论文:Fuzzy Analytic Hierarchy Process: A performance analysis of various algorithms
论文主要内容是介绍FAHP中各种常用方法(5种)和不常用方法(4种),共9种,同时进行比较,通过实验判断各种方法的效果好坏。
一、九种方法总览
文中主要讲的是4种不常见的方法,其他5种常见方法只是提了一两句并附上论文注释。
二、九种方法详细介绍
考虑完全一致性矩阵,即:
目的是求解权重向量,即(W1,W2,…,Wn)
1.几何平均和算数平均( FAM和FGM)
(1)首先,将每一列加在一起得到:
由于权重和为1,该式变换为:
(2)将判断矩阵种每个元素除以它所在列的列和后,整理为:
对于一个完全一致性的矩阵,如果使用上述描述的规范化步骤,矩阵Wn将由相同的列向量构成,其中任何一个都是我们试图确定的权重向量,即(W1,W2,…,Wn)。
但实际中,从决策者那得到的判断矩阵很少保持一致,因此所得到的归一化矩阵将由彼此不同的列向量组成。由于每一个列向量都是权值向量的候选列,所以一个合理的做法就是平均标准化矩阵Wn的列向量。平均值可以通过几何方法和算法方法得到,其中表示的是基于Wn的第j列的第i个准则相关的候选权重。
几何平均:
算数平均:
2.行求和( FRSM)
此方法是在FEA的基础上进行修改,FEA分为两个部分:
(1)求行和以及归一化
(2)去模糊化(根据模糊数比较原则进行权重排名)
FRSM采用的是基于质心的去模糊化方法。
3.列和的逆( FAHP)
第四个方法比较神奇,之前在第一个方法里求解过列和:
而列和向量的逆就是权重向量。
4.FEA
从这第五种方法开始,本篇论文就没有详细介绍这些方法了,作者给出了参考论文,只能重新找参考论文进行分析,论文地址传送。
准备工作:构建三角模糊数
FEA的首要任务是确定同一层次中每对因素的相对重要性。利用三角模糊数,通过两两比较,构造模糊评价矩阵。
例如,在某个标准下,元素i对元素j的重要性,其中l和u是判断的模糊度,u-l越大,程度越模糊;当u-l=0时,判断就是一个非模糊数,即与一般意义下的比例5保持一致。
对标的判断可以用表示。同样两者满足:
利用此求解,其中为每个对象的m个范围分析值:
后面的步骤就是求解:
求解背景:
论文中给出了详细的案例分析,便于理解,可以看一看。
5.FEA with modified normalization
FEA方法的修正,框架上没有太大的变化,基本上没有提出改进的地方,论文地址指路。
6.LLSM
最古早的一篇论文,论文地址指路,但没有原文,只能看一些解析。
思想与前面几种不同,看的不是很明白。
(1)首先进行priority theory,也就是拟合完全一致矩阵的过程,用函数去衡量当前矩阵和完全一致矩阵之前的差距,求最小即可。
其中,
对于每一个标准都可能有多个专家去评估,因此,也存在多个rij,数量用表示,于是式子变为:
用x和y表示已知和未知,求解最小值。
(2)模糊数运算法则
(3)fuzzy priority theory
将上述公式推广到模糊数。
要求的是(li,mi,ui),已知的是(lijk,mijk,uijk),也即多个专家对所有标准的评估结果再取对的结果,其中就是参与评估的专家的人数。结果如下:
7.LLSM with modified normalization
在LLSM的基础上,当前方法在保证最佳性(optimality)和归一化同时实现的情况下,进一步计算出了权重中的常数取值。LLSM得到的结果是:
当前方法中:
8.GMM
同样还没有找到论文,论文地址指路。
三、实验过程
实验中采用三个主要的控制参数:比较矩阵(判断矩阵)的大小n,模糊度水平和决策者的不一致性。通过改变这些控制参数的级别,生成了一组矩阵,并据此应用了九种FAHP方法。
1.生成随机模糊比较矩阵的算法
在每次复制中生成一个随机的权值向量,并使用这些主观权值,使用公式构造了一个完全一致的清晰比较矩阵,再在矩阵中添加不一致性,之后进行模糊化处理。
1.1添加不一致性
通过不一致参数∈{0、0.2、0.4、0.6、0.8、1.0},在比较矩阵中添加了不同级别的不一致性。为比较矩阵中的每个元素生成不一致性区间 [a,b],其中a = wi/wj−β×wi/wj,b = wi/wj + β×wi/wj,从这个区间中随机选择一个数值Xij,替换比较矩阵中的相应元素。
其实也就是在一个用元素本身和计算出来的区间里面任意挑选一个去替换原来的元素。
添加过不一致性的比较矩阵,一致性衡量(CR标准)如下:
CR值 | 含义 |
0-0.03之间 | 低水平的不一致矩阵 |
0.03-0.06之间 | 中等水平的不一致矩阵 |
0.06-1之间 | 高度不一致的矩阵 |
>0.1 | 不够一致的矩阵,建议丢弃 |
1.2比较矩阵模糊化
通过∈[0,1]对矩阵进行模糊化处理,将一个清晰的数转换为一个三角形的模糊数[l m u],其中,Xij的范围是(α,9]。
其实也就是用α一个数拓展为一个三角模糊数。
1.3最终数据集规范
执行算法1后,初始数据集由3840个(=4×4×6×40)矩阵组成(4个不同的矩阵大小,4个不同的α值,6个不同的β值,每个组合有40个矩阵重复)
进行CR标准检验剔除大量低水平不一致矩阵,将数量减少到624个(4个不同的矩阵大小,4个不同的α值,3个不同的β值,每个组合有13个矩阵重复)
1.4模糊不一致性测度
当偏好以确定数的形式引出时,普遍接受的测量比较矩阵不一致的方法是通过最大特征值,如1.1节所述。然而,当偏好通过模糊数字或隶属度函数来表示时,测量不一致性仍然是一个有争议的问题。
本文讨论了另一种方法,即加性一致性测度,其中定义了模糊偏好关系的一致性指数和阈值,以衡量模糊偏好关系是否足够一致或不完全一致。
2.性能分析指标
因为标准答案是事先就知道的,所以衡量算法效果就是比较计算结果与标准答案之间的的差距。性能分析指标由Compatibility Index Value(CIV)表示。
其中,A是标准答案,W是计算结果。如果计算结果和标准答一模一样,那么CIV等于1,否则就是大于1。也就是说这个指标越小越好。实验中由于多次重复试验,因此计算的是mean CIV。
四、实验结果
为验证实验可行性,本准备用ANOVA(Analysis of Variance),即方差分析法,但由于数据不满足方差一致性,所以更改为one-way ANOVA。
1.矩阵的大小n
首先用one-way ANOVA证明矩阵大小作为变量实验的可行性。
heat map,热图,就是用颜色突出大小关系及其程度,例如绿色系的就是前者小于后者,红色系的就是前者大于后者,程度越深则颜色越深
分别在不用的矩阵大小条件下对九种算法进行计算,得到统计结果由箱型图展示,横坐标为矩阵大小,纵坐标为mean CIV:
对于n=3;n=7;n=11;n=15的比较:
对于所有的FAHP算法(Chang和Wang除外),平均CIV随着矩阵大小的增加而增加。
2.模糊化参数 α
首先用one-way ANOVA证明模糊化参数作为变量实验的可行性。
不同模糊化参数下的比较:
除Chang和Wang外,所有FAHP算法的性能都随着模糊化水平的提高而降低。研究建议在三角形模糊数中使用更高水平的模糊化。
3.不一致性水平(CR)
首先用one-way ANOVA证明不一致性水平作为变量实验的可行性。
这表明所有算法在较低的不一致水平下的性能如预期的那样更高。
五、总结
对于矩阵的大小:
- 随着矩阵大小的增加,平均CIV也会增加,FEA除外。
- 在n = 3时,性能最好的算法是巴克利算法,而在n = 7时,FICSM方法优于所有其他方法。
- 在较高的矩阵尺寸下,即n = 11,n = 15,Boender是性能最好的算法。
对于模糊化参数:
- 除FEA外,所有FAHP算法的性能都随着模糊化水平的提高而降低。
- 有限元方法(FEA)的性能在较高的模糊化水平上有所提高,但与其他FAHP算法相比,这种改进的性能仍然较差。
对于不一致性水平:
- 随着不一致性水平的增加,平均CIV也会增加,并且这种增加在所有选择的9种FAHP算法中都是一致的。
- 在低和中等不一致性水平上,FICSM方法优于其他方法。
- 在较高的不一致性水平上,Boender是性能最好的算法。
在选择的9种FAHP算法中,Boender和FICSM模型在不同实验条件下的表现明显优于其他模型。