模糊决策通常有意见集中决策、二元排序决策和综合评判决策(又称模糊综合决策)等方法。其中意见集中决策较为简单,即是得票最多的方案作为决策结果,二元排序决策则是将评价对象的得分进行两两对比,最终得到最优的决策结果。相对而言,模糊综合决策在生活和工作中使用最多,在相关文献中也最常见到。
1、基本思想
模糊综合决策的基本思路非常简单,即根据评判对象列出评价项目,对每个项目定出评价的等级,并用分数表示。将所得分数累加,然后按总分的大小排列次序,以决定方案的优劣。比如高考、考研、公务员考试基本都是这种思路。
关于模糊综合决策的几个名字的解释:
- 综合评判:考虑多个因素对事物作出综合评价。
- 评判:按照给定的条件对事物的优劣、好坏进行评比、判别。
- 综合:评判条件包含多个因素或多个指标。
这里最常用的评分方法就是加权平均:
E
=
∑
i
=
1
n
a
i
S
i
,
i
=
1
,
2
,
…
,
n
E=\sum_{i=1}^{n} a_{i} S_{i}, i=1,2, \ldots, n
E=i=1∑naiSi,i=1,2,…,n
这里
E
E
E表示加权评价分数,
a
i
a_i
ai 是第
i
i
i 个元素所占的权重, 且要求
∑
i
=
1
n
a
i
=
1
\sum_{i=1}^{n} a_{i}=1
i=1∑nai=1
2、模糊综合决策 的主要步骤
-
第一步:建立因素集 U = { u 1 , u 2 , … , u n } U=\left\{u_{1}, u_{2}, \ldots, u_{n}\right\} U={u1,u2,…,un} 与决断集 V = { v 1 , v 2 , … , v m } V=\left\{v_{1},v_{2}, \ldots, v_{m}\right\} V={v1,v2,…,vm}
-
第二步:建立模糊综合评判矩阵,即对于每一个因素 u i u_i ui, 先建立单因素评判:
( r i 1 , r i 2 , … , r i m ) \left(r_{i 1}, r_{i 2}, \ldots, r_{i m}\right) (ri1,ri2,…,rim)
即 r i j ( 0 ⩽ r i j ⩽ 1 ) r_{i j}\left(0 \leqslant r_{i j} \leqslant 1\right) rij(0⩽rij⩽1) 表示 v j v_{j} vj 对因素 u i u_{i} ui 所作的评判, 这样就 得到单因素评判矩阵 R = ( r i j ) n × m \boldsymbol{R}=\left(r_{i j}\right)_{n \times m} R=(rij)n×m -
第三步:综合评判. 根据各因素权重 A = ( a 1 , a 2 , … , a n ) A=\left(a_{1}, a_{2}, \ldots, a_{n}\right) A=(a1,a2,…,an) 综合评判 : B = A ⊕ R = ( b 1 , b 2 , … , b m ) : B=A \oplus R=\left(b_{1}, b_{2}, \ldots, b_{m}\right) :B=A⊕R=(b1,b2,…,bm) 是 V V V 上的一个模糊子集, 根据运算 ⊕ \oplus ⊕ 的不同定义, 可得到不同的模型.
3、常用评判模型
-
M ( ∧ , ∨ ) M(\wedge, \vee) M(∧,∨)主因素决定型
b j = ∨ { ( a i ∧ r i j ) , 1 ≤ i ≤ n } ( j = 1 , 2 , … , m ) b_{j}=\vee\left\{\left(a_{i} \wedge r_{i j}\right), 1 \leq i \leq n\right\}(j=1,2, \ldots, m) bj=∨{(ai∧rij),1≤i≤n}(j=1,2,…,m)
由于综合评判的结果 b j b_j bj 的值仅由 a i a_{i} ai 与 r i j ( i = 1 , 2 , … , n ) r_{i j}(i=1,2, \ldots, n) rij(i=1,2,…,n) 中的某一个确定(先取小, 后取大运算), 着眼点是考虑主要因素, 其他因素对结果影响不大, 这种运算有时出现决策结果不易分辨的情况. -
M ( ⋅ , ∨ ) M(\cdot, \vee) M(⋅,∨)主因素突出型
b j = ∨ { ( a i ⋅ r i j ) , 1 ≤ i ≤ n } ( j = 1 , 2 , … , m ) b_{j}=\vee\left\{\left(a_{i} \cdot r_{i j}\right), 1 \leq i \leq n\right\} \quad(j=1,2, \ldots, m) bj=∨{(ai⋅rij),1≤i≤n}(j=1,2,…,m)
M ( ⋅ , ∨ ) M(\cdot, \vee) M(⋅,∨) 与模型 M ( ∧ , ∨ ) M(\wedge, \vee) M(∧,∨) 较接近, 区别在于用 a i r i j a_{i} r_{i j} airij 代替了 M {M} M ( ∧ , ∨ ) (\wedge, \vee) (∧,∨) 中的 a i ∧ r i j a_{i} \wedge r_{i j} ai∧rij 在模型 M {M} M ( ⋅ , ∨ ) (\cdot, \vee) (⋅,∨)中,对 r i j r_{ij} rij 乘以小于1的权重 a i a_i ai表明 a i a_{i} ai 是在考虑多因素时 r i j r_{ij} rij 的修正值,与主要因素有关,忽略了次要因素. -
M ( ∧ , + ) M(\wedge,+) M(∧,+) 主因素突出型
b j = ∑ ( a i ∧ r i j ) ( j = 1 , 2 , … , m ) b_{j}=\sum\left(a_{i} \wedge r_{i j}\right)(j=1,2, \ldots, m) bj=∑(ai∧rij)(j=1,2,…,m) -
M ( ・ , 十 ) M(・, 十) M(・,十) 加权平均模型
b j = ∑ ( a i ⋅ r i j ) ( j = 1 , 2 , … , m ) b_{j}=\sum\left(a_{i} \cdot r_{i j}\right)(j=1,2, \ldots, m) bj=∑(ai⋅rij)(j=1,2,…,m)
模型 M ( ・ , 十 ) M(・, 十) M(・,十)对所有因素依权重大小均衡兼顾, 适用于考虑各因素起作用的情况.
4、模糊评价应用实例
考虑对某厂生产的服装进行评价,其中
因素集 U = { u 1 (花色), u 2 (式样), u 3 (耐穿程度), u 4 ( 价 格 ) } \boldsymbol{U}=\left\{{u}_{1} \text { (花色), } u_{2} \text { (式样), } u_{3} \text { (耐穿程度), } {u}_{4} (价格)\right\} U={u1 (花色), u2 (式样), u3 (耐穿程度), u4(价格)} ,
评判集 V = { v 1 (很欢迎) , v 2 (较欢迎), v 3 ( 不 太 欢 迎 ) , v 4 (不欢迎) } V=\left\{v_{1} \text { (很欢迎) }, \quad v_{2} \text { (较欢迎), } v_{3} (不太欢迎) ,\quad{v}_{4} \text { (不欢迎) }\right\} V={v1 (很欢迎) ,v2 (较欢迎), v3(不太欢迎),v4 (不欢迎) }
对各因素所作的评判如下:
u
1
:
(
0.2
,
0.5
,
0.2
,
0.1
)
u
2
:
(
0.7
,
0.2
,
0.1
,
0
)
u
3
:
(
0
,
0.4
,
0.5
,
0.1
)
u
4
:
(
0.2
,
0.3
,
0.5
,
0
)
\begin{matrix} u_{1}: & (0.2, & 0.5, & 0.2, & 0.1) \\ u_{2}: & (0.7, & 0.2, & 0.1, & 0) \\ u_{3}: & (0, & 0.4, & 0.5, & 0.1) \\ u_{4}: & (0.2,& 0.3,& 0.5, & 0) \end{matrix}
u1:u2:u3:u4:(0.2,(0.7,(0,(0.2,0.5,0.2,0.4,0.3,0.2,0.1,0.5,0.5,0.1)0)0.1)0)
注意,该评判直接决定了关系矩阵:
R
=
(
0.2
0.5
0.2
0.1
0.7
0.2
0.1
0
0
0.4
0.5
0.1
0.2
0.3
0.5
0
)
R=\left(\begin{matrix} 0.2 & 0.5 & 0.2 & 0.1 \\ 0.7 & 0.2 & 0.1 & 0 \\ 0 & 0.4 & 0.5 & 0.1 \\ 0.2 & 0.3 & 0.5 & 0 \end{matrix}\right)
R=⎝⎜⎜⎛0.20.700.20.50.20.40.30.20.10.50.50.100.10⎠⎟⎟⎞
对于给定各因素权重
A
=
(
0.1
,
0.2
,
0.3
,
0.4
)
,
A=(0.1,0.2,0.3,0.4),
A=(0.1,0.2,0.3,0.4), 分别用各种模型所作的评判如下:
M ( ∧ , ∨ ) : B = ( 0.2 , 0.3 , 0.4 , 0.1 ) M ( ⋅ , ∨ ) : B = ( 0.14 , 0.12 , 0.2 , 0.03 ) M ( ∧ , + ) : B = ( 0.5 , 0.9 , 0.9 , 0.2 ) M ( ⋅ , + ) : B = ( 0.24 , 0.33 , 0.39 , 0.04 ) \begin{aligned} M(\wedge, \vee): &B=(0.2,0.3,0.4,0.1) \\ M(\cdot, \vee): &B=(0.14,0.12,0.2,0.03) \\ M(\wedge,+): &B=(0.5,0.9,0.9,0.2) \\ M(\cdot,+): &B=(0.24,0.33,0.39,0.04) \end{aligned} M(∧,∨):M(⋅,∨):M(∧,+):M(⋅,+):B=(0.2,0.3,0.4,0.1)B=(0.14,0.12,0.2,0.03)B=(0.5,0.9,0.9,0.2)B=(0.24,0.33,0.39,0.04)
对另一组权重 A = ( 0.4 , 0.35 , 0.15 , 0.1 ) A = (0.4, 0.35, 0.15, 0.1) A=(0.4,0.35,0.15,0.1), 可得到另一组评判:
M
(
∧
,
∨
)
:
B
=
(
0.35
,
0.4
,
0.2
,
0.1
)
M
(
⋅
,
∨
)
:
B
=
(
0.245
,
0.2
,
0.08
,
0.04
)
M
(
∧
,
+
)
:
B
=
(
0.65
,
0.85
,
0.55
,
0.2
)
M
(
⋅
,
+
)
:
B
=
(
0.345
,
0.36
,
0.24
,
0.055
)
\begin{aligned} M(\wedge, \vee): & B=(0.35,0.4,0.2,0.1) \\ M(\cdot, \vee): & B=(0.245,0.2,0.08,0.04) \\ M(\wedge,+): & B=(0.65,0.85,0.55,0.2) \\ M(\cdot,+): & B=(0.345,0.36,0.24,0.055) \end{aligned}
M(∧,∨):M(⋅,∨):M(∧,+):M(⋅,+):B=(0.35,0.4,0.2,0.1)B=(0.245,0.2,0.08,0.04)B=(0.65,0.85,0.55,0.2)B=(0.345,0.36,0.24,0.055)
上述结果可以看到,对第一组权重该批产品得到的评价基本上都是“不太受欢迎”;而对第二组权重该批次产品得到的评价主要是“较欢迎”(第二个模型的结果为受欢迎)。而不同模型之间的结果相关不太大。由此可见,权重的选取往往是决定性的。
5、其它问题
- 多层次评价:通常对于因素较多的情况下,可先对因素进行分级,再针对每一级单独进行评价,最终得到多层次综合评价模型。
- 权重确定方法:上文已提到,权重往往是决定评价结果的关键因素。关于权重确定的方法也是学界一直以来重点研究的问题。现行主要方法包括统计法、模糊协调决策和模糊关系方程等方法。