Part V.S3. 区间直觉模糊信息下的VIKOR方法

3.1 基于模糊熵的区间直觉模糊VIKOR方法

3.1.1 问题描述

  设某多属性决策问题有$m$个方案$Y_i\left(i=1,2,\cdots ,m\right)$，组成方案集$Y=\left(Y_1,Y_2,\cdots ,Y_m\right)$，评价每个方案的属性（或指标）为$G_j\left(j=1,2,\cdots ,n\right)$，记属性集为 G = { G 1 , G 2 , ⋯   , G n } G=\left\{ G_{1},G_{2},\cdots,G_{n} \right\} G={G1​,G2​,⋯,Gn​}。如果${\tilde{F}}_{ij}=⟨\left[{\mu }_{ijL},{\mu }_{ijU}\right],\left[{\nu }_{ijL},{\nu }_{ijU}\right]⟩\left(i=1,2,\cdots ,m;j=1,2,\cdots ,n\right)$为区间直觉模糊集，表示方案满足属性$G_j\in G$和不满足属性$G_j\in G$的程度，且$0\le {\mu }_{ij}+{\nu }_{ij}\le 1$，矩阵$F={\left(⟨\left[{\mu }_{ijL},{\mu }_{ijU}\right],\left[{\nu }_{ijL},{\nu }_{ijU}\right]⟩\right)}_{m\times n}$为该多属性决策问题的区间直觉模糊决策矩阵。现在的问题是依据区间直觉模糊决策矩阵$F$，如何得到一个有效的决策分析方法来对所有方案进行优劣排序。

3.1. 基于区间模糊熵的属性权重确定方法

  设 A ~ = { ⟨ x i , [ μ A L ( x i ) , μ A U ( x i ) ] , [ ν A L ( x i ) , ν A U ( x i ) ] ⟩ ∣ x i ∈ X , i = 1 , 2 , ⋯   , n } \tilde{A} = \left\{ \left\langle x_{i},\left[\mu_{AL}\left(x_{i}\right),\mu_{AU}\left(x_{i}\right)\right], \left[\nu_{AL}\left(x_{i}\right),\nu_{AU}\left(x_{i}\right)\right] \right\rangle | x_{i} \in X, i=1,2,\cdots,n\right\} A~={⟨xi​,[μAL​(xi​),μAU​(xi​)],[νAL​(xi​),νAU​(xi​)]⟩∣xi​∈X,i=1,2,⋯,n}为论域$X$上的区间直觉模糊数，则

$$E\left(\tilde{A}\right)=\frac{1}{n}\sum _{i=1}^n\cos \frac{\pi \left(\left|{\mu }_{AL}^2\left(x_i\right)-{\nu }_{AL}^2\left(x_i\right)\right|+\left|{\mu }_{AU}^2\left(x_i\right)-{\nu }_{AU}^2\left(x_i\right)\right|\right)}{2}\text{\hspace{1em}(3.1)}$$

  是一个区间直觉模糊熵。 也可以改写为

$$E\left(\tilde{A}\right)=\frac{1}{n}\sum _{i=1}^n\cos \frac{\pi \left(|{\mu }_{AL}\left(x_i\right)-{\nu }_{AL}\left(x_i\right))(1-{\pi }_{AL}\left(x_i\right)|+|{\mu }_{AU}\left(x_i\right)-{\nu }_{AU}\left(x_i\right))(1-{\pi }_{AU}\left(x_i\right)|\right)}{2}\text{\hspace{1em}(3.2)}$$

  从式$(3.2)$不难看出，区间直觉模糊熵$E(\tilde{A})$不仅考虑了隶属度与非隶属度的偏差$({\mu }_{AL}\left(x_i\right)-{\nu }_{AL}\left(x_i\right)$，$({\mu }_{AU}\left(x_i\right)-{\nu }_{AU}\left(x_i\right)$，而且考虑了犹豫度${\pi }_{AL}\left(x_i\right)$、${\pi }_{AU}\left(x_i\right)$的信息。

  在多属性决策问题中，由于各备选方案$Y_i\left(i=1,2,\cdots ,m\right)$在属性$G_j$的评价值${\tilde{F}}_{ij}=⟨\left[{\mu }_{ijL},{\mu }_{ijU}\right],\left[{\nu }_{ijL},{\nu }_{ijU}\right]⟩$为区间直觉模糊数，根据式$(3.2)$可得属性$G_j\left(j=1,2,\cdots ,n\right)$的区间直觉模糊熵$E_j$为

$$E_j=\frac{1}{m}\sum _{i=1}^m\cos \frac{\pi \left(|\left({\mu }_{ijL}-{\nu }_{ijL}\right)\left(1-{\pi }_{ijL}\right)|+|\left({\mu }_{ijU}-{\nu }_{ijU}\right)\left(1-{\pi }_{ijU}\right)|\right)}{2},j=1,2,\cdots ,n\text{\hspace{1em}(3.3)}$$

  于是可得属性$G_j\left(j=1,2,\cdots ,n\right)$的权重${\omega }_j$

$${\omega }_j=\frac{1-E_j}{n-{\sum }_{j=1}^n{E}_j},j=1,2,\cdots ,n\text{\hspace{1em}(3.4)}$$

3.1.3 基于模糊熵的区间直觉模糊VIKOR方法的决策步骤

  S.1 确定多属性决策问题的方案集 Y = { Y 1 , Y 2 , ⋯   , Y m } Y=\{Y_1,Y_2,\cdots,Y_m\} Y={Y1​,Y2​,⋯,Ym​}和属性集 G = { G 1 , G 2 , ⋯   , G n } G=\{G_1,G_2,\cdots,G_n\} G={G1​,G2​,⋯,Gn​},获取多属性决问题中方案$Y_i\in Y$关于属性$G_j\in G$的区间直觉模糊特征信息，构建区间直觉模糊决策矩阵$F={\left(⟨\left[{\mu }_{ijL},{\mu }_{ijU}\right],\left[{\nu }_{ijL},{\nu }_{ijU}\right]⟩\right)}_{m\times n}$。

  S.2 根据区间直觉模糊多属性决策矩阵$F$，利用式$(3.3)$和$(3.4)$计算属性 G = { G 1 , G 2 , ⋯   , G n } G=\{G_1,G_2,\cdots,G_n\} G={G1​,G2​,⋯,Gn​}的区间直觉模糊熵$E_j$和属性权重${\omega }_j$

  S.3 根据区间直觉模糊多属性决策矩阵$F$确定多属性决策问题的正理想解$Y^{+}$和负理想解$Y^{-}$:

$$\begin{array}{rl}{Y}^{+}& =\left(Y_1^{+},Y_2^{+},\cdots ,Y_n^{+}\right)\\ & =\left(⟨\left[{\mu }_{1L}^{+},{\mu }_{1U}^{+}\right],\left[{\nu }_{1L}^{+},{\nu }_{1U}^{+}\right]⟩,⟨\left[{\mu }_{2L}^{+},{\mu }_{2U}^{+}\right],\left[{\nu }_{2L}^{+},{\nu }_{2U}^{+}\right]⟩,\cdots ,⟨\left[{\mu }_{nL}^{+},{\mu }_{nU}^{+}\right],\left[{\nu }_{nL}^{+},{\nu }_{nU}^{+}\right]⟩\right)\end{array}$$

$$\begin{array}{rl}{Y}^{-}& =\left(Y_1^{-},Y_2^{-},\cdots ,Y_n^{-}\right)\\ & =\left(⟨\left[{\mu }_{1L}^{-},{\mu }_{1U}^{-}\right],\left[{\nu }_{1L}^{-},{\nu }_{1U}^{-}\right]⟩,⟨\left[{\mu }_{2L}^{-},{\mu }_{2U}^{-}\right],\left[{\nu }_{2L}^{-},{\nu }_{2U}^{-}\right]⟩,\cdots ,⟨\left[{\mu }_{nL}^{-},{\mu }_{nU}^{-}\right],\left[{\nu }_{nL}^{-},{\nu }_{nU}^{-}\right]⟩\right)\end{array}$$

  式中

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

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

  S.4 计算的群体效益值$S_i$、个体遗憾值$R_i$：

$$S_i=\sum _{j=1}^n{\omega }_j\left[\frac{d\left(Y_j^{+},{\tilde{F}}_{ij}\right)}{d\left(Y_j^{+},Y_j^{-}\right)}\right],i=1,2,\cdots ,m$$

$$R_i=\underset{j}{\max }\left\{{\omega }_j\left[\frac{d\left(Y_j^{+},{\tilde{F}}_{ij}\right)}{d\left(Y_j^{+},Y_j^{-}\right)}\right]\right\},i=1,2,\cdots ,m$$

  式中，$d\left(Y_j^{+},{\tilde{F}}_{ij}\right)$，$d\left(Y_j^{+},Y_j^{-}\right)$为两个区间直觉模糊数的距离，用以下公式计算：

$$d\left({\tilde{\alpha }}_1,{\tilde{\alpha }}_2\right)=\frac{1}{2}\left(\left|{\mu }_{{\tilde{\alpha }}_1}-{\mu }_{{\tilde{\alpha }}_2}\right|+\left|{\nu }_{{\tilde{\alpha }}_1}-{\nu }_{{\tilde{\alpha }}_2}\right|+\left|{\pi }_{{\tilde{\alpha }}_1}-{\pi }_{{\tilde{\alpha }}_2}\right|\right)$$

  其中，${\tilde{\alpha }}_1=⟨{\mu }_{{\tilde{\alpha }}_1},{\nu }_{{\tilde{\alpha }}_1}⟩$，${\tilde{\alpha }}_2=⟨{\mu }_{{\tilde{\alpha }}_2},{\nu }_{{\tilde{\alpha }}_2}⟩$为两个任意的区间直觉模糊数。

  S.5 计算各备选方案$Y_i\in Y$的折中值$Q_i$:

$$Q_i=\nu \frac{S_i-S^{+}}{S^{-}-S^{+}}+\left(1-\nu \right)\frac{R_i-R^{+}}{R^{-}-R^{+}},i=1,2,\cdots ,m$$

  其中， $S_i$为最大群体效用，是$L_{1,j}$测度;$R_i$取小个体遗憾，是$L_{\infty ,j}$测度；${\omega }_j$为各属性权重；$S^{+}={\min }_i(S_i)$，$S^{-}={\max }_i(S_i)$，$R^{+}={\min }_i(R_i)$,$R^{-}={\max }_i(R_i)$；$\nu$为决策机制系数，$\nu \in [0,1]$。当$\nu >0.5$时，表示根据最大群体效用的决策机制进行决策;当$\nu =0.5$时，表示依据决策者经过协商达成共识的决策机制进行决策;当$\nu <0.5$时，表示根据最小个体遗憾的决策机制进行决策。

  S.6 设按$S_i$、$R_i$、$Q_i$值分别从小到大排序，确定妥协解方案。按$Q_i$值递增得到的排序为$Y^{(1)},Y^{(2)},\cdots ,Y^{(J)},\cdots ,Y^{(m)}$，则依据排序条件$1$和排序条件$2$可确定备选方案的优劣排序和最优方案或折中方案。

  排序条件1 可接受优势条件: $Q\left(Y^{(2)}\right)-Q\left(Y^{(1)}\right)\ge \frac{1}{m-1}$

  排序条件2 决策过程中可接受的稳定性条件:方案$Y^{(1)}$必须也是按照$S_i$值或$R_i$值排序第一的方案。

---

3.2 属性权重信息未知情形下的区间直觉模糊VIKOR方法

3.2.1 问题描述

  设某多属性决策问题有$m$个方案$Y_i\left(i=1,2,\cdots ,m\right)$，组成方案集$Y=\left(Y_1,Y_2,\cdots ,Y_m\right)$，评价每个方案的属性（或指标）为$G_j\left(j=1,2,\cdots ,n\right)$，记属性集为 G = { G 1 , G 2 , ⋯   , G n } G=\left\{ G_{1},G_{2},\cdots,G_{n} \right\} G={G1​,G2​,⋯,Gn​}，假设属性权重向量$\omega ={\left({\omega }_1,\omega 2,\cdots ,{\omega }_n\right)}^T$。如果${\tilde{F}}_{ij}=⟨\left[{\mu }_{ijL},{\mu }_{ijU}\right],\left[{\nu }_{ijL},{\nu }_{ijU}\right]⟩\left(i=1,2,\cdots ,m;j=1,2,\cdots ,n\right)$为区间直觉模糊集，表示方案满足属性$G_j\in G$和不满足属性$G_j\in G$的程度，且$0\le {\mu }_{ij}+{\nu }_{ij}\le 1$，矩阵$F={\left(⟨\left[{\mu }_{ijL},{\mu }_{ijU}\right],\left[{\nu }_{ijL},{\nu }_{ijU}\right]⟩\right)}_{m\times n}$为该多属性决策问题的区间直觉模糊决策矩阵。现在的问题是依据区间直觉模糊决策矩阵$F$，如何得到一个有效的决策分析方法来对所有方案进行优劣排序。

3.2.2 属性权重的确定方法

  根据区间直觉模糊多属性决策矩阵$F$确定多属性决策问题的正理想解$Y^{+}$和负理想解$Y^{-}$:

$$\begin{array}{rl}{Y}^{+}& =\left(Y_1^{+},Y_2^{+},\cdots ,Y_n^{+}\right)\\ & =\left(⟨\left[{\mu }_{1L}^{+},{\mu }_{1U}^{+}\right],\left[{\nu }_{1L}^{+},{\nu }_{1U}^{+}\right]⟩,⟨\left[{\mu }_{2L}^{+},{\mu }_{2U}^{+}\right],\left[{\nu }_{2L}^{+},{\nu }_{2U}^{+}\right]⟩,\cdots ,⟨\left[{\mu }_{nL}^{+},{\mu }_{nU}^{+}\right],\left[{\nu }_{nL}^{+},{\nu }_{nU}^{+}\right]⟩\right)\end{array}$$

$$\begin{array}{rl}{Y}^{-}& =\left(Y_1^{-},Y_2^{-},\cdots ,Y_n^{-}\right)\\ & =\left(⟨\left[{\mu }_{1L}^{-},{\mu }_{1U}^{-}\right],\left[{\nu }_{1L}^{-},{\nu }_{1U}^{-}\right]⟩,⟨\left[{\mu }_{2L}^{-},{\mu }_{2U}^{-}\right],\left[{\nu }_{2L}^{-},{\nu }_{2U}^{-}\right]⟩,\cdots ,⟨\left[{\mu }_{nL}^{-},{\mu }_{nU}^{-}\right],\left[{\nu }_{nL}^{-},{\nu }_{nU}^{-}\right]⟩\right)\end{array}$$

  式中

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

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

  对于决策方案方案$Y_i\left(i=1,2,\cdots ,m\right)$，用$d^{+}(\omega )$和$d^{-}(\omega )$分别表示方案$Y_i\left(i=1,2,\cdots ,m\right)$到正理想解$Y^{+}$和负理想解$Y^{-}$的加权偏差，定义$d^{+}(\omega )$和$d^{-}(\omega )$分别为:

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

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

  从对决策方案进行排序角度考虑，若方案$Y_i\left(i=1,2,\cdots ,m\right)$离正理想解越近、离负理想解越远，则方案$Y_i\left(i=1,2,\cdots ,m\right)$越优。对于给定的权重向量$\omega ={\left({\omega }_1,\omega 2,\cdots ,{\omega }_n\right)}^T$，$d^{+}(\omega )$越小而$d^{-}(\omega )$越大，则相应的方案$Y_i\left(i=1,2,\cdots ,m\right)$越优。

  当属性权重信息不完全时，若权重向量满足：${\underline{\omega }}_j\le {\omega }_j\le {\overline{\omega }}_j{\sum }_{j=1}^n{\omega }_j^2=1,{\omega }_j\ge 0\left(j=1,2,\cdots ,n\right)$，可建立多目标优化模型：

$$\{\begin{array}{l}\min d_i^{+}(\omega )=\frac{1}{4}{\sum }_{j=1}^n{\omega }_j\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{+}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{+}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{+}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{+}\right|\right],i=1,2,\cdots ,m\\ \max d_i^{-}(\omega )=\frac{1}{4}{\sum }_{j=1}^n{\omega }_j\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{-}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{-}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{-}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{-}\right|\right],i=1,2,\cdots ,m\\ \text{ s.t. }{\underline{\omega }}_j⩽{\omega }_j⩽{\bar{\omega }}_j,{\sum }_{j=1}^n{\omega }_j=1,{\omega }_j⩾0,j=1,2,\cdots ,n\end{array}\text{\hspace{1em}(3.5)}$$

  令

$$\begin{array}{rl}{d}^{+}(\omega )& =\sum _{i=1}^m{d}_i^{+}(\omega )\\ & =\frac{1}{4}\sum _{j=1}^n\sum _{i=1}^m{\omega }_j\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{+}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{+}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{+}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{+}\right|\right]\end{array}$$

$$\begin{array}{rl}{d}^{-}(\omega )& =\sum _{i=1}^m{d}_i^{-}(\omega )\\ & =\frac{1}{2}\sum _{j=1}^n\sum _{i=1}^m{\omega }_j\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{-}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{-}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{-}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{-}\right|\right]\end{array}$$

  则$d^{+}(\omega )$、$d^{-}(\omega )$分别表示所有方案$Y_i\left(i=1,2,\cdots ,m\right)$到正理想解$Y^{+}$和负理想解$Y^{-}$的加权偏差总和。每个方案都是公平竞争的，不存在任何偏好关系，因此模型$(2.10)$等权集结为如下单目标最优化模型:

$$\{\begin{array}{c}\min d^{+}(\omega )-d^{-}(\omega )=\frac{1}{4}{\sum }_{j=1}^n{\sum }_{i=1}^m{\omega }_j[\left|{\mu }_{ijL}-{\mu }_{jL}^{+}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{+}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{+}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{+}\right|\\ -\left|{\mu }_{ijL}-{\mu }_{jL}^{-}\right|-\left|{\mu }_{ijU}-{\mu }_{jU}^{-}\right|-\left|{\nu }_{ijL}-{\nu }_{jL}^{-}\right|-\left|{\nu }_{ijU}-{\nu }_{jU}^{-}\right|]\\ \text{s.t. }{\underline{\omega }}_j⩽{\omega }_j⩽{\bar{\omega }}_j,{\sum }_{j=1}^n{\omega }_j=1,{\omega }_j⩾0,j=1,2,\cdots ,n\end{array}\text{\hspace{1em}(3.6)}$$

  解最优化模型$(3.6)$，可得属性权重向量$\omega ={\left({\omega }_1,\omega 2,\cdots ,{\omega }_n\right)}^T$。

  如果属性权重信息完全未知，则可构建以$d^{+}(\omega )$最小化或$d^{-}(\omega )$最大化为目标的最优化模型式$(3.7)$和式$(3.8)$：

$$\{\begin{array}{l}\min d^{+}(\omega )=\frac{1}{4}{\sum }_{j=1}^n{\sum }_{i=1}^m{\omega }_j\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{+}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{+}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{+}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{+}\right|\right]\\ \text{s.t. }{\sum }_{j=1}^n{\omega }_j^2=1,{\omega }_j⩾0,j=1,2,\cdots ,n\end{array}\text{\hspace{1em}(3.7)}$$

$$\{\begin{array}{l}\max d^{+}(\omega )=\frac{1}{2}{\sum }_{j=1}^n{\sum }_{i=1}^m{\omega }_j\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{-}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{-}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{-}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{-}\right|\right]\\ \text{s.t. }{\sum }_{j=1}^n{\omega }_j^2=1,{\omega }_j⩾0,j=1,2,\cdots ,n\end{array}\text{\hspace{1em}(3.8)}$$

  通过构造拉格朗日函数，利用极值理论求解最优化模型式$(3.7)$或式$(3.8)$，可得其最优解分别为

$${\omega }_j^{\ast }=\frac{{\sum }_{i=1}^m\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{+}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{+}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{+}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{+}\right|\right]}{\sqrt{{\sum }_{j=1}^n{\left[{\sum }_{i=1}^m\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{+}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{+}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{+}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{+}\right|\right]\right]}^2}},j=1,2,\cdots ,n\text{\hspace{1em}(3.9)}$$

或

$${\omega }_j^{\ast }=\frac{{\sum }_{i=1}^m\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{-}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{-}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{-}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{-}\right|\right]}{\sqrt{{\sum }_{j=1}^n{\left[{\sum }_{i=1}^m\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{-}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{-}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{-}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{-}\right|\right]\right]}^2}},j=1,2,\cdots ,n\text{\hspace{1em}(3.10)}$$

  对${\omega }_j^{\ast }$进行归一化处理可得属性$G_j\left(j=1,2,\cdots ,n\right)$的权重为：

$${\omega }_j=\frac{{\sum }_{i=1}^m\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{+}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{+}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{+}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{+}\right|\right]}{{\sum }_{j=1}^n{\sum }_{i=1}^m\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{+}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{+}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{+}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{+}\right|\right]},j=1,2,\cdots ,n\text{\hspace{1em}(3.11)}$$

  或

$${\omega }_j=\frac{{\sum }_{i=1}^m\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{-}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{-}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{-}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{-}\right|\right]}{{\sum }_{j=1}^n{\sum }_{i=1}^m\left[\left|{\mu }_{ijL}-{\mu }_{jL}^{-}\right|+\left|{\mu }_{ijU}-{\mu }_{jU}^{-}\right|+\left|{\nu }_{ijL}-{\nu }_{jL}^{-}\right|+\left|{\nu }_{ijU}-{\nu }_{jU}^{-}\right|\right]},j=1,2,\cdots ,n\text{\hspace{1em}(3.12)}$$

---

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！