一种人机任务决策系统的决策权限划分方法与流程

1.本发明属于人机交互技术领域，具体涉及到一种人机任务决策系统的决策权限划分方法。


背景技术：

2.智能辅助决策系统结合了包括主动控制技术、自主飞行控制技术、智能决策技术、人工智能技术等，可以实现具有人工智能技术的故障检测与诊断、驾驶员咨询等功能，最早可以追溯到美国的“驾驶员助手”(pilots associate,pa)计划和悬翼机驾驶员助手(rotorcraft pilots associate,pa)计划。该系统研究的主要目的是为驾驶员或操作员提供实时的决策建议，确保驾驶员在空战期间执行最合理有效的决策。由于航空电子设备的日趋复杂、设备数量的日趋增多，对于智能辅助决策系统的需求日渐增加，各国也随之投入了大量的研究人员，所以智能辅助决策技术也取得了非常大的进展。
3.操作员与智能辅助决策系统之间的协作不仅要考虑人和智能决策系统的特征，还要考虑任务、环境和态势等因素。为此，需要研究人与智能辅助决策系统之间的自适应协作机制、权限划分及权限动态调整策略。基于这些内容，提高人机协同作战平台的交互和协作能力，使得辅助决策系统具备根据任务、环境以及人的状态动态调整自身辅助等级以及控制权限的能力，最终达到提高作战能力，减少复杂任务和环境下操作人员的工作负荷，提高人机协作平台的综合性能和可靠性的目标。目前常采用的人机协作方式有人机功能分配、可变自主等级等模式。
4.对于人机功能分配，其实是研究人与智能辅助系统之间的任务功能分配问题，具体到辅助系统怎样根据任务、态势、人的状态，去做出适应性调整，正确合理的对无人作战飞机系统中人机之间的功能权限进行分配，对于降低操纵员的负荷和提高任务效能具有重要意义。有学者从盖帘模型和计算模型进行度量，开发出能够支持动态功能分配的系统框架。有的学者基于两个飞行员之间的互动和协调模型，描述了如何在现实世界的操作系统中最佳地实现人与自动化系统之间的动态任务分配。
5.除了在功能分配层面的研究，许多学者从可变自主权限的角度进行了研究。例如通过分层决策方法和规划算法来实现可变权限等级。或者提出一种使用支持向量机来实现权限分配的专家系统，称为自适应自治支持向量机专家系统。美国j.r.gersh等学者提出了基于认知过程模型来研究和设计地面操纵人员与空间飞船之间的交互和任务转换策略，以实现动态的任务和功能分配。美国的r.parasuraman等学者建立了人机系统中四种功能模型和自动化级别：信息获取，信息分析，决策与功能选择，功能执行，并且建立了不同自动化级别的评价准则。通过可变自主权限的方式，实现了人机协作决策，实现人与智能辅助决策系统之间的协调协作。
6.总之，许多学者分别从不同的角度对人机权限分配问题进行了探讨，然而仍旧缺乏一个系统的研究，大多数的研究只是针对单一场景下的特定分配，无法进行所提方法策略的拓展。因此，仍然需要对人机权限分配问题进行进一步的深入研究。


技术实现要素：

7.有鉴于此，本发明提供一种人机任务决策系统的决策权限划分方法，该方法深入研究了人机能力评价体系与评估方法，形成了一套完整科学且通用的人机能力评价指标。基于上述评价体系，设计了基于层次分析法和模糊优选理论的人机决策权限分配方法，通过人机权限分配的方式实现人机协同决策。
8.为了实现上述目的，本发明采用的技术方案为：
9.一种人机任务决策系统的决策权限划分方法，包括以下步骤：
10.(1)设计人机能力评估指标体系；
11.(2)构建底层指标评分标准；
12.(3)划分权限等级；
13.(4)获得权限等级；
14.(5)计算评价指标体系中指标的权重；
15.(6)评估人机决策权限等级。
16.进一步的，步骤(1)的具体方式为：
17.根据系统分析法对相应人机协作场景下涉及到的任务特点进行分析，建立多层次树状结构指标体系；其中，用u1、u2、u3表示一级节点编号、v1、v2、v3、v4表示二级节点编号，多层次树状结构如下：
18.一级指标包括：信息获取能力u1、任务理解能力u2、任务处理能力u3；
19.二级指标包括：信息获取能力u1的下级节点：环境信息获取能力v1、任务信息获取能力、知识信息获取能力；任务理解能力u2的下级节点：文本信息理解能力、图像信息理解能力、语音信息理解能力；任务处理能力u3的下级节点：计算能力v2、推理能力v3、决策能力、工作能力v4；
20.三级指标包括：环境信息获取能力v1的下级节点：感知环境种类、感知环境范围；计算能力v2的下级节点：快速计算能力、准确计算能力、复杂计算能力；推理能力v3的下级节点：归纳推理、空间推理、知识推理；工作能力v4的下级节点：多任务处理能力、不确定时间处理能力、组合问题处理能力、连续工作能力。
21.进一步的，步骤(2)的具体方式为：
22.获取到人机能力评估指标体系后，对其进行由下至上的评分，构建基于生理状态参数测量和基于人机状态模型的底层指标的评分标准。
23.进一步的，步骤(3)的具体方式为：
24.以任务规划人机协作系统的人机权限等级评价出发，在综合考虑任务规划中任务的特点，采用5级划分，模式由1到5，对应系统的自主级别依次增大，人的决策权限减小；对于不同的复合任务或单元任务，每个模式下的执行方式依据任务进行调整。
25.进一步的，步骤(4)的具体方式为：
26.依据层次分析法和模糊优选理论对评价体系指标树进行从下至上的评估，最后合成得到最终的权限等级。
27.进一步的，步骤(5)的具体方式为：
28.利用层次分析法将定量分析和定性分析两种方法进行结合，从而量化人的经验性判断，用以计算不同指标之间的权重大小。
29.进一步的，步骤(6)的具体方式为：
30.采用模糊优选理论，针对多个评价指标、多个决策权限等级进行计算，评估出最终的人机决策权限等级。
31.本发明与现有技术相比所取得的有益效果在于：
32.1.本发明建立了完整的人机能力评价指标体系，能够较为合理的对人机能力进行评估。
33.2.本发明设计了完整的评估流程，且流程框架具有较好的通用性。
34.3.本发明利用多属性评估策略，相较于传统单一指标，能够综合考虑多项影响因子，进而较为合理的做出权限分配。
附图说明
35.图1是人机能力评价指标体系框架图。
36.图2是人机能力评价完整指标体系示意图。
具体实施方式
37.下面结合附图和具体实施方式对本发明的技术方案做进一步描述。
38.一种人机任务决策系统的决策权限划分方法，该方法针对于人机决策权限分配问题，设计了人机能力评价指标体系构建和权限等级计算方法。其中，通过系统分析法实现评价指标体系的构建，通过模糊优选理论实现权限等级的计算。该方法包括以下几部分内容：
39.构建人机能力评价指标体系
40.设计人机能力评价指标体系中底层指标评分模型
41.设计人机决策权限等级模式表
42.设计完整的人机决策权限计算流程
43.计算人机能力评价体系指标权重
44.评估任务决策权限等级
45.具体步骤如下：
46.(1)首先设计人机能力评估指标体系。根据系统分析法对相应人机协作场景下涉及到的任务特点进行分析，建立多层次树状结构指标体系。其中，用u1、u2、u3表示一级节点编号、v1、v2、v3、v4表示二级节点编号，多层次树状结构如下：
47.一级指标包括：信息获取能力(u1)、任务理解能力(u2)、任务处理能力(u3)；
48.二级指标包括：ui(环境信息获取能力(v1)、任务信息获取能力、知识信息获取能力)；u2(文本信息理解能力、图像信息理解能力、语音信息理解能力)；u3(计算能力(v2)、推理能力(v3)、决策能力、工作能力(v4))；
49.三级指标包括：v1(感知环境种类、感知环境范围)；v2(快速计算能力、准确计算能力、复杂计算能力)；v3(归纳推理、空间推理、知识推理)；v4(多任务处理能力、不确定时间处理能力、组合问题处理能力、连续工作能力)；
50.(2)构建底层指标评分标准。获取到人机能力评估指标体系后，对其进行由下至上的评分，构建基于生理状态参数测量和基于人机状态模型的底层指标的评分标准；
51.(3)划分权限等级。以任务规划人机协作系统的人机权限等级评价出发，在综合考
虑任务规划中任务的特点，采用5级划分，模式由1到5，对应系统的自主级别依次增大，人的决策权限减小。而对于不同的复合任务或单元任务，每个模式下的执行方式会依据任务特定进行调整，具体如下所示：
[0052][0053]
(4)获得权限等级。依据层次分析法和模糊优选理论对评价体系指标树进行从下至上的评估，最后合成得到最终的权限等级；
[0054]
(5)计算评价指标体系中指标的权重计算。利用层次分析法将定量分析和定性分析两种方法进行结合，从而量化人的经验性判断，用以计算不同指标之间的权重大小；
[0055]
(6)评估最终的人机决策权限等级。采用模糊优选理论，针对多个评价指标，多个决策权限等级进行计算，评估出最终的人机决策权限等级。
[0056]
本方法解决了以下问题：
[0057]
1、解决人机能力评价指标体系构建问题。在进行决策权限分配的时候，首先需要建立合理的人机能力评价体系与评估模型，因为，在不同的任务、态势、环境下，人机各自的能力会产生较大的变化，合理的评估出人机各自的能力评分，依据评分来协调人机各自的权限等级，才能有效提高人机协同决策系统的总体效能。因此，需要构建完整的人机能力评价指标体系用以支撑后续的设计。
[0058]
2、在利用人机能力评价指标体系进行能力评分的时候，会存在底层指标评分问题。只有获取到底层指标的评分后，才能进一步得到最终的总评分值。所以需要建立相应的底层指标评分模型和方法。
[0059]
3、评价指标体系之间的权重计算问题。对于评价指标体系中的各个评价指标，对于不同任务来说具有不同的影响程度，在计算相应的总评价值时，需要对该影响程度进行量化，从而通过数值计算出最终的评分值。因此，需要利用相应方法计算人机能力评价指标体系中不同指标的权重。
[0060]
4、权限等级的计算问题。当获取到底层指标评分以及指标权重后，需要求取最终的权限等级，进而利用该决策权限等级划分不同的执行模式。
[0061]
以下为一个更具体的例子：
[0062]
一种人机任务决策系统的决策权限划分方法，包括以下步骤：
[0063]
(1)人机能力评价指标体系构建
[0064]
系统分析法会对总评价目标进行逐级分解，从而建立多层次树状结构指标体系。
对于具有树状结构的指标框架，需要综合考虑指标的数量、层次等。一般的综合评价指标体系的层次在3-6层之间。心理学研究表明人们对于9个以上项目进行相互比较时，极易出现判断不一致的情况，因此每个层次包含的指标个数在4-6个之间为宜，最大不宜超过9个。本例建立的人机认知与行为能力评价指标框架共包含4个层次(包括总评价目标在内)，用表示评价总目标，表示一级评价指标，表示二级评价指标，以此类推。每个二级评价指标包括多个三级评价指标。本例基于自身理解以及主观上面的分析判断建立具体的评价指标体系，提供分析方法的案例参考。具体的能力指标分析如下：
[0065]
以人机任务规划系统为例。对于任务规划场景下，主要有以下3个一级能力指标。
[0066]
信息获取能力u1[0067]
对于特定的任务，如果需要相应的执行人员或者执行机构，首先需要的能力便是对于信息的获取能力，包括任务信息、态势信息等，这些信息是处理任务的前提，缺乏信息的条件下是无法去处理相应的任务。
[0068]
任务理解能力u2[0069]
对于任务理解能力也是评价当前目标能力的重要指标。例如机器无法处理之前没有遇到过的问题就属于机器的任务理解能力较差。只有清楚了任务的具体目标才能够做进一步的任务处理。
[0070]
任务处理能力u3[0071]
任务处理能力则是最为核心的能力。对于某一项任务，任务处理能力直接决定相应任务的成功失败。
[0072]
一级能力指标建立后的评价框架如图1所示。
[0073]
对于二级指标，分析结果如下：
[0074]
■
信息获取能力
[0075]
本例考虑权限分配过程中首先需要获取到相应的任务信息，从而对任务进行完整的分析以及理解，进而进行后续的任务处理，因此需要任务信息获取能力。并且，在进行后续任务处理的时候，由于需要人和机器综合分析当前的态势信息，因此，首先需要具备态势信息获取能力。最后，在对任务进行理解分析，需要综合大量的知识进行，所以，需要具备知识信息获取能力。综上，对于信息获取能力，将其下分为环境信息获取能力、任务信息获取能力以及知识信息获取能力。
[0076]
■
任务理解能力
[0077]
对于任务理解能力，首先考虑以文本信息媒介给定的任务信息，需要相应的人和机器具备文本信息理解能力。同样，会有图像信息媒介下的任务信息，也会有语音信息媒介下的任务信息。综上，对于信息理解能力，将其下分为文本信息理解能力、图像信息理解能力以及语音信息理解能力。
[0078]
■
任务处理能力
[0079]
对于任务处理能力，单纯从任务的处理方面入手，首先对于需要大量计算的任务，考虑计算能力；对于需要进行推理的任务，需要推理能力；对于需要依据信息做出决策的任务，需要较好的决策能力；最后，需要在当前实际的一个操作能力，称为工作能力。综上，对于任务处理能力，将其下分为计算能力、推理能力、决策能力以及工作能力。
[0080]
对于三级指标，分析如下：
[0081]
在分析得到二级评价指标后，需要对二级指标的下级指标做进一步的分析，得到相应的三级指标。由于部分二级指标已经具备根据态势、环境、人机状态进行评分的条件，无需进一步划分，具备良好的单一评价性，因此，分析三级指标的时候并不对所有二级指标进行次级划分。
[0082]
本例中，需要做进一步划分的二级指标主要包括：环境信息获取能力、计算能力、推理能力、工作能力；以下对这些二级指标作进一步的下级划分。
[0083]
●
环境信息获取能力
[0084]
由于环境信息分为不同的种类，因此，这里需要考虑人机感知环境种类能力；另外，对于感知能力，需要考虑机器或人的感知范围，相应的为人机感知环境范围。综上，环境信息获取能力的下级指标为感知环境种类、感知环境范围两种指标。这两个指标均可以以一定的评分模型依据状态信息进行评分，因此为底层指标。
[0085]
●
计算能力
[0086]
对于计算能力，由于不同的任务需要的计算能力要求不一样，例如对于需要大量计算且紧急的任务，例如突发威胁下的决策任务，需要具备快速计算能力；而对于需要较高精度要求的任务，例如计算任务航路点，则需要准确计算能力；而对于部分复杂任务，则涉及到许多复杂的任务计算能力；综上，将计算能力下分为快速计算能力、准确计算能力、复杂计算能力三个下级指标。
[0087]
●
推理能力
[0088]
对于推理能力，依据常规的分析，可以分为归纳推理、空间推理、知识推理三种。
[0089]
●
工作能力
[0090]
在工作能力上，主要指具体执行任务过程中的能力。由于往往人和机器会同时负责好几项任务，因此首先分析需要多任务处理能力；此外，对于处理任务过程中可能会面临突发情况下的处理，因此，需要人或者机器具备不确定事件处理能力；另外考虑到部分任务往往不是单一维度的任务，因此需要组合问题处理能力；另外，对于工作的持续性上，考虑到有的任务需要进行较长的时间，因此需要考虑连续工作能力。综上，将工作能力下分为多任务处理能力、不确定时间处理能力、组合问题处理能力、连续工作能力。经过完整分析，得到评定要素分解指标框架如图2所示。
[0091]
(2)构建底层指标评分标准
[0092]
由分级指标因素，需要进行评分的指标有环境信息获取能力、任务信息获取能力、知识信息获取能力；感知环境种类，感知环境范围；文本信息理解能力，图像信息理解能力，语音信息理解能力；快速计算能力，准确计算能力，复杂计算能力；归纳推理能力，空间推理能力，知识推理能力；多任务处理能力，不确定事件处理能力，组合问题处理能力，连续工作能力。
[0093]
对于上述指标，在实际评估系统权限等级的时候，需要实时获取其评分值。而对其评分属于一个基于规则和知识的行为，相关文献中采用的方法大多是以专家打分的方式。为了能够实现动态实时评分，采用相应的系统、人、任务和环境的状态数据进行推理评分。
[0094]
需要人的先验信息得到相应人员某项底层指标评分的最大值，例如对于知识信息获取能力，不同的人所接收过的知识是不同的，对于专业人员来说，该项能力能够达到100分，但对于普通人来说，该项能力可能就只有80分，所以，在实际的系统执行前，会以每个人
的注册信息获取到他们的能力评分，这些评分为执行任务期间所能达到的最大分值。同时需要考虑到，当执行任务期间，人的状态会发生变化，而这些能力也会随着人的状态变化而发生一定程度的变化。
[0095]
由人的状态获取到对应的评分的过程如下：
[0096]
能力指标um能力评分值为sm，能力最大值s
max
，脑力负荷状态{mi},i＝1,2,3,4,5，对应mi状态能力下降率{di,i＝1,2,3,4}。
[0097]
这里，根据操作人员的注册信息，即是否为专业人员以及是否受过训练为例。对应有4种情况，pm＝{p1,p2,p3,p4}，其中p1指专业人员，受过训练；p2指专业人员，未受过训练；p3指非专业人员，受过训练；p4指非专业人员，未受过训练。具体场景可以根据需要对操作人员种类进行拓展。
[0098]
对应pm＝{p1,p2,p3,p4}，s
max
＝{s
max1
,s
max2
,s
max3
,s
max4
}，即当操作人员注册信息为pi时，对应s
maxi
。
[0099]
在实际执行任务过程中，根据生理状态的测量获得实时操作人员的生理状态为{mi},i＝1,2,3,4,5，对应人体脑力负荷状态{超负荷，认知锁定，适中，低警觉，低负荷}。则根据{di,i＝1,2,3,4}。可知实时能力评分sm＝s
max
·di
。
[0100]
例如，对于知识信息获取能力的评分过程如下：
[0101]
知识信息获取能力除了与人的状态有关外，还与具体人员的先验知识接受水平有关，这类能力评分时会采取提前注册信息的方式，通过人员的受教育程度、系统操作次数等注册信息进行评分。对于专业人员且受过训练，可以达到100分；对于专业人员未受过训练，则最高可以达到90分；对于普通人员受过训练，则评分最高为80分；对于普通人员未受过训练，则评分最高为60分。即s
max
＝{100,90,80,60}对应脑力负荷状态{超负荷，认知锁定，适中，低警觉，低负荷}，当脑力负荷为适中状态，则能力值维持不变；当状态为认知锁定和低警觉状态，能力值下降15％；当状态为超负荷和低负荷时，能力值下降40％；即d＝{0.60,0.85,1.0,0.85,0.60}。
[0102]
对于一位未受过训练的专业人员来说，系统评定其所能达到的最大分值为90分；如果在执行任务的时候，评定当前操作员脑力负荷状态为超负荷，则对应的，知识信息获取能力评分为s
max
·
d＝90
·
0.60＝54，即当前操作员知识信息获取能力评分变为54分。以此类推，获得所有的能力评分，再进而通过后续章节中的相应方法计算得到最优的权限分配等级结果。
[0103]
对于s
max
以及{di,i＝1,2,3,4}的具体划分选取根据专家知识或者由相应的专家进行设计，本例为了进行后续案例研究，主观给出。
[0104]
以此类推，由此可获得所有底层因素指标的评分矩阵如下表1：
[0105]
表1底层指标评分矩阵表
[0106][0107][0108]
(3)权限等级划分
[0109]
对于人机协作，为了设定不同的权限下人机协作的方式，本例采用权限等级模式
表的方式，即对应不同的权限等级有相对应的任务功能执行模式。每种模式下，人机各自负责的功能会不同，某一项功能会在人与辅助决策系统之间进行切换，不同的权限等级也会有不同的人机协作方式。
[0110]
由于系统各个单元任务或功能的差异，难以用完全一样的自主等级模式对相应任务进行划分，应根据实际应用场景划分出较为合理的模式。
[0111]
本例以任务规划人机协作系统的人机权限等级评价出发，在综合考虑任务规划中任务的特点，采用5级划分，模式由1到5，对应系统的自主级别依次增大，人的决策权限减小。而对于不同的复合任务或单元任务，每个模式下的执行方式会依据任务特定进行调整。
[0112]
表2为人机权限模式表案例。
[0113]
表2人机模式表
[0114][0115]
(4)合成权限等级
[0116]
针对人机权限的划分流程，需要综合考虑多方面的因素，采用较为合理的方法进行权限划分，不能简单的依据单一指标或者方法进行划分。本章基于第三章中所构建的人机能力评价体系与评估模型建立人机权限分配方法，主要利用能力评价体系，根据人机能力状态对当前的权限等级进行合理的选择，并对应权限等级模式选择对应的人机协作模式。本例在划分权限等级的时候，主要依据层次分析法和模糊优选理论对评价体系指标树进行从下至上的评估，最后合成得到最终的权限等级。
[0117]
其中权限等级模式划分流程如下：
[0118]
1)首先，分析关键能力因素，构建出人机能力评价指标体系与评估模型；
[0119]
2)其次，采用ahp层次分析法，依据专家经验，计算定性描述的影响因素的权重。
[0120]
3)根据当前态势信息、人的状态信息对底层因素进行评分，得到评分矩阵；
[0121]
4)利用模糊优选理论计算人机系统权限等级划分中每个等级的模糊隶属度；
[0122]
5)通过模糊推理系统的解模糊方法，对每个自主等级的模糊隶属度进行解模糊合成，给出当前关键要素下人机权限的等级的单值合成结果；
[0123]
(5)计算评价指标体系中指标的权重计算
[0124]
计算各个评价体系指标的相对权重值，主要有如下两个步骤：构造比较评判矩阵；运用根法计算权重。
[0125]
目前，通过满分为100分的形式评估指标能力。由于相同层级的指标对于父层级指标评分的影响程度不一样，因此必须给出子级指标的权重向量。
[0126]
1)构造比较评判矩阵
[0127]
对于评价指标体系中的二级指标“工作能力”来说，其下级指标由“多任务处理能力”、“不确定事件处理能力”、“组合问题处理能力”、“连续工作能力”构成，所以对应的下级指标评判矩阵为a
mn
＝(a
ij
)(i＝1,2,3,4)，其中a
ij
表示第i个指标相对于第j个指标的相对重要性，而a
mn
代表第m个一级指标下的第n个二级指标。a
ij
的取值一般为正整数1-9(称为标度)及其倒数。关于取值的规则如下表3所示：
[0128]
表3取值规则表
[0129][0130][0131]
对于评价矩阵的某一元素依据上述规则进行评估的时候，通过专家打分或者其他方式获得。由此得到评价矩阵如下式：
[0132][0133]
同理，可以获得其他各级指标的下级指标的评估矩阵。
[0134]
例如“推理能力”的评判矩阵a
32
为：
[0135][0136]“计算能力”中评判矩阵a
31
为：
[0137][0138]
2)利用根法求取权重
[0139]
在获取到指标的评判矩阵后，需要将其转换为权重矩阵，主要通过行列的归一化
最终求取得到。根据“工作能力”的评判矩阵a
34
，求取4个权重指标值的过程如下式：
[0140][0141]
由此得到权重矩阵为式：
[0142]w34
＝[0.5036 0.0964 0.2536 0.1464]
[0143]
同理，可以获得其他指标的权重矩阵：
[0144]“推理能力”：w
32
＝[0.3333 0.3333 0.3333]
[0145]“计算能力”：w
31
＝[0.2254 0.4540 0.3206]
[0146]
(6)评估最终的人机决策权限等级
[0147]
针对多目标多属性排序问题，模糊优选理论是一种常用且有效的方法。当有n个待优选的方案集，又有m个评价因素集，可以通过研究系统方案集的模糊优序评价，对待优选的n个方案，计算m个评价因素的特征值对于优的隶属度，通过隶属度矩阵计算最优方案。
[0148]
对于权限级别的模糊优选，评判对象即为模式集合(mode1，mode2，mode3，mode4，mode5)，所以n＝5。根据输入的某项功能的分数量化值，将其转化为一个5维向量，例如输入的分数量化值为40，得到模糊化后的值为[00.40.600]，即对于一个输入为40的分数值，其隶属于第2级和第3级的模糊隶属度都为0.5。
[0149]
以指标“任务处理能力”为例：
[0150]
u3＝(计算能力，推理能力，决策能力，工作能力)＝(u
31
,u
32
,u
33
,u
34
)
[0151]
1)对于其子级指标“工作能力”：
[0152]
评分矩阵如下式：
[0153]u34
＝[80,80,75,70]
[0154]
对应的权重矩阵为式：
[0155]w34
＝[0.5036 0.0964 0.2536 0.1464]
[0156]
根据评分矩阵可以得到隶属度矩阵：
[0157][0158]
2)子级指标“决策能力”[0159]
该指标无子级指标，属于底层指标，评估时候会直接获取得到评分后得到隶属度矩阵。假设评分为90分，则其隶属度矩阵为：
[0160]r33
＝[0 0 0 0.4 0.6]
[0161]
3)子级指标“推理能力”[0162]
其含有三个下级指标，假设对应评分矩阵为：
[0163]u32
＝(90,60,95)
[0164]
权重矩阵：
[0165]w32
＝[0.3333 0.3333 0.3333]
[0166]
则隶属度矩阵为：
[0167][0168]
4)子级指标“计算能力”[0169]
其含有三个下级指标，评分矩阵为：
[0170]u31
＝(60,90,90)
[0171]
权重矩阵为：
[0172]w31
＝[0.2254 0.4540 0.3206]
[0173]
则隶属度矩阵为：
[0174][0175]
5)隶属度矩阵综合
[0176]“任务处理能力“权重矩阵：
[0177]
w3＝[0.2729 0.5329 0.0667 0.1276]
[0178]
综上，将隶属度矩阵进行综合：
[0179][0180][0181]b33
＝r
32
＝[0 0 0 0.4 0.6]
[0182][0183][0184]
又有
[0185]
w3＝[0.2729 0.5329 0.0667 0.1276]
[0186]
所以“任务处理能力”的最终隶属度矩阵为
[0187][0188]
已知，q＝[0 25 50 75 100]，则对于“任务处理能力”的最终评分为：
[0189][0190]
同理可以得到其他两项能力“信息获取能力”和“任务理解能力”的隶属度和得分。最终可以得到总的隶属度矩阵。
[0191]
(7)决策权限等级合成
[0192]
模糊优选理论得到权限等级划分中每一个权限等级的模糊隶属度，然后根据等级划分中模糊隶属度大小进行解模糊合成(例如质心解模糊或最大隶属度等方法)，给出当前情况下权限等级解模糊合成后的单值结果。
[0193]
通过前述步骤，可以得到一级评价指标的评价分数以及隶属度矩阵，然后可以根据相应方法推导出权限等级。仍然采用隶属度的方法推理出合适的权限级别模式。求得最后的隶属度矩阵b＝{u1,u2,
…
,un}，对应最大隶属度的权限级别即为合适的权限级别。