多属性决策方法new汇编.docVIP

多属性决策方法 在多准则决策发展的早期，关于多目标、多属性、多准则问题的研究相继出现，但没有形成一个规范的定义，直到 20 世纪 80 年代初，学术界对此才达成了共识，并形成了规范。准则是决策事物或对象有效性的一种度量，是评价的基础，在实际决策问题中有目标和属性两种表现形式，属性是伴随决策对象的某些特点、性能或指标，而目标则是决策者对研究对象的某种追求，要达到的最终目的，表明了决策者针对研究对象所努力的方向。 对于产业决策而言，目标（方案）和属性分别有以下几个代表相：某个时间点和某个地区“几个产业”和“几个产业的指标”；某个地区某个产业 “几个时间点”和“该产业的指标”，某个时间点某个产业“几个地区”和“该产业的指标” 某个时间点和某个地区“几个产业”和“几个产业的指标” 某个地区2013年以下哪个行业的经济运行情况更好一些？ 行业 企业数 利润总额 企业资产合计 全部从业人员平均人数 方便食品制造 　 　 　 　 乳制品制造 　 　 　 罐头食品制造 　 　 　 培烤食品制造 　 　 　 　 糖果、巧克力及蜜饯制造 　 　 　 　 2. 某个地区某个产业 “几个时间点”和“该产业的指标”： 对于某个地区“食品制造业”来说，2009-2014年，哪年的经济运行状况更好？ 时间 企业数 利润总额 企业资产合计 全部从业人员平均人数 2009 　 　 　 　 2010 　 　 　 2012 　 　 　 2013 　 　 　 　 2014 　 　 　 　 3. 某个时间点某个产业“几个地区”和“该产业的指标”： 对于2013年“食品制造业”来说，北京、河北、山西、浙江、新疆哪个省份的经济运行状况更好？ 地区 企业数 利润总额 企业资产合计 全部从业人员平均人数 北京 　 　 　 　 河北 　 　 　 山西 　 　 　 浙江 　 　 　 　 新疆 　 　 　 　 以上几种情况中，企业数、利润总额、企业资产合计、全部从业人员平均人数代表“多属性决策”方案中的“属性”，也即对于产业多属性决策分析来说，属性都是产业指标对应的数值，也就是决策矩阵中的“”；而对于方案来说，可以是行业、时间和地区中的任何一种，也就是决策矩阵中的“”。 下面介绍几种具体的多属性决策方法： 以下几种方法都要用到“权重设置”和“属性归一化”处理，先在此说明。 权重设置的方法有： 默认权重：选择“系统默认权重”，按所有属性的算术平均法计算的平均值，直接显示权重值；，其中m是属性的量值 1-9标度法设定权重：点击属性项，选择“1-9标度法设定权重”，显示属性权重设置，即下图所示： 属性 企业数 利润总额 企业资产合计 全部从业人员平均人数 企业数 1 1/2 1/2 1 利润总额 2 1 1 2 企业资产合计 2 1 1 2 全部从业人员平均人数 1 1/2 1/2 1 自定义权重： “自定义权重”直接在权重栏中输入自定义权重数值。 归一化处理的方法： 下列所示正向指标和反向指标的各种归一化方法： （1）正向指标： 方法1：极大化法： 方法2：极差化法： 方法3：归一化法： 方法4：标准样本变换法：，s为样本标准差，， 方法5：向量归一化法： 方法6：监测（标杆）法：，为目标最大值，需要用户自己输入。 （2）反向指标： 方法1：极小化法： 方法2：极差化法： 方法3：逆向极大化法 方法4：监测（标杆）法：，为目标最小值，需要用户自己输入。 1.简单线性加权法（SWA）： 简单线性加权法(SWA)是多属性决策中最简单也是最常用的一种方法,这种方法先根据实际情况,确定各个属性的权重,再对决策矩阵进行归一化处理,通过线性加权平均求出每一个方案的融合值,最后根据其融合值的大小排序或选择最佳方案,简单线性加权法的基本步骤是： 第一步：用适当的方法确定各个属性的权重,设权向量， 满足∈[0,1]， 第二步：将决策矩阵进行作归一化处理,设归一化处理后的决策矩阵为 其中是归一化后的属性值; 第三步：求出每一个方案的线性加权融合值,即 ，i={1，2…,m} 第四步：根据融合值, i={1，2…,m}的大小,对方案集排序或选出最佳方案。 由于思想和计算简单,简单线性加权法(SWA)很容易被决策者使用和理解,这种方法被广泛地用于许多领域.然而,简单线性加权法(SWA)也有它致命的弱点,因为该方法潜在的假设是各属性是偏好独立的,要求一个属性的重要性不受另一个属性的影响.所以,简单易行是该方法的最大优点,但在一些复杂的多属性决策问题中,由于属性间不相互独立,这种方法常常不被接受。 2.WP方法： WP方法是与SWA方法类似的一种方法,与SWA方法不同的是在第三步中计算方案的融合值时不是用线性加权,而是将各属性值相乘