多属性决策分析教材

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,第三讲 多属性决策分析,多属性多指标综合评价特点,指标间的不可公度性，指标之间没有统一量纲，难以用同一标准进行评价；,指标之间可能存在一定的矛盾性，某一方案提高了这个指标，却可能损害另一指标。,上述问题即为多属性决策方法研究的问题。,基本概念,由多个相互联系、相互依存的评价指标，按照一定层次结构组合而成，具有特定评价功能的有机整体，称为多属性决策的指标体系。,准备工作和方法,决策指标的标准化,决策指标权重的确定,加权和法,加权积法,Topsis,法,第一节 多属性决策的准备工作,多属性决策的准备工作包括：决策问题的描述、相关信息的采集（即形成决策矩阵）、决策数据的预处理和方案的初选（或称为筛选）。,一、决策矩阵,经过对决策问题的描述（包括设立多属性指标体系）、各指标的数据采集，形成可以规范化分析的多属性决策矩阵。,(,困难，列方程和解方程的关系，理论和实践之间的关系,),设有,n,个决策指标,f,i,（,1jn,），,m,个备选方案,a,i,1im,），,m,个方案,n,个指标构成的矩阵,X=(x,ij,),mn,称为决策矩阵。决策矩阵是规范性分析的基础。,决策指标分两类：效益型（正向）指标，数值越大越优；成本型指标（逆向指标），数值越小越优。,决策矩阵,(,属性矩阵、属性值表,),例,:,学校扩建,例,:,学校扩建,研究生院试评估的部分原始数据,指标,X,j,替代方案,A,i,期望利润,(,万元,),产品成品率（,%,）,市场占有率（,%,）,（万元）,投资费用,产品外观,自行设计（,A1,）,650,95,30,110,美 观,国外引进（,A2,）,730,97,35,180,比较美观,改 建（,A3,）,520,92,25,50,美,观,投资决策,数据预处理,（,1,）属性值有多种类型。,有些指标的属性值越大越好，如科研成果数、科研经费等是效益型；,有些指标的值越小越好，称作成本型。,另有一些指标的属性值既非效益型又非成本型。,例如研究生院的生师比，一个指导教师指导,4,至,6,名研究生既可保证教师满工作量， 也能使导师有充分的科研时间和对研究生的指导时间，生师比值过高，学生的培养质量难以保证；比值过低；教师的工作量不饱满。,（,2,）非量纲化,多目标评估的困难之一是指标间不可公度，即在属性值表中的每一列数具有不同的单位,(,量纲,),。即使对同一属性，采用不同的计量单位，表中的数值也就不同。,在用各种多目标评估方法进行评价时，需要排除量纲的选用对评估结果的影响，这就是非量纲化，亦即设法消去,(,而不是简单删去,),量纲，仅用数值的大小来反映属性值的优劣。,（,3,）归一化,原属性值表中不同指标的属性值的数值大小差别很大，如总经费即使以万元为单位，其数量级往往在千、万间，而生均在学期间发表的论文、专著的数量、生均获奖成果的数量级在个位或小数之间。,为了直观，更为了便于采用各种多目标评估方法进行比较，需要把属性值表中的数值归一化，即把表中数均变换到,0,，,1,区间上。,二、决策指标的标准化,指标体系中各指标均有不同的量纲，有定量和定性，指标之间无法进行比较。,将不同量纲的指标，通过适当的变化，化为无量纲的标准化指标，称为决策指标的标准化，又叫数据预处理。,有三个作用：,1,）变为正向指标,2,）非量纲化，消除量纲影响，仅用数值表示优劣,3,）归一化，把数值均转变为,0,1,区间上，消除指标值标度差别过大的影响。,下面介绍几个常用的预处理方法。在决策中可以根据情况选择一种或几种对指标值进行处理。,指标的标准化可以部分解决目标属性的不可公度性。,1,、向量归一化,2,、线性比例变化法,3,、极差变换法,（,3,）最优值为给定区间时的变换,4,、标准样本变换法,5,、定性指标的量化处理,如一些可靠性、满意度等指标往往具有模糊性，可以将指标依问题性质划分为若干级别，赋以适当的分值。一般可以分为,5,级、,7,级、,9,级等。,6,、原始数据的统计处理,三、决策指标权的确定,多属性决策问题的特点，也是求解的难点在于目标间的矛盾性和各目标的属性的不可公度。不可公度性通过决策矩阵的标准化处理得到部分解决；解决目标间的矛盾性靠的是引入权,(weight),这一概念。,权，又叫权重，是目标重要性的度量。权的概念包含并反映下列几重因素：,决策人对目标的重视程度；,各目标属性的差异程度；,各目标属性的可靠程度,确定权重是非常困难的，因为主观的因素，权重很难准确。,确定权的方法有两大类：,主观赋权法：根据主观经验和判断，用某种方法测定属性指标的权重；,客观赋权法：根据决策矩阵提供的评价指标的客观信息，用某种方法测定属性指标的权重。,两类方法各有利弊，实际应用时可以结合使用。,下面介绍几种常用的确定权的方法,1,、相对比较法,相对比较法是一种主观赋权法。将所有指标分别按行和列，构成一个正方形的表，根据三级比例标度，指标两两比较进行评分，并记入表中相应位置，再将评分按行求和，最后进行归一化处理，得到各指标的权重。,例,43,使用本方法时要注意：,1,、指标之间要有可比性；,2,、应满足比较的传递性（一致性）。,2,、连环比较法（古林法）,连环比较法也是一种主观赋权法。以任意顺序排列指标，按顺序从前到后，相邻两指标比较其相对重要性，依次赋以比率值，并赋以最后一个指标的得分值为,1,；从后往前，按比率依次求出各指标的修正评分值；最后进行归一化处理，得到各指标的权重。,例题（,P44,）用连环比率法计算例,2,1,中决策指标的权重。,本方法容易满足传递性，但也容易产生误差的传递。,3,、特征向量法,应用前两种方法时，如果目标属性比较多，一旦主观赋值一致性不好时也无法进行评估。为了能够对一致性可以进行评价，,Saaty,引入了一种使用正数的成对比较矩阵的特征向量原理测量权的方法，叫做特征向量法。这种方法在层次分析法,(AHP),采用，也可以用在其他多属性决策。,下面我们讲解一下原理。,3.1,权重的求解思路,假设各属性真实的权重是,因此权重向量 的求解方法：,用,幂法原理,求矩阵,A,的最大特征值及其对应的特征向量。,算术平均法。对于一个一致的判断矩阵，它每一列归一化后，就是相应的权重向量；当判断矩阵不太一致时，每一列归一化后就是近似的权重向量，可以按行相加后再归一化（相当算术平均值）。,1,）将判断矩阵按列归一化（即使列和为,1,）：,2,）按行求和得一向量：,3,）再向量归一化：,所得 即为,A,的特征向量的近似值，也就是权重。,4,）求,A,的最大特征值,几何平均法。对于一个一致的判断矩阵，按行求几何平均值得到的向量是和权重向量成固定比例的，归一化后就是近似的权重向量。,1,）将矩阵,A,按行求几何平均值,：,2,）对向量 归一化，令,所得 即为,A,的特征向量的近似值，也就是权重。,3,）按 求最大特征值。,3.2,一致性检验,3.3,判断矩阵的构造,1,9,标度法则,得到判断矩阵后的第一步是要进行一致性检验，只有通过检验，计算的权向量才有价值。,详细内容参考教材,p166,p180,案例,4,、最小加权法,又称最小二乘法，是,Chu,等人提出的，它涉及线性代数方程组解集，而且从概念上比,Saaty,的特征向量法更容易理解。,注意：本方法同样要求判断矩阵的一致性。,5,、信息熵法,信息熵法是一个客观的赋权法，根据决策矩阵所具有的信息量来赋权。熵是信息论中测定一个系统不确定性的量。信息量越大，不确定性就越少，熵就越少。反之，信息量越小，不确定性越大，熵也越大。,如果某一个属性（准则）的值对所有的方案都差不多，那么这个属性对于决策来讲作用就不大，即便是这个属性很重要。如何测定这种效应呢？,在信息学中，熵是不确定性的一个指标，用概率分布来表示，它认为一个广泛的分布比具有明显峰值的分布表示更不确定。,Shannon,给出的表达方法如下：,其中,k,是正的常数。当所有的,P,i,都相等时，即,P,i,=1/n,，熵值最大。指标值的差异越小，对方案的评价作用越低，权重应该减小。,X,1,X,2,X,3,X,4,X,5,X,6,E,j,D,j,j,0.9446,0.0054,0.0649,0.9829,0.0171,0.2055,0.9989,0.0011,0.0133,0.9931,0.0069,0.0829,0.9703,0.0297,0.3570,0.9770,0.0230,0.2764,分别计算每个属性的熵、差异系数和标准化权重：,可见，,X,5,的权重最大，,X,3,的权重最小。,第二节 多属性决策方法,1,、标准水平法,由于多属性决策时，属性间具有不可替代性，决策人对部分或全部属性可能设定标准水平要求。有两种方式：,1,）联合法,决策者设立了必须接受的最小属性值（标准等级），任何不满足最小属性值的方案都被否定，这种方法叫联合法。,关键点在于标准等级（也叫阈值）的设定，要适当。,如：考研单科设限、招收新员工、评定职称,2,）分离法,分离法评价方案是建立在最大的一个属性值上，达到标准的方案就接受。,如：高考特招生、选拔足球运动员（在防守、速度特长）,特点：,属性间不可补偿,在实践中被大量应用,可以保证任何在某方面特别差的个体或方案不被选入,只需分出接受或不接受,特点：,在实践中被大量应用,可以保证所有个体或方案在某方面有特长,2,、字典法,本方法类似查字典。,对于一些决策情形下，单个的属性在决策中的作用很显著，甚至在最重要的属性上就可以进行决策。在最重要属性上，如果某个方案对于其他方案有较高的属性值，该方案就被选择，决策结束；如果在最重要的属性上不能区分优劣，就以第二重要的属性来进行比较；这个过程可以进行进行，直到一个方案被选中或所有的属性都被考虑过。,如：高校招生，按高考成绩排序，同样成绩者，优秀三好生优先。,特点：,本方法需要对属性的重要性排序,有可能漏掉更好的方案，如对高考的批评。,可能的改进是不会因为属性值略高一点就被认为更好。,3,、简单线性加权法,是一种最常用的多属性决策方法。方法是先确定各决策指标的权重，再对决策矩阵进行标准化处理，求出各方案的线性加权均值，以次作为各方案排序的判据。,注意：标准化时，要把所有指标属性正向化。,步骤：,1,）用适当的方法确定各属性的权重，设权重向量为,3,）求出各方案线性加权指标值,4,）选择线性加权指标值最大者为最满意方案,注意：,1,）简单线性加权法潜在的假设是各属性在偏好上独立，即单个属性值对于整体评价的影响与其他属性值相互独立。如篮球运动员身高和体重不是相互独立的。,2,）权重设定的不可靠。如一个权重是,0.1,，另一个是,0.4,，多达,4,倍的关系，是否真正合理？,3,）假设多个属性的效用可以分解成单个属性的效用。如篮球运动员身高和体重需要相匹配。,4,）但是理论推导、仿真计算和经验判断都表明，简单加权法与复杂的非线性形式产生的结果很相似，而前者有简单多的理解和使用特点，因此得到普遍的应用。,4,、理想解法（,TOPSIS,法）,由,Yoon,和,Hwang,开发，又称逼近理想解排序法（,Technique for Order Preference by Similarity to Ideal Solution,）,这种方法通过构造多属性问题的理想解和负理想解，以方案靠近理想解和远离负理想解两个基准作为方案排序的准则，来选择最满意方案。,理想解：就是设想各指标属性都达到最满意值的解；,负理想解：就是设想各指标属性都达到最不满意值的解。,理想解和负理想解一般都是虚拟的方案,可以将,m,各方案,n,个属性的多属性决策问题视作在,n,维空间中的,m,个点构成的几何系统中进行处理，此时所有的方案都看成该系统的解。,为了直观起见，用两个属性的决策空间：,图中,A,*,为理想解，,A,为负理想解,各方案接近理想解和远离负理想解的测度：贴近度。,贴近度涉及到理想解的距离和到负理想解的距离。,TOPSIS,决策的步骤,改进的理想解法,改进的理想解法增加了客观赋权的步骤。,原理是先确定权重，使所有方案点到理想解点的距离之和最小，然后再按普通理想解法进行方案排序。,思考：这种方式确定的权重会有什么特点？和信息熵客观赋权法有什么区别？其经济（物理）意义？,TOPSIS,法用的是欧几里德距离，还有一种距离叫做街区距离，如图。,