一种考虑犹豫信息权重获取的决策方法技术

一种考虑犹豫信息权重获取的决策方法，它有六大步骤：步骤一：决策者对决策中遇到的未知度的偏好的相关信息的获取；步骤二：选定评价准则及专家权重；步骤三：基于改进相似度的对专家打分信息的筛选；步骤四：确定正负理想解；步骤五：基于改进相似度的方案与PIS和NIS相似的程度的计算；步骤六：计算各个方案与PIS和NIS的相对贴近度，对各方案进行比较。它是一套新的综合考虑未知度及决策者的未知度偏好对相似性造成的影响的模型，并在改进的相似度的基础上，提出了一套基于改进相似度的专家信息筛选并将这二者应用到改进的模糊TOPSIS评价模型当中。该方法在决策过程中为决策者选出最能符合决策者要求的方案提供了参考价值。

【技术实现步骤摘要】

本专利技术提供，即基于Vague Sets的改进模 糊T0PSIS综合评价模型，属于方案决策

技术介绍
TOPSIS(Techniques for order preference by similarity to ideal solution, TOPSIS)方法是借助于在多目标决策问题中的正理想解（Positive-ideal solution, PIS)和负理想解（Negative-ideal solution, NIS)对方案集进行排序。一直以 来，如何计算各个备选的方案到PIS和NIS的距离是TOPSIS方法应用的一大显著障碍，而 Vague Sets中涉及到的真假隶属度，犹豫度更是加重了其困难度，不少专家学者对此展开 了研宄，取得了显著进展。 本专利技术在以往研宄的基础上，将Vague Sets的相似度度量用于计算各个备选的方 案到PIS和NIS的距离定义中，综合考虑在决策中相对优势的大小，决策中已知信息的多少 和不确定程度对于Vague值之间相似性比较时的影响，展现了一套新的计算方式，较以往 取得了一定提高。
技术实现思路
1、目的：本专利技术在分析了前人对Vague Sets相互之间的相似度的度量的研宄的 基础上，提供了，它是一套新的综合考虑未知度及 决策者的未知度偏好对相似性造成的影响的模型，并在改进的相似度的基础上，提出了一 套基于改进相似度的专家信息筛选并将这二者应用到改进的模糊TOPSIS评价模型当中。 该方法在决策过程中为决策者选出最能符合决策者要求的方案提供了参考价值。 2、技术方案： 本专利技术是，基于改进相似度的TOPSIS综 合评价模型的具体步骤如下： 步骤一：决策者对决策中遇到的未知度的偏好的相关彳目息的获取。 步骤二：选定评价准则及专家权重。 设xkij为第k (1彡k彡K)个专家对方案A i (1彡i彡I)满足准则Cj (1彡j彡J) 情况评分的Vague值（参照下表），则专家判断矩阵为： Ml=(xkij)KxQxJ) 表一 9级语言变量与Vague值对应表 CN104715137A 说明书 2/10 页【主权项】1. 一种考虑犹豫彳目息权重获取的决策方法，其特征在于：该方法具体步骤如下： 步骤一：决策者对决策中遇到的未知度的偏好的相关信息的获取； 步骤二：选定评价准则及专家权重； 设Xkij为第k(1彡k彡K)个专家对方案Ai(1彡i彡I)满足准则Cj (1彡j彡J)情况 评分的Vague值，参照下表一，则专家判断矩阵为： M1=(xkij)KX(IXJ) 表一9级语言变量与Vague值对应表由此通过计算，能够得到所有专家对于方案Ai满足特定准则Cj情况评分的Vague值之 间的相似度矩阵为： M =(m^k2 )k,k 其中，表示专家Ic1和专家k2关于方案Ai满足某准则Cj情况评分的Vague值的相 似性，则第h个专家关于方案A,满足特定准则C/倩况评分与其他专家的相似性的总和为：类似地，得到第k个专家在本次决策过程中对所有方案满足特定准则&的评分与其他 专家相似性的总和为：设在决策中将专家的权重分为N级，据此，以所有专家与其他专家相似性的总和的最 大值和最小值为基础，将其差值从小到大等分为N个区间，即：设当Sw在区间Ui内时，对应的权重值则从小到大为《i，根据此方法，能够得到专家k面对准则&权重矩阵为： W=(^j) kxj ⑷ 其中，为专家k在准则Cj评判时的权重； 步骤三：基于改进相似度的对专家打分信息的筛选； 改进Vague值的相似度定义为：由于相似度的度量不考虑方向性，所以将决策者对于未知度的偏好分为两类，一类为 中立型，即未知度对于相似性的影响为0, 一类为具有偏好型，即未知度会减少相似性，如公 式所述，当决策者为未知度中立型时，A2= 〇且A1=A3，当具有偏好时，A2^O且A:> 入3，满足偏好越大A2越大，其对性质1-3的满足证明如下，对于性质4即单调性来说，其理 论基础即为支持度和反对度对相似性的影响大于未知度对相似性的影响，这种情况在一般 情况下成立，但是在特殊情况下时，考虑决策者对未知度的偏好，可能出现强烈厌恶或喜好 未知度的行为，此时，未知度对相似性的影响可能大于支持度或者反对度，故该性质在本文 中不适用； 由上述参数设定看出，满足入3; 性质1 :0彡M(x,y)彡1; 证明：通过对公式分析得，M(x，y)计算项中的分母所得到的值始终大于0,分子得到的 值始终大于或等于〇,所以满足M(x，y)彡0; 又???人2min{(l-tx-fx)，（l-ty-fy)}彡人2max{(l-tx-fx)，（l-ty-fy)} .'.只需要证明 入 i (min {tx，ty} +min {fx，fy}) + 入 3 (min {(l-fx)，（l-fy)} +min {(l-tx)，（l-ty)})彡人 3 (max + （l-fy)}+max{(l_tx)，（l_t y)})即可； 当tx>ty,fx彡fy时，1-t 1-ty,l-fx彡1-fy，设原式子成立，则： X1(V^fx) +人 3(l-fy+l_tx) < 人 3(tx+fy) +人i(l-fx+l_ty) 即证人I(ty+fx)-人 3 (fy+tx) < 人！-入 3 X'-'(ty+fx) -A3 (fy+tx) ^Aj(ty+fx) -A3 (ty+fx) ^ (ArA3) (tx+fx) .?.假设成立，同理分别证明当tx^ty且f>fy，tx<ty且f>fy和tx<ty且ffy 时式子均满足要求，由此得证； 性质 2.M(x,y) =M(y，x) 显然成立； 性质 3.M(x,y) = 0 当且仅当X= ,y= 或者X= ，y= ; 证明：（l)M(x,y) = 0则满足 A1HiinItytyI=0，A1Iiiin{fx,fy}，A2min{(l-tx-fx), (l-ty-fy)} =0 入 3min{(l-fx)，（l-fy)} =0，人 3min{(l-tx)，（l-ty)} =0 则其组合只能为x= ,y= 或者x= ，y= ，得证； 步骤四：确定正负理想解； 当选取的准则满足不同的情况时，对正负理想解也应采取不同的方式： 当准则q为效益型准则时，则：步骤五：基于改进相似度的方案与PIS和NIS相似的程度的计算； VagueSets正负理想解VPNS和VPIS分别为：其中，为准则q的权重； 步骤六：计算各个方案与PIS和NIS的相对贴近度，对各方案进行比较； 以得到的4+、d「计算出各方面到正负理想解的相对贴近度为：的计算结果取值越大，则代表备选方案Ai越靠近PIS并与NIS远，根据此结论，能对 所有备选的方案进行排序。【专利摘要】，它有六大步骤：步骤一：决策者对决策中遇到的未知度的偏好的相关信息的获取；步骤二：选定评价准则及专家权重；步骤三：基于改进相似度的对专家打分信息的筛选；步骤四：确定正负理想解；步骤五：基于改进相似度的方案与PIS和NIS相似的程度的计算；步骤六：计算各个方案与PIS和NIS本文档来自技高网...

【技术保护点】
一种考虑犹豫信息权重获取的决策方法，其特征在于：该方法具体步骤如下：步骤一：决策者对决策中遇到的未知度的偏好的相关信息的获取；步骤二：选定评价准则及专家权重；设xkij为第k(1≤k≤K)个专家对方案Ai(1≤i≤I)满足准则Cj(1≤j≤J)情况评分的Vague值，参照下表一，则专家判断矩阵为：M1＝(xkij)K×(I×J)表一  9级语言变量与Vague值对应表由此通过计算，能够得到所有专家对于方案Ai满足特定准则Cj情况评分的Vague值之间的相似度矩阵为：M=(mk1k2)K×K]]>其中，表示专家k1和专家k2关于方案Ai满足某准则Cj情况评分的Vague值的相似性，则第k1个专家关于方案Ai满足特定准则Cj情况评分与其他专家的相似性的总和为：Sk1ij=Σk2=1Kmk1k2---(1)]]>类似地，得到第k个专家在本次决策过程中对所有方案满足特定准则Cj的评分与其他专家相似性的总和为：Skj=Σi=1ISkij---(2)]]>设在决策中将专家的权重分为N级，据此，以所有专家与其他专家相似性的总和的最大值和最小值为基础，将其差值从小到大等分为N个区间，即：ui=[Skjmin+Skjmax-SkjminN(i-1),Skjmin+Skjmax-SkjminNi],(1≤i≤N)---(3)]]>设当Skj在区间ui内时，对应的权重值则从小到大为ωi，根据此方法，能够得到专家k面对准则Cj权重矩阵为：W=(ωkj)K×J---(4)]]>其中，ωkj为专家k在准则Cj评判时的权重；步骤三：基于改进相似度的对专家打分信息的筛选；改进Vague值的相似度定义为：M(x,y)=λ1(min{tx,ty}+min{fx,fy})+λ2min{(1-tx-fx),(1-ty-fy)}+λ3(min{(1-fx),(1-fy)}+min{(1-tx),(1-ty)})λ3(max{tx,ty}+max{fx,fy})+λ2max{(1-tx-fx),(1-ty-fy)}+λ1(max{(1-fx),(1-fy)}+max{(1-tx),(1-ty)})---(5)]]>由于相似度的度量不考虑方向性，所以将决策者对于未知度的偏好分为两类，一类为中立型，即未知度对于相似性的影响为0，一类为具有偏好型，即未知度会减少相似性，如公式所述，当决策者为未知度中立型时，λ2＝0且λ1＝λ3，当具有偏好时，λ2≠0且λ1＞λ3，满足偏好越大λ2越大，其对性质1‑3的满足证明如下，对于性质4即单调性来说，其理论基础即为支持度和反对度对相似性的影响大于未知度对相似性的影响，这种情况在一般情况下成立，但是在特殊情况下时，考虑决策者对未知度的偏好，可能出现强烈厌恶或喜好未知度的行为，此时，未知度对相似性的影响可能大于支持度或者反对度，故该性质在本文中不适用；由上述参数设定看出，满足λ1≥λ3；性质1：0≤M(x,y)≤1；证明：通过对公式分析得，M(x,y)计算项中的分母所得到的值始终大于0，分子得到的值始终大于或等于0，所以满足M(x,y)≥0；又∵λ2min{(1‑tx‑fx),(1‑ty‑fy)}≤λ2max{(1‑tx‑fx),(1‑ty‑fy)}∴只需要证明λ1(min{tx,ty}+min{fx,fy})+λ3(min{(1‑fx),(1‑fy)}+min{(1‑tx),(1‑ty)})≤λ3(max{tx,ty}+max{fx,fy})+λ1(max{(1‑fx),(1‑fy)}+max{(1‑tx),(1‑ty)})即可；当tx≥ty,fx≤fy时，1‑tx≤1‑ty,1‑fx≥1‑fy，设原式子成立，则：λ1(ty+fx)+λ3(1‑fy+1‑tx)≤λ3(tx+fy)+λ1(1‑fx+1‑ty)即证λ1(ty+fx)‑λ3(fy+tx)≤λ1‑λ3又∵λ1(ty+fx)‑λ3(fy+tx)≤λ1(ty+fx)‑λ3(ty+fx)≤(λ1‑λ3)(tx+fx)∴假设成立，同理分别证明当tx≥ty且fx≥fy，tx≤ty且fx≥fy和tx≤ty且fx≤fy时式子均满足要求，由此得证；性质2.M(x,y)＝M(y,x)显然成立；性质3.M(x,y)＝0当且仅当x＝[1,1],y＝[0,0]或者x＝[0,0],y＝[1,1]；证明：(1)M(x,y)＝0则满足λ1min{tx,ty}＝0，λ1min{fx,fy}，λ2min{(1‑tx‑fx),(1‑ty‑fy)}＝0λ3min{(1‑fx),(1‑fy)}＝0，λ3min{(1‑tx),(1‑ty)}＝0则其组合只能为x＝[1,1...

【技术特征摘要】

【专利技术属性】
技术研发人员：周晟瀚，常文兵，胡陈，
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