Part IV.S4. 基于理想解的动态直觉模糊多属性决策方法

4.1 动态直觉模糊多属性决策TOPSIS方法

4.1.1 动态直觉模糊集成算子

  设$\tilde{A}\left(t_k\right)=⟨{\mu }_k,{\nu }_k⟩\left(k=1,2,\cdots ,p\right)$是$p$个不同时段$t_k\left(k=1,2,\cdots ,p\right)$的动态直觉模糊数，$w_k\left(k=1,2,\cdots ,p\right)$为时段$t_k\left(k=1,2,\cdots ,p\right)$的权重向量，满足${\sum }_{k=1}^p{w}_k=1,w_k\ge 0,k=1,2,\cdots ,p$，则称

$${\mathrm{DIFWA}}_{\omega ,w}\left(\tilde{A}\left(t_1\right),\tilde{A}\left(t_2\right),\cdots ,\tilde{A}\left(t_p\right)\right)=⟨1-\prod _{k=1}^p{\left(1-{\mu }_k\right)}^{w_k},\prod _{k=1}^p{\left({\nu }_k\right)}^{w_k}⟩\text{\hspace{1em}(4.1)}$$

  为动态直觉模糊加权平均算子。

  设$\tilde{A}\left(t_k\right)=⟨{\mu }_k,{\nu }_k⟩\left(k=1,2,\cdots ,p\right)$是$p$个不同时段$t_k\left(k=1,2,\cdots ,p\right)$的动态直觉模糊数，$w_k\left(k=1,2,\cdots ,p\right)$为时段$t_k\left(k=1,2,\cdots ,p\right)$的权重向量，满足${\sum }_{k=1}^p{w}_k=1,w_k\ge 0,k=1,2,\cdots ,p$，则称

$${\mathrm{DIFWG}}_{\omega ,w}\left(\tilde{A}\left(t_1\right),\tilde{A}\left(t_2\right),\cdots ,\tilde{A}\left(t_p\right)\right)=⟨\prod _{k=1}^p{\left({\mu }_k\right)}^{w_k},1-\prod _{k=1}^p{\left(1-{\nu }_k\right)}^{w_k}⟩\text{\hspace{1em}(4.2)}$$

  为动态直觉模糊加权几何算子。

4.1.2 属性权重与时段权重的确定方法

  属性的权重可采用直觉模糊集的模糊熵进行计算，时段权重可采用基本单位区间单调函数法、正态分布法、指数分布法、平均年龄法以及基于“厚今薄古”法。其中“厚今薄古”法确定时段$t_k\left(k=1,2,\cdots ,p\right)$的权重，即求解非线性规划模型：

$$\{\begin{array}{rl}& \max I=-\sum _{k=1}^p{w}_k\log w_k\\ & \text{s.t.}\lambda =\sum _{k=1}^p\frac{p-k}{p-1},\sum _{k=1}^p{w}_k=1,w_k\ge 0,k=1,2,\cdots ,p\end{array}\text{\hspace{1em}(4.3)}$$

  式中，$\lambda$为时间度，表示决策者对时段的重视程度，通常用$\lambda =0.1,0.2,0.3,0.4,0.5$代表决策者极端重视、强烈重视、明显重视、稍微重视近期数据和同样重视所有时段数据。

4.1.3 动态直觉模糊多属性决策步骤

  S.1 确定动态多属性决策问题的方案集$Y=\left(Y_1,Y_2,\cdots ,Y_m\right)$和属性集$G=\left(G_1,G_2,\cdots ,G_m\right)$，获取多属性决策问题中方案$Y_i\in Y$关于属性$G_j\in G$的直觉模糊特征信息，构建动态多属性决策问题各时段$t_k$的直觉模糊决策矩阵$F\left(t_k\right)$

  S.2 给定时间度$\lambda$，求解非线性规划模型$(4.3)$，得到时段$t_k$的权重$w_k\left(k=1,2,\cdots ,p\right)$。

  S.3 利用动态直觉模糊加权平均算子($\mathrm{DIFWA}$),计算方案$Y_i\left(i=1,2,\cdots ,m\right)$在各时段$t_k\left(k=1,2,\cdots ,p\right)$直觉模糊属性值${\tilde{F}}_{ij}\left(t_k\right)$的综合值${\tilde{F}}_{ij}$:

$$\begin{array}{rl}{\tilde{F}}_{ij}& =⟨{\mu }_{ij},{\nu }_{ij}⟩\\ & ={\mathrm{DIFWA}}_{\omega ,w}\left({\tilde{F}}_{ij}\left(t_1\right),{\tilde{F}}_{ij}\left(t_2\right),\cdots ,{\tilde{F}}_{ij}\left(t_p\right)\right)\\ & =⟨1-\prod _{k=1}^p{\left(1-{\mu }_{ij}^{(k)}\right)}^{w_t},\prod _{k=1}^p{\left({\nu }_{ij}^{(k)}\right)}^{w_{tj}}⟩,i=1,2,\cdots ,m;j=1,2,\cdots ,n\end{array}\text{\hspace{1em}(4.4)}$$

  得到直觉模糊综合决策矩阵$F={\left(⟨{\mu }_{ij},{\nu }_{ij}⟩\right)}_{m\times n}$

  S.4 根据直觉模糊综合决策矩阵$F$，确定动态多属性决策问题的正理想解$Y^{+}$和负理想解$Y^{-}$:

$$\begin{array}{rl}{Y}^{+}& =\left(⟨{\mu }_1^{+},{\nu }_1^{+}⟩,⟨{\mu }_2^{+},{\nu }_2^{+}⟩,\cdots ,⟨{\mu }_n^{+},{\nu }_n^{+}⟩\right)\\ & =\left(⟨\underset{i}{\max }{\mu }_{i1},\underset{i}{\min }{\nu }_{in}⟩,⟨\underset{i}{\max }{\mu }_{i2},\underset{i}{\min }{\nu }_{12}⟩,\cdots ,⟨\underset{i}{\max }{\mu }_{in},\underset{i}{\min }{\nu }_{in}⟩\right)\end{array}\text{\hspace{1em}(4.5)}$$

$$\begin{array}{rl}{Y}^{-}& =\left(⟨{\mu }_1^{-},{\nu }_1^{-}⟩,⟨{\mu }_2^{-},{\nu }_2^{-}⟩,\cdots ,⟨{\mu }_n^{-},{\nu }_n^{-}⟩\right)\\ & =\left(⟨\underset{i}{\min }{\mu }_{i1},\underset{i}{\max }{\nu }_{in}⟩,⟨\underset{i}{\min }{\mu }_{i2},\underset{i}{\max }{\nu }_{12}⟩,\cdots ,⟨\underset{i}{\min }{\mu }_{in},\underset{i}{\max }{\nu }_{in}⟩\right)\end{array}\text{\hspace{1em}(4.6)}$$

  S.5 利用式$(2.3)$、式$(2.4)$计算属性$G_j\left(j=1,2,\cdots ,n\right)$的模糊熵$E_j$和权重${\omega }_j$：

$$E_j=\frac{1}{m}\sum _{i=1}^m\cos \frac{\pi \left({\mu }_{ij}-{\nu }_{ij}\right)\left(1-{\pi }_{ij}\right)}{2},j=1,2,\cdots ,n\text{\hspace{1em}(4.7)}$$

$${\omega }_j=\frac{1-E_j}{n-{\sum }_{j=1}^n{E}_j},j=1,2,\cdots ,n\text{\hspace{1em}(4.8)}$$

  S.6 利用直觉模糊综合决策矩阵$F$,计算各方案$Y_i\left(i=1,2,\cdots ,m\right)$到正理想解$Y^{+}$和负理想解$Y^{-}$的距离$d_i^{+}$和$d_i^{-}$:

$$d_i^{+}=\frac{1}{2}\sum _{j=1}^n{\omega }_j\left[\left|{\mu }_{ij}-{\mu }_j^{+}\right|+\left|{\nu }_{ij}-v_j^{\ast }\right|+\left|{\pi }_i-{\pi }_j^{+}\right|\right]\text{\hspace{1em}(4.9)}$$

$$d_i^{-}=\frac{1}{2}\sum _{j=1}^n{\omega }_j\left[\left|{\mu }_{ij}-{\mu }_j^{-}\right|+\left|{\nu }_{ij}-v_j^{-}\right|+\left|{\pi }_{ij}-{\pi }_j^{-}\right|\right]tag4.10$$

  S.7 计算方案$Y_i\left(i=1,2,\cdots ,m\right)$的贴近度$c_i$:

$$c_i=\frac{d_i^{-}}{d_i^{-}+d_i^{+}}\text{\hspace{1em}(4.11)}$$

  并利用贴近度c的大小对方案$Y_i\left(i=1,2,\cdots ,m\right)$进行排序，$c_i$越大表明方案$Y_i$离正理想解越近、离负理想解越远，方案越优。

---

4.2 动态区间直觉模糊多属性决策TOPSIS方法

4.2.1 动态区间直觉模糊集成算子**

  设$\tilde{A}\left(t_k\right)=⟨\left[{\mu }_{kL},{\mu }_{kU}\right],\left[{\nu }_{kL},{\nu }_{kU}\right]⟩\left(k=1,2,\cdots ,p\right)$是$p$个不同时段$t_k\left(k=1,2,\cdots ,p\right)$的动态区间直觉模糊数，$w_k\left(k=1,2,\cdots ,p\right)$为时段$t_k\left(k=1,2,\cdots ,p\right)$的权重向量，满足${\sum }_{k=1}^p{w}_k=1,w_k\ge 0,k=1,2,\cdots ,p$，则称

$${\mathrm{DIIFWA}}_{\omega ,w}\left(\tilde{A}\left(t_1\right),\tilde{A}\left(t_2\right),\cdots ,\tilde{A}\left(t_p\right)\right)=⟨\left[1-\prod _{k=1}^p{\left(1-{\mu }_{kL}\right)}^{w_k},1-\prod _{k=1}^p{\left(1-{\mu }_{kU}\right)}^{w_k}\right],\left[\prod _{k=1}^p{\left({\nu }_{kL}\right)}^{w_k},\prod _{k=1}^p{\left({\nu }_{kU}\right)}^{w_k}\right]⟩\text{\hspace{1em}(4.12)}$$

  为动态区间直觉模糊加权平均算子。

  设$\tilde{A}\left(t_k\right)=⟨\left[{\mu }_{kL},{\mu }_{kU}\right],\left[{\nu }_{kL},{\nu }_{kU}\right]⟩\left(k=1,2,\cdots ,p\right)$是$p$个不同时段$t_k\left(k=1,2,\cdots ,p\right)$的动态区间直觉模糊数，$w_k\left(k=1,2,\cdots ,p\right)$为时段$t_k\left(k=1,2,\cdots ,p\right)$的权重向量，满足${\sum }_{k=1}^p{w}_k=1,w_k\ge 0,k=1,2,\cdots ,p$，则称

$${\mathrm{DIIFWG}}_{\omega ,w}\left(\tilde{A}\left(t_1\right),\tilde{A}\left(t_2\right),\cdots ,\tilde{A}\left(t_p\right)\right)=⟨\left[\prod _{k=1}^p{\left({\mu }_{kL}\right)}^{w_k},\prod _{k=1}^p{\left({\mu }_{kU}\right)}^{w_k}\right],\left[1-\prod _{k=1}^p{\left(1-{\nu }_{kL}\right)}^{w_k},1-\prod _{k=1}^p{\left(1-{\nu }_{kU}\right)}^{w_k}\right]⟩\text{\hspace{1em}(4.13)}$$

  为动态区间直觉模糊加权平均算子。

4.2.2 属性权重与时段权重的确定方法

  属性的权重可采用区间直觉模糊集的模糊熵进行计算，时段权重可采用基本单位区间单调函数法、正态分布法、指数分布法、平均年龄法以及基于“厚今薄古”法。其中“厚今薄古”法确定时段$t_k\left(k=1,2,\cdots ,p\right)$的权重，即求解非线性规划模型：

$$\{\begin{array}{rl}& \max I=-\sum _{k=1}^p{w}_k\log w_k\\ & \text{s.t.}\lambda =\sum _{k=1}^p\frac{p-k}{p-1},\sum _{k=1}^p{w}_k=1,w_k\ge 0,k=1,2,\cdots ,p\end{array}\text{\hspace{1em}(4.14)}$$

  式中，$\lambda$为时间度，表示决策者对时段的重视程度，通常用$\lambda =0.1,0.2,0.3,0.4,0.5$代表决策者极端重视、强烈重视、明显重视、稍微重视近期数据和同样重视所有时段数据。

4.2.3 动态区间直觉模糊多属性决策步骤

  S.1 确定动态多属性决策问题的方案集$Y=\left(Y_1,Y_2,\cdots ,Y_m\right)$和属性集$G=\left(G_1,G_2,\cdots ,G_m\right)$，获取多属性决策问题中方案$Y_i\in Y$关于属性$G_j\in G$的区间直觉模糊特征信息，构建动态多属性决策问题各时段$t_k$的区间直觉模糊决策矩阵$F\left(t_k\right)$

  S.2 给定时间度$\lambda$，求解非线性规划模型$(4.3)$，得到时段$t_k$的权重$w_k\left(k=1,2,\cdots ,p\right)$。

  S.3 利用动态区间直觉模糊加权平均算子($\mathrm{DIIFWA}$),计算方案$Y_i\left(i=1,2,\cdots ,m\right)$在各时段$t_k\left(k=1,2,\cdots ,p\right)$区间直觉模糊属性值${\tilde{F}}_{ij}\left(t_k\right)$的综合值${\tilde{F}}_{ij}$:

$$\begin{array}{rl}{\tilde{F}}_{ij}& =⟨\left[{\mu }_{ijL},{\mu }_{ijU}\right],\left[{\nu }_{ijL},{\nu }_{ijU}\right]⟩\\ & ={\mathrm{DIIFWA}}_{\omega ,w}\left({\tilde{F}}_{ij}\left(t_1\right),{\tilde{F}}_{ij}\left(t_2\right),\cdots ,{\tilde{F}}_{ij}\left(t_p\right)\right)\\ & =⟨\left[1-\prod _{k=1}^p{\left(1-{\mu }_{ijL}^{(k)}\right)}^{w_t},1-\prod _{k=1}^p{\left(1-{\mu }_{ijU}^{(k)}\right)}^{w_t}\right],\left[\prod _{k=1}^p{\left({\nu }_{ijL}^{(k)}\right)}^{w_{tj}},\prod _{k=1}^p{\left({\nu }_{ijL}^{(k)}\right)}^{w_{tj}}\right]⟩,\\ & i=1,2,\cdots ,m;j=1,2,\cdots ,n\end{array}\text{\hspace{1em}(4.15)}$$

  得到区间直觉模糊综合决策矩阵$F={\left(⟨\left[{\mu }_{ijL},{\mu }_{ijU}\right],\left[{\nu }_{ijL},{\nu }_{ijU}\right]⟩\right)}_{m\times n}$

  S.4 根据区间直觉模糊综合决策矩阵$F$，确定动态多属性决策问题的正理想解$Y^{+}$和负理想解$Y^{-}$:

$$\begin{array}{rl}{Y}^{+}& =\left(⟨\left[{\mu }_{1L}^{+},{\mu }_{1U}^{+}\right],\left[{\nu }_{1L}^{+},{\nu }_{1U}^{+}\right]⟩,⟨\left[{\mu }_{2L}^{+},{\mu }_{2U}^{+}\right],\left[{\nu }_{2L}^{+},{\nu }_{2U}^{+}\right]⟩,\cdots ,⟨\left[{\mu }_{nL}^{+},{\mu }_{nU}^{+}\right],\left[{\nu }_{nL}^{+},{\nu }_{nU}^{+}\right]⟩\right)\end{array}\text{\hspace{1em}(4.16)}$$

$$\begin{array}{rl}{Y}^{-}& =\left(⟨\left[{\mu }_{1L}^{-},{\mu }_{1U}^{-}\right],\left[{\nu }_{1L}^{-},{\nu }_{1U}^{-}\right]⟩,⟨\left[{\mu }_{2L}^{-},{\mu }_{2U}^{-}\right],\left[{\nu }_{2L}^{-},{\nu }_{2U}^{-}\right]⟩,\cdots ,⟨\left[{\mu }_{nL}^{+},{\mu }_{nU}^{-}\right],\left[{\nu }_{nL}^{+},{\nu }_{nU}^{-}\right]⟩\right)\end{array}\text{\hspace{1em}(4.17)}$$

  式中

$$⟨\left[{\mu }_{jL}^{+},{\mu }_{jU}^{+}\right],\left[{\nu }_{jL}^{+},{\nu }_{jU}^{+}\right]⟩=⟨\left[\underset{j}{\max }{\mu }_{ijL},\underset{j}{\max }{\mu }_{ijU}\right],\left[\underset{j}{\min }{\nu }_{ijL},\underset{j}{\min }{\nu }_{ijU}\right]⟩$$

$$⟨\left[{\mu }_{jL}^{-},{\mu }_{jU}^{-}\right],\left[{\nu }_{jL}^{-},{\nu }_{jU}^{-}\right]⟩=⟨\left[\underset{j}{\min }{\mu }_{ijL},\underset{j}{\min }{\mu }_{ijU}\right],\left[\underset{j}{\max }{\nu }_{ijL},\underset{j}{\max }{\nu }_{ijU}\right]⟩$$

  S.5 利用式$(3.3)$、式$(3.4)$计算属性$G_j\left(j=1,2,\cdots ,n\right)$的模糊熵$E_j$和权重${\omega }_j$：

$$E_j=\frac{1}{m}\sum _{i=1}^m\cos \frac{\pi \left(\left|\left({\mu }_{ijL}-{\nu }_{ijL}\right)\left(1-{\pi }_{ijL}\right)\right|+\left|\left({\mu }_{ijU}-{\nu }_{ijU}\right)\left(1-{\pi }_{ijU}\right)\right|\right)}{2},j=1,2,\cdots ,n\text{\hspace{1em}(4.18)}$$

$${\omega }_j=\frac{1-E_j}{n-{\sum }_{j=1}^n{E}_j},j=1,2,\cdots ,n\text{\hspace{1em}(4.19)}$$

  S.6 利用直觉模糊综合决策矩阵$F$,计算各方案$Y_i\left(i=1,2,\cdots ,m\right)$到正理想解$Y^{+}$和负理想解$Y^{-}$的距离$d_i^{+}$和$d_i^{-}$:

$$d_i^{+}\left(\omega \right)=\frac{1}{4}\sum _{j=1}^n{\omega }_j\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{+}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{+}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{+}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{+}\right|\right]\text{\hspace{1em}(4.20)}$$

$$d_i^{-}\left(\omega \right)=\frac{1}{4}\sum _{j=1}^n{\omega }_j\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{-}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{-}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{-}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{-}\right|\right]\text{\hspace{1em}(4.21)}$$

  S.7 计算方案$Y_i\left(i=1,2,\cdots ,m\right)$的贴近度$c_i$:

$$c_i=\frac{d_i^{-}}{d_i^{-}+d_i^{+}}\text{\hspace{1em}(4.22)}$$

  并利用贴近度c的大小对方案$Y_i\left(i=1,2,\cdots ,m\right)$进行排序，$c_i$越大表明方案$Y_i$离正理想解越近、离负理想解越远，方案越优。

---

特别说明：本专栏主要参考郭子雪等所著《直觉模糊多属性决策理论方法及应用研究》书籍，部分代码计算结果与书中有所出入，请仔细甄别！