A Branch and Bound Algorithm for Maximum Likelihood Paired Comparison Ranking
成对比较极大似然排序的分支定界算法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：成对比较与排序未被明确设定为经济选择模型，现有摘要不足以归入离散选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
成对比较极大似然排序的分支定界算法
- 研究问题
- 对于经过成对比较的一组对象，如何以较简单的计算获得极大似然排序，并降低早期线性规划实现的实际计算负担？
- 方法与思路
- 作者提出分支定界算法，摘要称在预先计算后主要只需加减运算，并以十个对象的排序说明其桌面计算可行性。
- 材料陈述的贡献
- 摘要所述贡献是更简便的极大似然排序算法；作者通过十对象例子说明相较所述早期线性规划方案的操作便利性。
- 阅读关注点
- 应核对成对比较的概率模型、似然目标、分支与界的构造，以及保证找到极大似然排序的论证和规模增长时的代价。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未给出复杂度或大规模测试，十对象的计算便利性不能推出普遍效率优势。
原文摘要
A very simple algorithm for obtaining maximum likelihood rankings of k objects which have been compared pairwise is presented. After some preliminary calculations, only addition and subtraction are required so that it is possible to rank as many as ten objects using only a desk calculator. This is not practical with the linear programming algorithm proposed in an earlier paper, deCani (1969), where ranking ten objects requires the solution of a linear program with 120 constraints in 165 variables in addition to upper bound constraints. The algorithm proposed here is one of a class of algorithms called branch and bound algorithms.