핵심 개념
증거 이론을 기반으로 하는 EPRM(Evidence Pattern Reasoning Model)은 선호도를 고려한 통합적인 의사결정 프레임워크를 제공하며, RGS(Random Graph Set)는 복잡한 관계를 모델링하는 데 효과적이다.
초록
이 논문은 증거 이론을 기반으로 하는 EPRM(Evidence Pattern Reasoning Model)과 RGS(Random Graph Set)를 제안한다. EPRM은 선호도를 고려한 통합적인 의사결정 프레임워크를 제공하며, RGS는 복잡한 관계를 모델링하는 데 효과적이다.
EPRM은 기본 확률 할당(BPA) 연산자, 패턴 연산자(PO), 의사결정 연산자(DMO)로 구성된다. BPA는 입력 데이터를 질량 함수로 변환하는 방법이며, PO는 다양한 유형의 관계를 표현할 수 있는 일반화된 조합 연산자이다. DMO는 융합된 증거를 바탕으로 의사결정 과정을 정의한다.
RGS는 그래프를 사용하여 샘플 간 관계를 표현한다. 그래프의 노드는 샘플로 구성되며, 엣지는 샘플 간 관계를 나타낸다. 그래프 표현은 조합, 순열, 순환, 병렬 관계 등 다양한 관계를 직접 모델링할 수 있다.
이 논문에서는 항공기 속도 순위 결정 문제를 통해 EPRM과 RGS의 실용성을 보여준다. 10,000개의 시뮬레이션 데이터를 생성하고, 평균 속도 기반 의사결정(MVD)과 EPRM 기반 충돌 해결 의사결정(CRD)을 비교한다. 실험 결과, CRD가 MVD의 오류 또는 충돌 사례 중 18.17%를 최적화하여 효과적으로 항공기 속도 순위를 개선하였다.
통계
평균 속도 기반 의사결정(MVD)의 78.79%가 잘못되거나 충돌했다.
EPRM 기반 충돌 해결 의사결정(CRD)이 MVD의 오류 또는 충돌 사례 중 60.74%를 개선했다.
CRD는 MVD의 잘못된 사례 중 18.17%를 최적화했다.
인용구
"EPRM은 선호도를 고려한 통합적인 의사결정 프레임워크를 제공한다."
"RGS는 복잡한 관계를 모델링하는 데 효과적이다."
"CRD는 MVD의 오류 또는 충돌 사례 중 18.17%를 최적화했다."