姜啟源-多準則決策(敦煌xxxx-7)-文庫吧資料
2025-03-05 11:52本頁面
【正文】 法：用 成 對 比 較 矩 陣 解出特征向量偏于主觀? 根據(jù)決策目標通過經(jīng)驗、調(diào)查等先驗地給出? 信息熵法 (借用信息論中熵的概念 ) 偏于客觀熵 ~ 信息論中衡量 不確定性 的指標， 信息量 的 (概率 )分布 越趨于一致，不確定性越大 .將 歸 一化決策矩 陣 R列向量 ~ A1,… , Am對 Xj的 屬性 值視為 信息量的分布A1,… , Am對屬性 Xj的熵為 rij越一致 , Ej越接近 1定 義 Xj對 于方案的 區(qū)分度 可用 rij的均方差或極差代替 Fj 屬性權(quán)重? 信息熵法例不易區(qū)分 方案 優(yōu) 劣 以上方法的綜合記偏于主觀與偏于客觀的方法得到的權(quán)重分別為, 綜合權(quán)重α,β根據(jù)決策者對 w(1), w(2)的偏好程度進行調(diào)節(jié) 或各種方法的詳細步驟參看：Hwang . and Yoon K. Multiple Attribute Decision Making——Methods and Applications . Berlin/Heidelberg/New York SpringerVerlag ,19814．綜合方法 由決策矩陣與屬性權(quán)重得到最終決策徐玖平，吳巍編著 多屬性決策的理論與方法 . 北京 清華大學(xué)出版社 2023粗糙 模糊確定 隨機4．綜合方法 由決策矩陣與屬性權(quán)重得到最終決策按照決策者掌握的 屬性信息量 的多少將方法分類 ? 沒有任何屬性信息 占優(yōu)法 最大最小法? 給定各屬性的最低水平 合取法 析取法 ? 已知各屬性權(quán)重的順序 字典序法 排列法 ? 已知各屬性權(quán)重的數(shù)值簡單加權(quán)和法 加權(quán)積法線性分配法 接近理想解的排序法 刪除選擇法1. 簡單加權(quán)和法（ SAW, Simple Additive Weighting ） ? 隱含假設(shè)：屬性相互獨立，各屬性值對整體評價的影響可以疊加，因而各個屬性具有互補性 . 方案 Ai 對 n個屬性的 綜 合取 值為? 對決策矩陣采用不同的標準化方法（歸一化、最大化），得到的結(jié)果會有差別 . 或2. 加權(quán)積法（ WP, Weighted Product ） ? 可以直接用方案 對 屬性的原始 值 dij， 不需要 標 準化 ? 若效益型屬性的權(quán)重取 正 值，則費用型屬性的權(quán)重應(yīng)取 負 值 .將 SAW的算術(shù)加權(quán)平均改為幾何加權(quán)平均：3. 接近理想解的排序法（ TOPSIS ）n個屬性、 m個方案視為 n維空間中 m個點的幾何系統(tǒng)? 每個點的坐標由 確定 ? 在空間中定義 歐氏距離 ，決策矩陣 模一化 ? 正理想解 由所有最優(yōu)加權(quán)屬性值構(gòu)成 ? 負理想解 由所有最劣加權(quán)屬性值構(gòu)成 ? 定義距正理想解近、距負理想解遠的數(shù)量指標 —— 相對接近度 ? 備選方案的優(yōu)劣順序按照相對接近度確定 4. 刪除選擇法（ ELECTRE） ? 比較每一對方案 {Ai , Ak}的加權(quán)屬性值 vij和 vkj, 按照vij≥vkj和 vi
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1