本发明涉及群智能优化与效能评估的交叉领域，更为具体的，涉及一种基于先验认知的相对能力评估排序方法、设备及系统。
背景技术：
1、多评估对象的相对能力评估排序问题一直存在多属性决策分析领域中，通常采用逼近理想解排序（technique for order preference by similarity to an idealsolution, topsis）方法和多条件优化折衷决策（vise kriterijumska optimizacija ikompromisno resenje，vikor）方法实现多评估对象的相对能力度量，其中vikor算法结合了主客观因素，通过折衷计算最大化群体效益和最小化个体损失，为决策者提供了更多的决策选择，因此得到广泛应用。
2、当在基于vikor算法框架构建决策矩阵时需要利用各评估指标的权重，权重的科学性、客观性与准确性直接影响到评估的准确与否，传统的主观赋权法如层次分析法、德尔菲法等过于粗劣，形成的权重方案过于主观且片面；客观赋权法如熵权法、相似系数法等过于依赖数据，导致其可能忽略其中的一些重要指标。
3、为解决上述权重配置问题，部分学者们通过主客观相结合的形式进行了极大熵权重配置，并取得了一些实际的成果，同时也产生了一些问题，比如可量化专家知识偏少、在非凸条件下如何使用优化算法使得权重配置结果近似最优等。因此如何使用更精准客观的权重配置模型完成多评估对象相对能力排序是急需解决的技术难题。
技术实现思路
1、本发明的目的在于克服现有技术的不足，提供一种基于先验认知的相对能力评估排序方法、设备及系统，能结合最优权重配置方案实现多个评估对象的相对能力排序。
2、本发明的目的是通过以下方案实现的：
3、一种基于先验认知的相对能力评估排序方法，包括以下步骤：
4、s1：基于计算机程序构建指标集合构建模块，指标集合构建模块在计算机中运行时根据分层分级的指标体系原则，围绕评估对象的不同评估维度与角度，搭建多层级的评估指标集合，其中底层评估指标数量为个，底层评估指标量化值集合为；
5、s2：基于计算机程序构建权重配置构建模块，权重配置构建模块在计算机中运行时以极大熵模型为优化问题的代价函数，结合数学量化方式对多种先验知识进行优化约束条件构建，最终形成多种类型专家认知约束条件的权重配置模型；
6、s3：基于计算机程序构建权重智能优化模块，权重智能优化模块在计算机中运行时基于粒子群优化算法架构，引入sine混沌映射和压缩因子策略，通过迭代寻找个体最优和群体最优方式不断向最大熵权位置靠拢并快速收敛，形成最优权重配置方案；
7、s4：基于计算机程序构建相对能力评估模块，相对能力评估模块在计算机中运行时结合最优权重方案和各评估对象底层指标量化值构建决策矩阵，计算各评估对象的群体效益和最大个别遗憾，最终形成各评估对象的相对能力排序结果。
8、进一步地，在步骤s2中，所述以极大熵模型为优化问题的代价函数，结合数学量化方式对多种先验知识进行优化约束条件构建，最终形成多种类型专家认知约束条件的权重配置模型，具体包括子步骤：
9、s21，基于各底层评估指标的绝对权重构建极大熵权重配置模型的代价函数，具体计算表达式为：
10、
11、其中，为第个底层评估指标对应的绝对权重，为底层评估指标的权重向量，为最大值函数，为基于指标权重的熵函数；
12、s22，结合专家的先验认知，通过数学量化建模构建求解最优权重的约束条件，具体为：
13、①各底层评估指标绝对权重取值范围均为小于等于1的正数，即
14、
15、②各底层评估指标绝对权重之和为1，即
16、
17、③结合专家认知，存在个评估对象的相对能力排序先验知识，即
18、
19、其中，分别为不同专家认知评估对象的第个指标量化值，分别为不同专家认知评估对象的综合能力，该综合能力通过加权和方式进行量化；
20、④结合专家认知，存在种不同指标集合、不同评估对象的加权和能力差异先验知识，通过大于设定阈值或者小于设定阈值来表示，即
21、
22、其中，和为专家认知评估对象集合的任意不同元素序号，为第个底层评估指标权重序号集合子集，为加权和能力差异值；
23、s23，利用步骤s22中的约束条件，最终构建的极大熵权重配置优化模型表示为：
24、
25、其中，分别为不同种加权和能力差异值。
26、进一步地，在步骤s3中，所述基于粒子群优化算法架构，引入sine混沌映射和压缩因子策略，通过迭代寻找个体最优和群体最优方式不断向最大熵权位置靠拢并快速收敛，形成最优权重配置方案，具体包括子步骤：
27、s31，初始化粒子群参数，包括群体规模、每个粒子的位置、速度、边界范围、学习因子、最大迭代次数、个体最优权重粒子、群体最优权重粒子、个体最优适应度和群体最优适应度；
28、s32，进入迭代寻优流程，首先判断每个绝对权重向量粒子是否满足第③和④类约束条件，根据约束条件满足情况计算每个绝对权重向量粒子的适应度值，具体为：
29、
30、s33，对每个粒子，用它的适应度值和个体最优粒子比较；如果，则用替换掉；否则，不用更新个体最优粒子；
31、s34，对每个粒子，用它的适应度值和全局最优粒子比较；如果，则用替换掉；否则，不用更新全局最优粒子；
32、s35，按照压缩因子计算公式更新粒子的速度中的每个元素，具体公式为：
33、
34、其中，rand为0-1的随机数，为个体最优粒子的第个元素，为全局最优粒子的第个元素，为第个粒子的第个元素，为速度第个元素，为压缩因子，通过学习因子和计算得出，具体如下：
35、；
36、s36，将更新的速度进行边界检测，如果超出速度边界值则修改对应速度元素为边界数值，保证其在速度约束范围内；
37、s37，结合速度更新各绝对权重向量粒子的元素，具体为：
38、
39、s38，对各绝对权重向量粒子元素进行边界条件处理，超出边界的修改对应元素为边界数值，并最终进行归一化操作形成更新后的绝对权重向量粒子；未超出边界的，则进行下一步是否完成迭代的判断操作；
40、s39，判断是否完成迭代，若是则结束并输出优化结果，否则返回流程s32，继续迭代。
41、进一步地，在步骤s31中，所述初始化粒子群参数，包括群体规模、每个粒子的位置、速度、边界范围、学习因子、最大迭代次数、个体最优权重粒子、群体最优权重粒子、个体最优适应度和群体最优适应度，具体包括子步骤：
42、s311，初始化设置粒子的维度大小、边界范围、学习因子和最大迭代次数参数；
43、s312，随机生成第一个绝对权重向量粒子和对应的速度，根据sine混沌映射模型依次初始化其余的绝对权重向量种群粒子与对应的速度，具体映射模型为：
44、
45、
46、其中，为混沌映射系数，取值为0.99，为第个粒子的第个元素，为第个速度的第个元素，和是针对第个粒子和速度生成的第个粒子和速度；
47、s313，基于生成的各绝对权重向量种群粒子进行归一化操作，即
48、
49、其中，为归一化后的第个粒子的第个元素。
50、s314，判断当前生成的绝对权重是否满足第③和④类约束条件，如果不满足重新执行步骤s311和步骤s312的操作，直至满足约束条件；
51、s315，随机生成个体最优权重粒子、群体最优权重粒子，通过极小值初始化个体最优适应度和群体最优适应度。
52、进一步地，在步骤s4中，所述计算各评估对象的群体效益和最大个别遗憾具体利用vikor算法框架计算各评估对象的群体效益和最大个别遗憾。
53、进一步地，在步骤s4中，所述结合最优权重方案和各评估对象底层指标量化值构建决策矩阵，计算各评估对象的群体效益和最大个别遗憾，最终形成各评估对象的相对能力排序结果，具体包括子步骤：
54、s41，基于各评估对象的指标量化数值和指标权重构建多评估对象的决策矩阵，其元素为：
55、
56、其中，为第个当前评估对象的第个指标的量化值，为决策矩阵第行第列的元素，为当前评估对象的数量；
57、s42，通过最大值与最小值计算构建正理想解和负理想解，具体计算公式如下：
58、
59、其中，min表示最小值函数，为第个指标的正理想解，为第个指标的负理想解；
60、s43，分别计算当前各评估对象的群体效益和最大个别遗憾，具体计算公式如下：
61、
62、
63、s44，计算当前各评估对象的利益比率数值并对其进行大小排序，具体计算公式如下：
64、
65、其中，为决策系数，为利益比率，该值越靠近1则代表评估对象能力越小，反之则越大。
66、进一步地，的取值为0.5。
67、进一步地，所述形成多种类型专家认知约束条件具体为形成四种类型专家认知约束条件。
68、一种基于先验认知的相对能力评估排序设备，包括：指标集合构建模块、权重配置构建模块、权重智能优化模块和相对能力评估模块；
69、指标集合构建模块根据分层分级的指标体系原则，围绕评估对象的不同评估维度与角度，搭建多层级的评估指标集合；权重配置构建模块以极大熵模型为优化问题的代价函数，结合数学量化方式对多种先验知识进行优化约束条件构建，形成多种类型专家认知约束条件的权重配置模型；权重智能优化模块基于粒子群优化算法架构，引入sine混沌映射、压缩因子策略，通过迭代寻找个体最优和群体最优方式不断向最大熵权位置靠拢并快速收敛，生成最优权重配置方案；相对能力评估模块结合最优权重方案和各评估对象底层指标量化值构建决策矩阵，利用vikor算法框架计算各评估对象的群体效益和最大个别遗憾，最终形成各评估对象的相对能力排序结果。
70、一种基于先验认知的相对能力评估排序系统，包括如上所述的基于先验认知的相对能力评估排序设备。
71、本发明的有益效果包括：
72、本发明基于极大熵权重优化框架下，针对多种专家先验认知，提出了多类约束条件的极大熵权重优化模型，相较于现有极大熵权重优化模型，使得利用的专家知识更多，约束条件更充足，间接提升了评估的准确客观性。
73、本发明构思中引入的多策略融合粒子群优化算法，使得权重优化配置过程中搜寻最优值效果更佳。
74、本发明利用vikor算法的简洁性、易实现性等优点，并协调其他步骤实现多评估对象相对能力度量计算，相对于topsis方法更加降低了计算时长，便于工程实现。
1.一种基于先验认知的相对能力评估排序方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于先验认知的相对能力评估排序方法，其特征在于，在步骤s2中，所述以极大熵模型为优化问题的代价函数，结合数学量化方式对多种先验知识进行优化约束条件构建，最终形成多种类型专家认知约束条件的权重配置模型，具体包括子步骤：
3.根据权利要求2所述的基于先验认知的相对能力评估排序方法，其特征在于，在步骤s3中，所述基于粒子群优化算法架构，引入sine混沌映射和压缩因子策略，通过迭代寻找个体最优和群体最优方式不断向最大熵权位置靠拢并快速收敛，形成最优权重配置方案，具体包括子步骤：
4.根据权利要求3所述的基于先验认知的相对能力评估排序方法，其特征在于，在步骤s31中，所述初始化粒子群参数，包括群体规模、每个粒子的位置、速度、边界范围、学习因子、最大迭代次数、个体最优权重粒子、群体最优权重粒子、个体最优适应度和群体最优适应度，具体包括子步骤：
5.根据权利要求3所述的基于先验认知的相对能力评估排序方法，其特征在于，在步骤s4中，所述计算各评估对象的群体效益和最大个别遗憾具体利用vikor算法框架计算各评估对象的群体效益和最大个别遗憾。
6.根据权利要求3所述的基于先验认知的相对能力评估排序方法，其特征在于，在步骤s4中，所述结合最优权重方案和各评估对象底层指标量化值构建决策矩阵，计算各评估对象的群体效益和最大个别遗憾，最终形成各评估对象的相对能力排序结果，具体包括子步骤：
7.根据权利要求6所述的基于先验认知的相对能力评估排序方法，其特征在于，的取值为0.5。
8.根据权利要求1所述的基于先验认知的相对能力评估排序方法，其特征在于，所述形成多种类型专家认知约束条件具体为形成四种类型专家认知约束条件。
9.一种基于先验认知的相对能力评估排序设备，其特征在于，包括：指标集合构建模块、权重配置构建模块、权重智能优化模块和相对能力评估模块；
10.一种基于先验认知的相对能力评估排序系统，其特征在于，包括权利要求9所述的基于先验认知的相对能力评估排序设备。
