【随手记】TOPSIS和VIKOR评价方法

zcongfly

于 2024-12-13 12:16:39 发布

阅读量1.2k

点赞数 17

分类专栏：随手记文章标签：人工智能大数据算法

本文链接：https://blog.csdn.net/weixin_44624036/article/details/144446868

版权

随手记专栏收录该内容

32 篇文章

订阅专栏

声明：下述文字基本全部由AI输出，各位辩证看待

VIKOR（VlseKriterijumska Optimizacija I Kompromisno Resenje）是一种多准则决策分析方法（MCDM），用于解决复杂决策问题，它通过考虑多个准则的权衡，帮助决策者选择最优方案，尤其适用于在多个冲突目标下寻求妥协解决方案。VIKOR 方法特别适用于有多个评估标准且各标准之间相互冲突的情况。

VIKOR 方法的基本原理：

VIKOR 方法的核心思想是从一组候选方案中选择一个最优方案，通过综合考虑各方案在不同准则下的表现，并计算每个方案的综合得分，进而决定哪个方案最接近理想解。

VIKOR 方法的基本步骤：

构建决策矩阵：列出所有候选方案和各方案在不同评估准则下的表现。
确定理想解和负理想解：
- 理想解（Ideal Solution）：对每个评估标准选择最佳的表现（最大化目标则取最大值，最小化目标则取最小值）。
- 负理想解（Negative Ideal Solution）：对每个评估标准选择最差的表现。
计算距离：对于每个方案，计算其与理想解和负理想解的距离。
计算得分：根据每个方案与理想解、负理想解的距离，计算综合得分：
- 得分值（VIKOR 得分）：基于所有评估标准的综合得分，选择最接近理想解且与负理想解的距离相对较小的方案。
排序和选择：根据综合得分对所有候选方案进行排序，选出最优方案。

VIKOR 通过求解一个“妥协解”来平衡理想解和负理想解之间的差距。它不仅考虑了每个方案与理想解的距离，还考虑了不同标准之间的权衡，避免了单一准则的过度偏重。

如何应用 VIKOR 方法用于云制造服务商选择评价？

在云制造环境中，选择合适的服务商是一个复杂的决策问题，通常需要综合考虑多个评估标准，如服务质量、价格、可靠性、响应时间、技术支持等。VIKOR 方法正好能够为这种多准则选择提供一个理想的决策工具。具体应用步骤如下：

1. 确定评价准则：

首先，确定用于评价云制造服务商的关键准则。比如：

服务质量：包括服务的稳定性、响应速度等。
价格：服务商的收费标准，价格的合理性。
技术支持：服务商提供的技术支持是否及时有效。
安全性：云服务商提供的数据保护、安全防护措施。
可扩展性：云服务是否支持根据需求快速扩展资源。
用户体验：服务商的用户界面和操作的友好程度。

2. 构建决策矩阵：

列出所有候选服务商（方案）和它们在每个评估准则下的得分。例如，对于每个云制造服务商，在每个准则（如服务质量、价格等）下评估他们的表现，得到一个决策矩阵。

3. 确定理想解与负理想解：

理想解：对每个评估准则，选取所有服务商中最佳的表现（如服务质量最高、价格最低等）。
负理想解：选取所有评估准则中最差的表现（如服务质量最低、价格最高等）。

4. 计算距离与得分：

对于每个服务商，计算它们与理想解和负理想解的距离，通常通过某种距离度量方法（如欧氏距离）来计算。

根据 VIKOR 方法，计算综合得分时，还需要考虑一个权重因子，用来平衡不同评估标准的重要性。然后，得出每个服务商的最终得分。

5. 排序与选择：

根据计算的得分，对所有服务商进行排序，选择得分最接近理想解且最远离负理想解的云服务商作为最终选择。

VIKOR 方法的优势与应用价值：

综合考虑多个评估准则：VIKOR 能够在多个冲突的标准下找到一个平衡点，这对于云制造服务商选择特别重要，因为每个服务商在不同的标准下可能表现不同。
帮助决策者做出合理选择：通过量化每个服务商在各个准则下的表现，VIKOR 提供了一个系统化的方法来对服务商进行综合评价。
提供妥协解：在多个准则之间存在冲突时，VIKOR 提供的“妥协解”能够帮助决策者做出折中的选择，避免过度偏重某一单一标准。

例子：

假设你有三个云制造服务商（A、B、C），并且你已经为每个服务商在五个评估准则下给出了评分（如服务质量、价格、技术支持等）。使用 VIKOR 方法，你可以：

构建决策矩阵，填写各个服务商在不同标准下的得分。
计算出理想解和负理想解。
计算每个服务商的综合得分。
根据得分对服务商进行排序，从而选择最优的云制造服务商。

总结：

VIKOR 方法在云制造服务商选择评价中的应用非常适合，因为它能够系统化地处理多个相互冲突的标准，并帮助决策者在多种选择中做出最优或妥协的决策。通过构建决策矩阵、计算理想解、负理想解以及最终的得分，VIKOR 提供了一个清晰、可操作的决策框架。

TOPSIS和VIKOR算法区别

VIKOR 和 TOPSIS 都是常用的 多准则决策分析方法（MCDM），它们的目标都是帮助决策者从多个候选方案中选择最优的一个。不过，两者在方法细节和计算过程上有一些差异，虽然它们的目标相似，都是通过综合评价来选择最佳方案。

TOPSIS 方法：

TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）方法的基本思想是，选择一个最优方案，该方案与理想解的距离最小，同时与负理想解的距离最大。其具体步骤如下：

构建决策矩阵：列出所有候选方案及其在各个准则下的表现。
标准化矩阵：对决策矩阵进行标准化处理，以消除不同准则量纲的影响。
确定理想解与负理想解：分别选出每个准则的最大值和最小值，作为理想解和负理想解。
计算欧氏距离：计算每个方案到理想解和负理想解的欧氏距离。
计算相对接近度：通过计算每个方案到理想解的距离与到负理想解的距离的比值，得到每个方案的综合评价值。
排序：根据每个方案的综合评价值进行排序，选择最优方案。

TOPSIS 方法的关键思想是 最大化与理想解的接近度，最小化与负理想解的接近度。

VIKOR 方法：

VIKOR 方法（VlseKriterijumska Optimizacija I Kompromisno Resenje）与 TOPSIS 有相似之处，但它更注重妥协解的概念，特别是在面对多个评估准则冲突时，它不仅仅关注距离，还引入了一个 妥协因子 来平衡不同准则的权重。

VIKOR 方法的基本步骤如下：

构建决策矩阵：列出所有候选方案及其在各个准则下的得分。
确定理想解与负理想解：分别选出每个准则的最大值和最小值，作为理想解和负理想解。
计算距离：与 TOPSIS 类似，VIKOR 也计算每个方案到理想解和负理想解的距离。
计算 VIKOR 得分：不同于 TOPSIS，VIKOR 会计算一个综合得分，该得分综合考虑了理想解和负理想解的距离，并引入一个 妥协因子（通常是一个用户自定义的权重值），它允许决策者平衡两个目标：
- 最大化与理想解的接近度。
- 最小化与负理想解的接近度。
排序：根据 VIKOR 得分进行排序，选择得分最低的方案。

VIKOR 和 TOPSIS 的主要区别：

得分计算方式：
- TOPSIS：计算每个方案与理想解和负理想解的距离，并通过比较这些距离的比值来得到一个 相对接近度，最后排序选择最优方案。
- VIKOR：在计算距离的基础上，VIKOR 方法引入了一个 妥协因子，用于平衡理想解与负理想解之间的距离，计算综合得分。这使得 VIKOR 可以在不同准则之间进行权衡，特别适用于当多个准则之间存在冲突时。
妥协因子的引入：
- TOPSIS 只关注与理想解和负理想解的距离，没有考虑准则之间的权衡。
- VIKOR 引入了妥协因子，可以调整方案之间的“权重”，即在某些情况下，可能更倾向于优化某个准则而忽略其他准则。这使得 VIKOR 更能反映实际决策中的妥协需求。
处理冲突准则的方式：
- TOPSIS 主要依赖于标准化和欧氏距离，它假设所有准则的重要性相同，不做进一步的妥协。
- VIKOR 允许决策者在多个冲突准则之间做出 折中选择，并提供了更灵活的调整方法。
适用场景：
- TOPSIS 更适合用于准则之间不冲突，或者不同准则的权重差距较小的场景。
- VIKOR 更适合用于准则之间存在较大冲突或差异的场景，尤其是当决策者希望在多个标准之间找到平衡或做出妥协时。