的相关问题。对于现有的体系决策能力评估方法来讲，大多是基于主观评价的方式，这样的方式不一定能够准确的评估出体系的决策能力的性能指标。通过现有的方法得出的评估结果存在可信度较低、对经验的依赖性强，不同评估人员的评估结果差异过大等问题。

针对于以上的现存问题，本专利提出一种基于大数据的体系决策能力评估方法。通过这样的方法可以有效的解决现有评价方法的可信度较低、对经验的依赖性强，不同评估人员的评估结果差异过大等方面的不足，能够科学、全面、客观的对现有的体系决策能力进行评估。

(二)技术方案

为了实现上述目的，本发明的方法所采用的技术方案是：一种基基于大数据的体系决策能力评估方法。

本发明所述的评估方法主要由体系的群体数量变化的自适应能力(用θ表示)、体系的群体种类变化的自适应能力(用χ表示)、体系的自适应分组能力(用γ表示)、体系的任务分解能力(用μ表示)、体系的方案筛选能力(又称体系复杂决策能力，用κ表示)这五个能力构成的。通过对以上五个能力的客观评估，有机的评估出体系评决策能力估的最终评价结果。

本发明所述的“一种基于大数据的体系决策能力评估方法”，其步骤如下：

步骤a：评估体系的群体数量变化的自适应能力θ；

步骤b：评估体系的群体种类变化的自适应能力χ；

步骤c：评估体系的方案筛选能力κ；

步骤d：评估体系的任务分解能力μ；

步骤e：评估体系的自适应分组能力γ；

步骤f：综合评估体系的群体数量变化的自适应能力θ、体系的群体种类变化的自适应能力χ、体系的方案筛选能力κ、体系的任务分解能力μ、体系的自适应分组能力γ，得出体系决策能力评估的最终结果δ。

通过以上步骤，可以实现基于大数据的体系决策能力评估，达到了科学有效对体系决策能力评估的效果，解决了现有方法对于经验依赖度高等问题。

其中，步骤a中所述的“评估体系的群体数量变化的自适应能力θ”，其作法如下：它是通过外界改变体系中的某一种单体的数量，观察体系走出混沌的耗时，耗时越短，则体系的群体数量变化的自适应能力θ越强；针对于体系的群体数量变化的自适应能力θ评估的过程，包括如下步骤：

步骤a1：改变体系中需要测定的数量适应能力的单体，步进改变被选定单体的单体数量；

步骤a2：观察改变单体数量后，体系走出混沌状态的用时；体系的群体数量变化的自适应能力θ的评估函数如下：

θ＝f(αm,mi,mi+1,ti,ti+1)(1)

该函数中的mi为前一次实验被测试单体的数量；mi+1为实验时被测试单体的数量；ti为前一次实验被测试单体数量为mi时，体系走出混沌的用时；ti+1为本次实验被测试单体数量为mi+1时，体系走出混沌的用时；αm为参数，可以根据不同的体系决策能力评估需求进行更改。

其中，步骤b中所述的“评估体系的群体种类变化的自适应能力χ”，其作法如下：它是通过外界改变体系中的单体的种类数量，观察体系走出混沌的耗时，耗时越短，则体系的群体种类变化的自适应能力χ越强；针对于体系的群体种类变化的自适应能力χ评估的过程，包括如下步骤：

步骤b1：步进改变体系中单体的种类数量；

步骤b2：观察改变种类数量后，体系走出混沌状态的用时；体系的群体种类变化的自适应能力χ的评估函数如下：

χ＝f(αn,ni,ni+1,t'i,t'i+1)(2)

该函数中的ni为前一次实验被测试单体种类的数量；ni+1为实验时被测试单体种类的数量；t'i为前一次实验被测试单体种类数量为ni时，体系走出混沌的用时；t'i+1为本次实验被测试单体种类数量为ni+1时，体系走出混沌的用时；αn为参数，可以根据不同的体系决策能力评估需求进行更改。

其中，步骤c中所述的“评估体系的方案筛选能力κ”，其作法如下：评估该能力时，体系通过接收外部发送的复杂度为o(order)的命令，观察体系能够做出决策及作出决策的用时；如果不能做出决策，则将体系的方案筛选能力κ设为0；如果能做出决策，则用时越短，表示体系的体系的方案筛选能力κ越强；针对于该体系的方案筛选能力κ的评估的过程，包括如下步骤：

步骤c1：通过外部发送命令的方式，发送复杂度为o(order)的命令给体系；

步骤c2：观察体系接收命令后，观察体系能够走出混沌状态及走出混沌状态的用时；具体的体系的方案筛选能力κ评估函数如下：

κ＝io(order)·f(αo(order),to(order),o(order))(3)

其中io(order)为决策情况参数；to(order)为体系走出混沌的用时；o(order)为外部发送命令的复杂度；αo(oeder)为参数，可以根据不同的体系决策能力评估需求进行更改。

其中，步骤d中所述的“评估体系的任务分解能力μ”，其作法如下：评估该能力时，通过外界发送复杂度为o(order)的命令，通过收集每一个单体接收的命令，获得体系的命令分组的真实结果，并将真实的命令分组结果与理论的最优值进行对比，获得两个命令分组结果的相识度，通过评估相似度来判定体系的任务分解能力μ的强弱；针对于体系的任务分解能力μ评估的过程，包括如下步骤：

步骤d1：通过外部发送命令的方式，发送复杂度为o(order)的命令给体系；

步骤d2：收集体系中各个单体接收的命令，并将这些命令分组，得到命令的真实分组情况；

步骤d3：应用系统科学、复杂网络的相关理论，结合体系情况及复杂度为o(order)的命令情况，得到理论的命令分组最优结果；

步骤d4：比较真实的命令分组情况与理论最优命令分组结果的相似度，通过相似度来判定体系的任务分解能力μ的强弱；体系的任务分解能力μ的评估函数如下：

μ＝f(as'o(order),s'o(order))(4)

该函数中的s'o(order)为真实的单体分组情况与理论最优分组结果的相似度；αs'o(order)为参数，可以根据不同的体系决策能力评估需求进行更改。

其中，步骤e中所述的“评估体系的自适应分组能力γ”，其作法如下：评估该能力时，通过外界发送复杂度为o(order)的命令，通过收集每一个单体接收的命令，获得体系的真实单体分组结果，并将真实的分组结果与理论的最优值进行对比，获得两个分组结果的相识度，通过评估相似度来判定体系的自适应分组能力γ的强弱；针对于体系的自适应分组能力γ评估的过程，包括如下步骤：

步骤e1：通过外部发送命令的方式，发送复杂度为o(order)的命令给体系；

步骤e2：收集体系中各个单体接收的命令，并将这些命令分组，得到单体的真实分组情况；

步骤e3：应用系统科学、复杂网络的相关理论，结合体系情况及复杂度为o(order)的命令情况，得到理论的最优分组结果；

步骤e4：比较真实的单体分组情况与理论最优分组结果的相似度，通过相似度来判定体系的自适应分组能力γ的强弱；体系的自适应分组能力γ的评估函数如下：

γ＝f(aso(order),so(order))(5)

该函数中的so(order)为真实的单体分组情况与理论最优分组结果的相似度；αso(order)为参数，可以根据不同的体系决策能力评估需求进行更改。

其中，步骤f中所述的“综合评估体系的群体数量变化的自适应能力θ、体系的群体种类变化的自适应能力χ、体系的方案筛选能力κ、体系的任务分解能力μ、体系的自适应分组能力γ，得出体系决策能力的最终评估结果δ”，其作法如下：通过函数

δ＝f(αδ1,αδ2,αδ3,αδ4,αδ5,θ,χ,κ,μ,γ)(6)

来进行计算，其中αδ1,αδ2,αδ3,αδ4,αδ5为参数，可以根据不同的体系决策能力评估的需求进行更改；

在得到最终的评价结果后，为了方便不同体系之间进行比较，可以通过归一化函数

进行归一化后，得到统一的归一化结果，进行多体系的比较。

(三)优点创新

本发明具有如下的创新点：

1、对评估人员的主观能力依赖度低：本专利主要应用的是大数据作为评估过程中的重要方法，通过挖掘数据变化中的趋势及规律来对体系的决策能力进行评估，因此对于评估人员的主观能力及经验的依赖度低。

2、科学性强：本专利充分应用了系统科学、复杂网络的相关理论方法，具有着深厚的理论基础，本专利真正的实现了从科学出发的目标，因此具有极强的科学性。

3、可信度高：本专利是基于数据出发对体系的决策能力进行评估的，因此具有更好的客观性和可信度。

4、准确度高：本专利充分结合了大数据研究方法和系统科学理论，以数据为基础、科学为工具，真正的实现了高准确度的目标。

5、通用性强：本专利并不是针对于某一个体系的决策能力评估提出的，而是针对于所有体系的共性提出的，因此具有极强的通用性。

综上，这种基于大数据的体系决策能力评估方法可以很好的进行体系决策能力评估，能够弥补现有评估方法的不足。

附图说明

图1是本发明所述方法框架流程图。

具体实施方式

为使本发明要解决的技术问题、技术方案更加清楚，下面将结合附图及具体实施案例进行详细描述。应当理解，此处所描述的实施实例仅用于说明和解释本发明，并不用于限定本发明。

本发明的目的在于解决体系决策能力评估的相关问题。对于现有的体系决策能力评估方法来讲，主要是使用的依赖于主观评价的相关评估方法，这些方法的客观度低，准确度与评估人员的经验息息相关，因此没有很好的通用性及可移植性。针对于以上的现存问题，本专利提出一种基于大数据的体系决策能力评估方法。通过这样的方法可以有效的解决现有评价方法对于评估人员主观性高度依赖的不足，有效的提升的评估的准确度及可信度。下面结合附图说明及具体实施方式对本发明进一步说明。

本发明实施例以某体系的评估为例，阐述本发明方法。

为了实现上述目的，本发明的方法所采用的技术方案是：一种基于大数据的体系决策能力评估方法。

本发明所述的“一种基于大数据的体系决策能力评估方法”，该方法框架流程图如图1所示，其具体步骤如下：

步骤a：评估体系的群体数量变化的自适应能力θ；

步骤b：评估体系的群体种类变化的自适应能力χ；

步骤c：评估体系的方案筛选能力κ；

步骤d：评估体系的任务分解能力μ；

步骤e：评估体系的自适应分组能力γ；

步骤f：综合评估体系的群体数量变化的自适应能力θ、体系的群体种类变化的自适应能力χ、体系的方案筛选能力κ、体系的任务分解能力μ、体系的自适应分组能力γ，得出体系决策能力评估的最终结果δ。

其中，步骤a中所述的“评估体系的群体数量变化的自适应能力θ”，其作法如下：它是通过外界改变体系中的某一种单体的数量，观察体系走出混沌的耗时，耗时越短，则体系的群体数量变化的自适应能力θ越强；针对于体系的群体数量变化的自适应能力θ评估的过程，包括如下步骤：

步骤a1：改变体系中需要测定的数量适应能力的单体，步进改变被选定单体的单体数量；

步骤a2：观察改变单体数量后，体系走出混沌状态的用时。体系的群体数量变化的自适应能力θ的评估函数如下：

θ＝f(αm,mi,mi+1,ti,ti+1)

该函数中的mi为前一次实验被测试单体的数量；mi+1为实验时被测试单体的数量；ti为前一次实验被测试单体数量为mi时，体系走出混沌的用时；ti+1为本次实验被测试单体数量为mi+1时，体系走出混沌的用时；αm为参数，可以根据不同的体系决策能力评估需求进行更改。

其中，步骤b中所述的“评估体系的群体种类变化的自适应能力χ”，其作法如下：它是通过外界改变体系中的单体的种类数量，观察体系走出混沌的耗时，耗时越短，则体系的群体种类变化的自适应能力χ越强；针对于体系的群体种类变化的自适应能力χ评估的过程，包括如下步骤：

步骤b1：步进改变体系中单体的种类数量；

步骤b2：观察改变种类数量后，体系走出混沌状态的用时；体系的群体种类变化的自适应能力χ的评估函数如下：

χ＝f(αn,ni,ni+1,t'i,t'i+1)

该函数中的ni为前一次实验被测试单体种类的数量；ni+1为实验时被测试单体种类的数量；t'i为前一次实验被测试单体种类数量为ni时，体系走出混沌的用时；t'i+1为本次实验被测试单体种类数量为ni+1时，体系走出混沌的用时；αn为参数，可以根据不同的体系决策能力评估需求进行更改。

其中，步骤c中所述的“评估体系的方案筛选能力κ”，其作法如下：评估该能力时，体系通过接收外部发送的复杂度为o(order)的命令，观察体系能够做出决策及作出决策的用时；如果不能做出决策，则将体系的方案筛选能力κ设为0；如果能做出决策，则用时越短，表示体系的体系的方案筛选能力κ越强；针对于该体系的方案筛选能力κ的评估的过程，包括如下步骤：

步骤c1：通过外部发送命令的方式，发送复杂度为o(order)的命令给体系；

步骤c2：观察体系接收命令后，观察体系能够走出混沌状态及走出混沌状态的用时；具体的体系的方案筛选能力κ评估函数如下：

κ＝io(order)·f(αo(order),to(order),o(order))

其中io(order)为决策情况参数；to(order)为体系走出混沌的用时；o(order)为外部发送命令的复杂度；αo(oeder)为参数，可以根据不同的体系决策能力评估需求进行更改。

其中，步骤d中所述的“评估体系的任务分解能力μ”，其作法如下：评估该能力时，通过外界发送复杂度为o(order)的命令，通过收集每一个单体接收的命令，获得体系的命令分组的真实结果，并将真实的命令分组结果与理论的最优值进行对比，获得两个命令分组结果的相识度，通过评估相似度来判定体系的任务分解能力μ的强弱；针对于体系的任务分解能力μ评估的过程，包括如下步骤：

步骤d1：通过外部发送命令的方式，发送复杂度为o(order)的命令给体系；

步骤d2：收集体系中各个单体接收的命令，并将这些命令分组，得到命令的真实分组情况；

步骤d3：应用系统科学、复杂网络的相关理论，结合体系情况及复杂度为o(order)的命令情况，得到理论的命令分组最优结果；

步骤d4：比较真实的命令分组情况与理论最优命令分组结果的相似度，通过相似度来判定体系的任务分解能力μ的强弱；体系的任务分解能力μ的评估函数如下：

μ＝f(as'o(order),s'o(order))

该函数中的s'o(order)为真实的单体分组情况与理论最优分组结果的相似度；αs'o(order)为参数，可以根据不同的体系决策能力评估需求进行更改。

其中，步骤e中所述的“评估体系的自适应分组能力γ”，其作法如下：评估该能力时，通过外界发送复杂度为o(order)的命令，通过收集每一个单体接收的命令，获得体系的真实单体分组结果，并将真实的分组结果与理论的最优值进行对比，获得两个分组结果的相识度，通过评估相似度来判定体系的自适应分组能力γ的强弱；针对于体系的自适应分组能力γ评估的过程，包括如下步骤：

步骤e1：通过外部发送命令的方式，发送复杂度为o(order)的命令给体系；

步骤e2：收集体系中各个单体接收的命令，并将这些命令分组，得到单体的真实分组情况；

步骤e3：应用系统科学、复杂网络的相关理论，结合体系情况及复杂度为o(order)的命令情况，得到理论的最优分组结果；

步骤e4：比较真实的单体分组情况与理论最优分组结果的相似度，通过相似度来判定体系的自适应分组能力γ的强弱；体系的自适应分组能力γ的评估函数如下：

γ＝f(aso(order),so(order))

该函数中的so(order)为真实的单体分组情况与理论最优分组结果的相似度；αso(order)为参数，可以根据不同的体系决策能力评估需求进行更改。

其中，步骤f中所述的“综合评估体系的群体数量变化的自适应能力θ、体系的群体种类变化的自适应能力χ、体系的方案筛选能力κ、体系的任务分解能力μ、体系的自适应分组能力γ，得出体系决策能力的最终评估结果δ”，其作法如下：通过函数

δ＝f(αδ1,αδ2,αδ3,αδ4,αδ5,θ,χ,κ,μ,γ)

来进行计算，其中αδ1,αδ2,αδ3,αδ4,αδ5为参数，可以根据不同的体系决策能力评估的需求进行更改；

在得到最终的评价结果后，为了方便不同体系之间进行比较，可以通过归一化函数

进行归一化后，得到统一的归一化结果，进行多体系的比较，可以为体系的升级换代提供有效的评估依据。