分析两阶段灰色综合测度决策模型.docVIP

两阶段灰色综合测度决策模型 两阶段灰色综合测度决策模型主要针对灰色聚类系数向量之各分量均衡取值或灰色聚类系数向量有若干个位于前列的主分量取值相近，难以判定决策对象归属的情形（刘思峰，方志耕，杨英杰，2014）。 由于决策系数向量通常不是单位向量，因而相互之间不能进行比较，因此，需要首先对决策系数向量单位化。 定义6.6.1：令，称为决策对象属于k灰类的单位化决策系数。 定义6.6.2：称为决策对象的单位决策系数向量。 称为单位决策系数矩阵。 命题6.6.1 对决策对象按决策系数和单位决策系数聚类，两者所得结果是一致的。 即按决策系数与按单位决策系数进行聚类，决策对象所在的灰类不变。 将单位化灰色聚类系数向量各分量按其数值大小依次排序，可得 定义6.6.3 若，则称为灰色聚类系数向量的主分量（刘思峰，方志耕，杨英杰，2014）。 当或时，只有一个主分量。一般情况下，可能有多个主分量。若灰色聚类系数向量的最大主分量与其余主分量差异显著，我们仍可得到具有较大可靠性的决策结论。而对于的最大主分量与其余主分量差异不显著，即有若干个位于前列的主分量取值相近的情形，则难以得到可靠的决策结论。 当的熵在各分量的分布接近均衡分布或有若干个位于前列的主分量取值相近时，给出决策结论需要慎之又慎。两阶段灰色综合测度决策模型能够提高各分量取值相近或有若干个位于前列的主分量取值相近情形下的决策效率。 人们通常仅根据灰色聚类系数向量各分量的最大值对决策对象进行分类，所得结果虽然有一定的合理性，但有时也会产生偏颇。尤其在最大主分量与其余主分量差异不显著的情形下，难以得到可靠的决策结论。例如，对两个评价对象按“优”，“良”，“中”进行分类，若对象1和对象2的灰色聚类系数向量分别为，.如果直接比较其聚类系数的最大值，由于，结论应为对象2优于对象1。但如果综合考察各分量的值，也许不少人会认为对象1优于对象2。 造成这种认知差异的原因是我们在对灰色聚类系数向量进行比较时，有时候需要把灰色聚类系数向量视为一个整体进行综合考察。定义6.6.2和定义6.6.3给出的综合测度决策模型解决了这一问题。 定义6.6.4 设有s个不同的决策灰类，令 ， ， ， ， ， ， 称为关于灰类k的综合加权决策向量（刘思峰，方志耕，杨英杰，2014）。 注：s维向量由数乘向量构成，其中数乘因子的作用是保证为单位向量。向量部分的第k个分量为s，以此为中心，步长为1，两侧的分量取值依次递减，体现了第k个分量对决策对象属于灰类k的贡献最大，因此被赋予最大的权重s. 其它各分量的值则按“与第k个分量距离越近的分量对决策对象属于灰类k的贡献越大，因而被赋予较大的权重；与第k个分量距离越远的分量对决策对象属于灰类k的贡献越小，因而被赋予较小的权重”的原则设定。 定义6.6.5 设有个决策对象，s个不同灰类，则称为对象关于灰类k的灰色综合测度决策系数。并称 为对象的灰色综合测度决策系数向量（刘思峰，方志耕，杨英杰，2014）。 定义6.6.6 设，，当时，则称在灰类中，决策对象优于决策对象。 定义6.6.7 设，，，即对象均属于灰类。且，若决策灰类容纳的对象个数为，则称对象为灰类的取入对象，其余的对象为灰类的候选对象。 两阶段灰色综合测度决策模型可按以下步骤构建（刘思峰，方志耕，杨英杰，2014）： Stage 1： Step 1：按照综合评价要求划分的灰类数，分别确定灰类1、灰类s的转折点和灰类的中心点；设定指标子类白化权函数 （）。 其中灰类1和灰类s的白化权函数分别取为下限测度白化权函数和上限测度白化权函数，灰类的白化权函数可取为基于中心点或端点的三角白化权函数； Step 2：确定每个指标的聚类权…,m; Step 3：计算对象关于灰类的灰色聚类系数： 其中为对象在指标下属于灰类的白化权函数，为指标在灰色评估决策中的权重。 Step 4：计算决策对象属于灰类k的单位化灰色聚类系数，其中 ， Step 5：评估决策系数向量各分量之间的分辨率。若最大聚类系数易于识别，则转向Step 6；对于灰色聚类系数向量各分量取值相近或有若干个位于前列的主分量取值相近的情形，最大决策系数难以识别，则转向Step 7； Step 6：由，判定对象属于灰类，转向Step 10； Stage 2： Step 7：计算综合加权决策向量； Step 8：计算决策对象关于灰类k的综合测度决策系数向量 ； Step 9：由，判定对象属于灰类； Step 10：若有多个对象同属于灰类，按照定义6.6.4和定义6.6.5，还可以进一步根据灰色聚类系数或综合测度决策系数对同属于灰类k的所有对象进行排序。 两阶段灰色综合测度决策模型较好地解决了不同聚类系数向量主分量接近，难以取舍的综合决策问题。 6.7 应用实例 例