多属性决策模型简介
多属性决策是现代决策科学的一个重要组成部分,它的理论和方法在工程设计、经济、管理和军事等诸多领域中有着广泛的应用,如:投资决策、项目评估、维修服务、武器系统性能评定、工厂选址、投标招标、产业部门发展排序和经济效益综合评价等.多属性决策的实质是利用已有的决策信息通过一定的方式对一组(有限个)
备选方案进行排序
或择优
.
它由两部分组成
- 获取决策信息,属性权重和属性值。
- 通过一定的方法对决策信息进行排序或择优。
信息集结的方法
- 加权算术平均算子(WAA)
- 加权几何平均算子(WGA)
- 有序加权平均算子(OWA)
其中的加权算术平均算子最为重要,只对该算子进行讨论
设函数
W
A
A
:
R
n
→
R
WAA:R^n\rightarrow R
WAA:Rn→R若
W
A
A
w
(
a
1
,
a
2
,
⋯
,
a
n
)
=
∑
i
=
1
n
w
i
a
i
WAA_{w}(a_1,a_2,\cdots,a_n)=\sum_{i=1}^{n}w_ia_i
WAAw(a1,a2,⋯,an)=i=1∑nwiai
其中
w
(
w
1
,
w
2
,
⋯
,
w
n
)
w(w_1,w_2,\cdots,w_n)
w(w1,w2,⋯,wn)是
a
(
a
1
,
a
2
,
⋯
,
a
n
)
a(a_1,a_2,\cdots,a_n)
a(a1,a2,⋯,an)的权重,
w
i
∈
[
0
,
1
]
,
1
≤
i
≤
n
,
∑
i
=
1
n
w
i
=
1
w_i\in[0,1],1\leq i \leq n,\sum_{i=1}^{n}w_i=1
wi∈[0,1],1≤i≤n,∑i=1nwi=1
则称函数WAA为加权算术平均算子。
但一般来说,属性值的量纲一般不同
,例如:衡量一个企业的指标有:
产值(万元),投资成本(万元),销售额(万元),国家收益比重,环境污染程度。
不同的衡量标准使得决策矩阵不统一,因此归一化决策矩阵
是十分必要的。
属性值的归一化
属性值类型
- 效益型:属性值越大越好
- 成本型:属性值越小越好
- 固定型:属性值越接近某个固定值 α i \alpha_i αi越好。
- 偏离型:属性值越偏离某个固定值 β j \beta_j βj越好。
- 区间型:属性值越接近某个固定区间 [ q i , q j ] [q^i,q^j] [qi,qj]越好。
- 偏离区间型:属性值越偏离某个固定区间 [ q i , q j ] [q^i,q^j] [qi,qj]越好。
各类属性值归一化的公式如下:
效益型
r
i
j
=
a
i
j
m
a
x
a
i
j
o
r
r
i
j
=
a
i
j
−
m
i
n
a
i
j
m
a
x
a
i
j
−
m
i
n
a
i
j
r_{ij}=\frac{a_{ij}}{max \, a_{ij}} \;or\; r_{ij}=\frac{a_{ij}-min\,a_{ij}}{max\,a_{ij}-min\,a_{ij}}
rij=maxaijaijorrij=maxaij−minaijaij−minaij
成本型
r
i
j
=
m
i
n
a
i
j
a
i
j
o
r
r
i
j
=
m
a
x
a
i
j
−
a
i
j
m
a
x
a
i
j
−
m
i
n
a
i
j
r_{ij}=\frac{min\,a_{ij}}{a_{ij}}\;or\;r_{ij}=\;\frac{max\,a_{ij}-a_{ij}}{max\,a_{ij}-min\,a_{ij}}
rij=aijminaijorrij=maxaij−minaijmaxaij−aij
固定型
r
i
j
=
1
−
a
i
j
−
α
i
m
a
x
∣
a
i
j
−
α
i
∣
r_{ij}=1-\frac{a_{ij}-\alpha_{i}}{max\,\lvert a_{ij}-\alpha_{i}\rvert}
rij=1−max∣aij−αi∣aij−αi
偏离型
r
i
j
=
∣
a
i
j
−
β
j
∣
−
m
i
n
∣
a
i
j
−
β
∣
m
a
x
∣
a
i
j
−
β
∣
−
m
i
n
∣
a
i
j
−
β
∣
r_{ij}=\lvert a_{ij}-\beta_j\lvert-\frac{min\,\lvert a_{ij}-\beta\lvert}{max\,\lvert a_{ij}-\beta\lvert-min\,\lvert a_{ij}-\beta\lvert}
rij=∣aij−βj∣−max∣aij−β∣−min∣aij−β∣min∣aij−β∣
区间型
r
i
j
=
{
1
−
m
a
x
(
q
1
j
−
a
i
j
,
a
i
j
−
q
2
j
)
m
a
x
(
q
1
j
−
m
i
n
a
i
j
,
m
a
x
a
i
j
−
q
2
j
)
a
∉
[
q
1
j
,
q
2
j
]
1
a
∈
[
q
1
j
,
q
2
j
]
r_{ij}= \begin{cases} 1-\frac{max\,(q_1^j-a_{ij},a_{ij}-q_2^j)}{max(q_1^j-min\,a_{ij},max\,a_{ij}-q_2^j)}a \notin[q_1^j,q_2^j] \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;1\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;a \in[q_1^j,q_2^j]\\ \end{cases}
rij=⎩⎨⎧1−max(q1j−minaij,maxaij−q2j)max(q1j−aij,aij−q2j)a∈/[q1j,q2j]1a∈[q1j,q2j]
偏离区间型
r
i
j
=
{
m
a
x
(
q
1
j
−
a
i
j
,
a
i
j
−
q
2
j
)
m
a
x
(
q
1
j
−
m
i
n
a
i
j
,
m
a
x
a
i
j
−
q
2
j
)
a
∉
[
q
1
j
,
q
2
j
]
0
a
∈
[
q
1
j
,
q
2
j
]
r_{ij}=\begin{cases} \frac{max\,(q_1^j-a_{ij},a_{ij}-q_2^j)}{max(q_1^j-min\,a_{ij},max\,a_{ij}-q_2^j)}\;\;\;\;\;\;a \notin[q_1^j,q_2^j] \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;0\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;a \in[q_1^j,q_2^j]\\ \end{cases}
rij=⎩⎨⎧max(q1j−minaij,maxaij−q2j)max(q1j−aij,aij−q2j)a∈/[q1j,q2j]0a∈[q1j,q2j]
解题一般步骤
- 归一化处理决策矩阵。
- 利用
层次分析法
得到相应的权重。 - 计算各个对象的得分选出得分最高的为最优决策。
局限性
与之前的层次分析法
一样,它的不足之处在于:
- 不能为决策提供新方案
- 定量数据较少,定性成分多,不易令人信服
- 指标过多时,数据统计量大,且权重难以确定
- 特征值和特征向量的精确求法比较复杂
因此,建议建模时只用于解决某些小问题,而不要作为大题的思路。