一种基于云TOPSIS的多属性决策方法，它有七大步骤：步骤一：构造云决策矩阵；步骤二：确定决策者权重，计算加权平均云决策矩阵；步骤三：确定决策属性权重；步骤四：设定正理想云即PIC和负理想云即NIC；步骤五：分别计算各个方案到正、负理想云的云偏差；步骤六：计算各方案Ai到正理想云即PIC的相对贴近度fi；步骤七：按照相对贴近度fi对各个方案进行排序。本发明专利技术在方案决策技术领域里有较好的实用价值和应用前景。
【技术实现步骤摘要】
一种基于云TOPSIS的多属性决策方法
本专利技术提供一种基于云TOPSIS的多属性决策方法，即基于云模型的改进TOPSIS综合评价模型，属于方案决策
技术介绍
TOPSIS(TechniquesforOrderPreferencebySimilaritytoIdealSolution)是一种著名的多属性决策方法，该方法为决策者在面临多个备选方案时，通过在多个决策属性下综合衡量各方案进而做出最终决策提供了有效途径。该方法的核心思想是在已有方案基础之上，构建出正理想解和负理想解，计算各个备选方案分别到正理想解和负理想解的距离，最贴近正理想解同时又最远离负理想解的方案即为最优方案。传统TOPSIS方法，在方案评价过程中，其各个属性值均为精确数值。然而现实中由于外界环境和人类认知的限制，方案评价所需的种种精确数值较难获得，如“好”、“一般”一类的语义信息在方案评价中难以量化，制约了TOPSIS方法的适用范围。基于此，将不确定性理论与TOPSIS相结合的决策方法应运而生，如基于模糊的TOPSIS方法、基于区间的TOPSIS方法等等。语义信息，作为一种描述人类认知的常用工具，可以大大提升信息处理的效率并在实践中得到验证。语义信息同时具有模糊性和随机性两大特性，模糊性是指语义信息含义指定范围的不确定性，随机性是指同一概念不同个体理解上的差异或不同概念在同一个体不同情景下的差异。一方面，模糊TOPSIS和区间TOPSIS可以有效地解决语义信息在方案评价过程中的模糊性问题，但却无法较好地处理语义信息固有的随机性问题。另一方面，云理论的产生和完善，为语义信息模糊性和随机性的处理提供了可能。本专利技术在前述研究基础之上，提出一种新的基于云TOPSIS的多属性决策方法。它对包括语义信息在内的多种评价信息进行融合，形成了云决策矩阵，并定义出云偏差以一套新的计算方式评估语义信息的模糊性和随机性，在正理想云和负理想云下给出各个备选方案的排序，较以往取得了一定提高。
技术实现思路
1、目的：本专利技术的目的在于针对现有多属性决策方法的不足，提供一种基于云TOPSIS的多属性决策方法，它是一套新的以云模型为基础改进的TOPSIS综合评价模型。该模型综合考量了包括语义信息在内的多种评价信息，提出云偏差的定义并给出一套新的计算方法以便于解决方案评价中语义信息存在的模糊性和随机性，以提高方案评价的有效性和精准性。2、技术方案：本专利技术是一种基于云TOPSIS的多属性决策方法，该方法实现的具体步骤如下：步骤一：构造云决策矩阵在多属性决策问题中，各决策者根据需要考虑的多个决策属性对若干备选方案给出评价信息。这些评价信息可能包含语义信息，需要对其进行量化处理；此外，为得出综合评价结果，需要对语义信息、其他数值信息(如区间型数值信息)进行必要的融合，构造出云决策矩阵。考虑到语义信息的表述精确性和划分便易性，将语义信息统一划分为5个水平，如“非常好”、“好”、“一般”、“差”、“非常差”等五个水平。语义信息在5个水平上的量化，可以在区间[xl,xu](一般xl＝0,xu＝1)内通过黄金分割法得以实现。公式如下：其中，(Ex0,En0,，He0)、和分别代表“非常好”、“好”、“一般”、“差”、“非常差”等一类从高到低具有5个水平语义信息的云模型表示方法，且He0的值可根据具体语境人为给定。根据上述公式，取He0＝0.01，对于“非常好”、“好”、“一般”、“差”、“非常差”5个水平语义信息的云模型表示结果为：表一5水平语义信息云模型表示结果为保证区间型信息与语义信息有较好的融合性，对一组区间型信息和分别代表区间hi的上边界和下边界。首先对区间进行预处理以保证各个区间均为[0,1]的子集，处理方式如下：其中，hmax是该组所有区间上边界的最大者，即满足其次，将处理后的区间转换为云模型：其中，p为常量，可依据评价信息的具体情况设定，一般可取0.001。有m个备选方案Ai(i＝1,2,…,m)待评估，评估过程需要考量n个决策属性Cj(j＝1,2,…,n)，且有k个决策者Dk(k＝1,2,…,K)。云决策矩阵Xk＝(Exkij,Enkij,Hekij)表示如下：其中，xkij表示第k个决策者以决策属性j的评价维度对方案i做出的评价信息；(Exkij,Enkij,Hekij)则为相应评价信息的云模型表示。步骤二：确定决策者权重，计算加权平均云决策矩阵为综合考虑各个决策者给出的评价信息，需要对各决策者的云决策矩阵进行整合，形成加权平均云决策矩阵Xw：公式如下：其中，为决策者的权重向量，表示由决策者Dk给出评价信息的重要程度。步骤三：确定决策属性权重决策属性，即为决策者考量多个备选方案时的评价维度。不同的决策属性权重代表了决策者对不同评价维度的不同重视程度。决策属性权重的确定，可由多名决策者共同商定。步骤四：设定正理想云(PIC)和负理想云(NIC)和分别代表正理想云(PIC)和负理想云(NIC)，可由以下公式计算得来：其中，J#代表效益型决策属性，J*代表成本型决策属性。步骤五：分别计算各个方案到正、负理想云的云偏差首先，本专利技术定义出云偏差的概念，定义表述如下：对于给定同一论域中的两朵云xi(Exi,Eni,Hei)和xj(Exj,Enj,Hej)(i≠j)，两朵云的不一致性可定义为云偏差d(xi,xj)，公式如下：d(xi,xj)＝λ1×d(Exi,Exj)+λ2×d(Eni,Enj)+λ3×d(Hei,Hej)(15)λ1+λ2+λ3＝1(1≥λ1≥λ2≥λ3≥0)其中，λ1、λ2和λ3分别代表云偏差在Ex、En和He维度上的系数，系数的大小表示了对应维度在总体云偏差中的贡献度。云偏差具有如下性质：(1)云偏差d(xi,xj)介于数值0和1之间；(2)当且仅当两朵云xi(Exi,Eni,Hei)和xj(Exj,Enj,Hej)相同时，即Exi＝ExjEni＝EnjHei＝Hej时，云偏差d(xi,xj)为零；(3)d(xi,xj)＝d(xj,xi)其次，根据云偏差的定义和公式(15)，计算各备选方案分别到正负理想云的云偏差，公式如下：其中，为决策属性Cj的权重，d(xij,xj)表示云xij与云xj的云偏差。步骤六：计算各方案Ai到正理想云(PIC)的相对贴近度fi步骤七：按照相对贴近度fi对各个方案进行排序相对贴近度fi反映方案与正理想云的贴近程度，故fi其值越大，相对应的方案Ai越优。3、优点及功效：本专利技术在前述研究基础之上，提出一种新的基于云TOPSIS的多属性决策方法。它对包括语义信息在内的多种评价信息进行融合，形成了云决策矩阵，并定义出云偏差以一套新的计算方式评估语义信息的模糊性和随机性，在正理想云和负理想云下给出各个备选方案的排序，较以往取得了较大提高。附图说明图1是本专利技术方法流程图。图中符号说明如下：Ai代表方案i，i＝1，2，3，4；fi代表方案i的相对贴近度，i＝1，2，3，4；PIC代表正理想云，NIC代表负理想云。具体实施方式下面将结合附图和实施例对本专利技术做进一步的详细说明。见图1所示，以某武器装备供应商的方案决策为例详细说明本专利技术，本专利技术是一种基于云TOPSIS的多属性决策方法，该方法具体步骤如下：步骤一：收集各决策者对各方案本文档来自技高网...
【技术保护点】
一种基于云TOPSIS的多属性决策方法，其特征在于：该方法实现的具体步骤如下：步骤一：构造云决策矩阵在多属性决策问题中，各决策者根据需要考虑的多个决策属性对复数个备选方案给出评价信息，这些评价信息包含语义信息，需要对其进行量化处理；此外，为得出综合评价结果，需要对语义信息、其他数值信息进行必要的融合，构造出云决策矩阵；考虑到语义信息的表述精确性和划分便易性，将语义信息统一划分为5个水平，即“非常好”、“好”、“一般”、“差”、“非常差”五个水平，语义信息在5个水平上的量化，在区间[xl,xu]，xl＝0,xu＝1内通过黄金分割法得以实现，公式如下：Ex0=xl+xu2---(1)]]>Ex2-=xl,Ex2+=xu---(2)]]>Ex1-=Ex0-0.382Ex0=0.618Ex0---(3)]]>Ex1+=Ex0+0.382Ex0=1.382Ex0---(4)]]>En1-=En1+=0.382(xu-xl)6---(5)]]>En0=0.618En1+---(6)]]>En2-=En2+=En1+0.618---(7)]]>He1-=He1+=He00.618---(8)]]>He2-=He2+=He1+0.618---(9)]]>其中，和分别代表“非常好”、“好”、“一般”、“差”、“非常差”一类从高到低具有5个水平语义信息的云模型表示方法，且He0的值根据具体语境人为给定；根据上述公式，取He0＝0.01，对于“非常好”、“好”、“一般”、“差”、“非常差”5个水平语义信息的云模型表示结果为：表一 5水平语义信息云模型表示结果为保证区间型信息与语义信息有较好的融合性，对一组区间型信息和分别代表区间hi的上边界和下边界；首先对区间进行预处理以保证各个区间均为[0,1]的子集，处理方式如下：hi′[hli′,hui′]=[hlihmax,huihmax]⊆[0,1]---(10)]]>其中，hmax是该组所有区间上边界的最大者，即满足其次，将处理后的区间转换为云模型：Exi=hli′+hui′2Eni=hli′-hui′6Hei=p---(11)]]>其中，p为常量，依据评价信息的具体情况设定，取0.001；有m个备选方案Ai(i＝1,2,…,m)待评估，评估过程需要考量n个决策属性)且有k个决策者Dk(k＝1,2,…,K)；云决策矩阵Xk＝(Exkij,Enkij,Hekij)表示如下：其中，xkij表示第k个决策者以决策属性j的评价维度对方案i做出的评价信息；(Exkij,Enkij,Hekij)则为相应评价信息的云模型表示；步骤二：确定决策者权重，计算加权平均云决策矩阵为综合考虑各个决策者给出的评价信息，需要对各决策者的云决策矩阵进行整合，形成加权平均云决策矩阵Xw：公式如下：Xw=Σk=1KwkDXk=(Σk=1KwkDExkij,Σk=1K(wkDEnkij)2,Σk=1K(wkDHekij)2)---(12)]]>其中，为决策者的权重向量，表示由决策者Dk给出评价信息的重要程度；步骤三：确定决策属性权重决策属性，即为决策者考量多个备选方案时的评价维度，不同的决策属性权重代表了决策者对不同评价维度的不同重视程度，决策属性权重的确定，由多名决策者共同商定；步骤四：设定正理想云(PIC)和负理想云(NIC)和分别代表正理想云(PIC)和负理想云(NIC)，由以下公式计算得来：xj+=(maxiExij,miniEnij,miniHeij),j∈J#(miniExij,miniEnij,miniHeij),j∈J*---(13)]]>xj-=(miniExij,maxiEnij,maxiHeij),j∈J#(maxiExij,maxiEnij,maxiHeij),j∈J*---(14)]]>其中，J#代表效益型决策属性，J*代表成本型决策属性；步骤五：分别计算各个方案到正、负理想云的云偏差首先，定义出云偏差的概念，定义表述如下：对于给定同一论域中的两朵云xi(Exi,Eni,Hei)和xj(Exj,Enj,Hej)(i≠j)，两朵云的不一致性定义为云偏差d(xi,xj)，公式如下：d(xi,xj)＝λ1×d(Exi,Exj)+λ2×d(Eni,Enj)+λ3×d(Hei,Hej) (15)d(Exi,Exj)=|Exi-Exj|max(Exi+3Eni,Exj+3Enj)-min{Exi-3Eni,Ecj-3Enj}]]>d(Eni,Enj)=1-min(Eni,Enj)max(Eni,Enj)...
【技术特征摘要】
1.一种基于云TOPSIS的多属性决策方法，其特征在于：该方法实现的具体步骤如下：步骤一：构造云决策矩阵在多属性决策问题中，各决策者根据需要考虑的多个决策属性对复数个备选方案给出评价信息，这些评价信息包含语义信息，需要对其进行量化处理；此外，为得出综合评价结果，需要对语义信息、其他数值信息进行必要的融合，构造出云决策矩阵；考虑到语义信息的表述精确性和划分便易性，将语义信息统一划分为5个水平，即“非常好”、“好”、“一般”、“差”、“非常差”五个水平，语义信息在5个水平上的量化，在区间[xl,xu]，xl＝0,xu＝1内通过黄金分割法得以实现，公式如下：其中，和分别代表“非常好”、“好”、“一般”、“差”、“非常差”一类从高到低具有5个水平语义信息的云模型表示方法，且He0的值根据具体语境人为给定；根据上述公式，取He0＝0.01，对于“非常好”、“好”、“一般”、“差”、“非常差”5个水平语义信息的云模型表示结果为：语义信息水平为“非常好”的云模型表示值为1，0.103，0.026；语义信息水平为“好”的云模型表示值为0.691，0.064，0.016；语义信息水平为“一般”的云模型表示值为0.5，0.039，0.01；语义信息水平为“差”的云模型表示值为0.309，0.064，0.016；语义信息水平为“非常差”的云模型表示值为0，0.103，0.026；为保证区间型信息与语义信息有较好的融合性，对一组区间型信息和分别代表区间hi的上边界和下边界；首先对区间进行预处理以保证各个区间均为[0,1]的子集，处理方式如下：其中，hmax是区间hi所有上边界的最大者，即满足其次，将处理后的区间转换为云模型：其中，p为常量，依据评价信息的具体情况设定，取0.001；有m个备选方案Ai(i＝1,2,…,m)待评估，评估过程需要考量n个决策属性Cj(j＝1,2,…,n)，且有k个决策者Dk(k＝1,2,…,K)；云决策矩阵Xk＝(Exkij,Enkij,Hekij)表示如下：其中，xkij表示第k个决策者以决策属性j的评价维度对方案i做出的评价信息；(Exkij,Enkij,Hekij)则为相应评价信息的云模型表示；步骤二：确定决策者权重，计算加权平均云决策矩阵为综合考虑各个决策者给出的...
【专利技术属性】
技术研发人员：周晟瀚，常文兵，张佳宁，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。