编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第1页 共1页第十章 多属性决策问题(Multi-attribute Decision-making Problem)即: 有限方案多目标决策问题 主要参考文献: 68， 112， 15210.1概述 MA MC MO一、决策矩阵(属性矩阵、属性值表)方案集 X = 方案 的属性向量 = ,当目标函数为 时, = ()各方的属性值可列成表(或称为决策矩阵):例: 学校扩建学校序号费用(万元)平均就读距离km1601.02500.83441.24362.05441.56302.4例： 表10.1 研究生院试评估的部分原始数据 ji 人均专著(本/人) 生师比科研经费(万元/年) 逾期毕业率(%)10.1550004.720.2740002.230.61012603.040.3430003.952.822841.2二、数据预处理 数据的预处理(又称规范化)主要有如下三种作用。首先，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。这几类属性放在同一表中不便于直接从数值大小来判断方案的优劣，因此需要对属性表中的数据进行预处理，使表中任一属性下性能越优的值在变换后的属性表中的值越大。其次是非量纲化。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。第三是归一化。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。此外，还可在数据预处理时用非线性变换或其他办法来解决或部分解决目标间的不完全补偿性。常用的数据预处理方法有下列几种。(1)线性变换效益型属性： = / (10-1) 变换后的属性值最差不为0，最佳为1成本型属性 = 1 - / (10-2) 变换后的属性值最佳不为1，最差为0 或 = / (10-2) 变换后的属性值最差不为0，最佳为1, 且是非线性变换 表10.2 表10.1经线性变换后的属性值 ji () () () ()10.03571.00000.00000.255320.07140.80000.53190.545530.21430.25200.36170.400040.10710.60000.17020.307751.00000.05680.74471.0000(2) 标准0-1变换效益型： = (10.3)成本型: = (10.4)特点：每一属性，最佳值为1，最差值为0，而且变换后的差值是线性的.表10.3 表10.1经标准0-1变换后的属性值 ji () () ()10.00001.00000.000020.03700.78800.714230.18520.20700.485740.07410.57590.228651.00000.00001.0000(3) 最优值为给定区间时的变换 设给定的最优属性区间为 , 1- ( - )/( - ) 若 = 1 若 (10.5) 1 - (-)/ (”-) 若 其中, 为无法容忍下限, ”为无法容忍上限。 表10.4 表10.1之属性2的数据处理 ji 生师比151.0000270.83333100.3333440.6666520.0000 (4)向量规范化 (10.6)特点：规范化后，各方案的同一属性值的平方和为1；无论成本型或效益型，从属性值的大小上无法分辨。常用于计算各方案与某种虚拟方案(如理想点或负理想点)的欧氏距离的场合。表中最右一列是属性2经式(10.5)变换后的值再向量规范化的结果. 表10.5 表10.1经向量规范化后的属性值 ji () () () ()10.03460.69560.64820.666620.06930.55650.30340.555530.20780.17530.41370.222240.10390.41740.53780.444450.96950.03980.16550.0000 (5) 原始数据的统计处理 = (1.00 - M) + M (10.7)其中, = 是各方案属性j的均值, m为方案数, M的取值可在0.5-0.75之间.式(10.7)可以有多种变形, 例如: = (10.7)其中 为属性j的均方差,当高端均方差大于2.5时变换后的值均为1.00.这种变换的结果与专家打分的结果比较吻合. 表10.6 表10.1之属性1用不同方法处理结果比较 ji 人均专著(本/人) 线性变换用10.7式(M=0.7)用10.7式10.10.03570.59500.662520.20.07140.61000.675030.60.21430.67000.725040.30.10710.62500.687552.81.00001.00001.0000三、方案筛选1.优选法(Dominance)淘汰劣解2.满意值法(逻辑乘 即与门Conjunctive)规定 j=1,2,n (切除值)当 j=1且j=2且j=n 均满足时,方案 被接受主要缺点：目标间不能补偿，例研究生录取时教委规定的单科分数线.3.逻辑和法(Disjunctive或门)规定 j=1,2,n 若 j=1或2或n时方案被接受。往往作为上法的补充.这些方法用于初始方案过的预选,不能用于方案排序 ordering 次序，优先序也不能用于方案分等 Ranking 量化优先程度.10.2 加权和法一、引言多目标决策的特点: 目标间的矛盾性, 各属性值不可公度.这二难点不可公度虽可通过属性矩阵的规范化得到部分解决, 但前述规范化过程不能反映目标的重要性权：目标重要性的度量, 即衡量目标重要性的手段.权的三重含义: 决策人对目标的重视程度; 各目标属性值的差异程度; 各目标属性值的可靠程度;权应综合反映三种因素的作用.通过权，将多目标决策问题化为单目标求解.二、字典序法与一般加权和法1. 字典序法 时的加权和法 即某个目标特别重要, 实质上是单目标决策, 最重要目标的属性值相同时，再比较第二重要的属性, 如此继续.2. 一般加权和法加权和法的求解步骤很简单：属性表规范化，得 i=1, , m; j=1, , n.确定各指标的权系数 j=1, , n.根据指标 的大小排出方案i(i=1, m)的优劣 加权和法，包括评分打点，由于其简单、明了(直观)，是人们最经常使用的多目标评价方法。采用加权和法的关键在于确定指标体系并设定各最低层指标的权系数：有了指标体系就可以设法利用统计数据或专家打分给出属性值表；有了权系数，具体的计算和排序就十分简单了。正因为此，以往的各种实际评估过程中总要把相当大的精力和时间用在确定指标体系和设定权上。 加权和法常常被人们不适当地使用，这是因为许多人并不清楚：使用加权和法意味着承认如下假设：指标体系为树状结构，即每个下级指标只与一个上级指标相关联；每个属性的边际价值是线性的(优劣与属性值大小成比例)，每两个属性都是相互价值独立的；属性间的完全可补偿性：一个方案的某属性无论多差都可用其他属性来补偿。事实上，这些假设往往都不成立。首先，指标体系通常是网状的，即至少有一个下级指标同时与二个或二个以上的上级指标相关联，也就是说某个属性可同时反映两个上级目标达到的程度。其次，属性的边际价值的线性常常是局部的，甚至有最优值为给定区间或点的情况存在；属性间的价值独立性条件也极难满足，至少是极难验证其满足。至于属性间的可补偿性通常只是部分的、有条件的。因此，使用加权和法要十分小心。不过，对网状指标体系，可以用层次分析法中的权重设定和网状指标的权重递推法设定最低层权重(见下节)。当属性的边际价值函数为非线性时可以用适当的数学方法进行数据预处理；属性间的不完全补偿性也可通过适当处理，例如用逻辑乘法预先删除具有不可补偿属性的方案等。只要认识到加权和法本身存在的种种局限性并采取相应的补救措施，则加权和法仍不失为一种简明而有效的多目标评价方法。三、确定权的常用方法1. 最小平方误差法 见教材第174页. 与主观慨率中的方法类似.2. 本征向量法 / /