基于空间分解增强的多价值链协同评价系统与方法技术方案

本发明专利技术公开了一种基于空间分解增强的多价值链协同评价系统与方法，针对有被评价者先后参与多个评价体系评价的场景，在信息非对称情形下，按照前n

【技术实现步骤摘要】
基于空间分解增强的多价值链协同评价系统与方法


[0001]本专利技术涉及多目标决策的
，具体涉及一种利用多个已有的多指标加权评价结果对另一个多指标加权评价进行优化的基于空间分解增强的多价值链协同评价的数据智能方法。

技术介绍

[0002]综合打分法等多目标决策和多指标评价方法应用非常普遍；显然，对于同一类对象（被评价者），不同的评价者由于自身的需求不同，会有类似但是不同的评价体系，表现为相同的评价指标、不同的权重；例如：多个汽车总装厂对于供应商都从合作经验、产品诞生、质量方法、外购件、生产、顾客关怀这几个指标进行评价，但评价权重各不相同；尽管多个评价体系不同，但毕竟都是对同一类对象进行评价，因此其评价结果应有较强的正相关性；当其中一些评价者做出了评价之后，后续评价者可以借助这一评价结果对自己的评价工作进行优化，而目前的文献尚缺乏对此的定量方法；在某些特殊情形，例如信息不对称情形下，这种借鉴他人的评价结果显得尤为重要；比如：当A品牌汽车的产业链中的合格供应商E1、B品牌汽车的产业链中的合格供应商E2、既是A品牌汽车又是B品牌汽车的产业链中的合格供应商E3、普通供应商E4参与C品牌汽车的合格供应商评价时，出于保护A、B产业链商业机密的目的，E1、E2、E3未向C品牌汽车提供全面的信息，导致C对E1、E2、E3的评价较低；此时，如果C评价者考虑到E1、E2、E3已经是A或B的合格供应商，而对其的评价得分进行某种增强（乘以大于1的增强系数），以还原其真实的能力，则更有利于C得出对E1、E2、E3的客观评价；然而要做到这样的评价增强，面临如下问题：
①
C并不知道E1、E2、E3在A、B评价过程中的具体指标得分；
②
A、B的评价体系存在差异，例如E1、E2在两次评价中的排序就不同，因此很难确定对这些评价结果应该如何综合考虑；
③
E4尽管不是A、B的合格供应商，但可能其根本没有参加A、B的合格供应商评价，其能力并不一定就差，简单地对E1、E2、E3进行增强并不科学；
④
增强系数缺乏科学的计算方法。

技术实现思路

[0003]本专利技术提供一种基于空间分解增强的多价值链协同评价系统与方法，旨在解决的技术问题之一是：现有技术中对评价者评价不够客观的技术问题。
[0004]考虑到现有技术的上述问题，根据本专利技术公开的一个方面，本专利技术采用以下技术方案：一种基于空间分解增强的多价值链协同评价方法，其包括：S1.对有被评价者先后参与过0至n
‑
1个评价体系评价的场景，第n次评价的评价者K
n
获取前n
‑
1次评价中所有评价者K
i
设置的评价权重向量w
i
=(w
i1
,w
i2
,
…
,w
im
)（i=1,2,
…
,n
‑
1），并获取评出的被评价者优胜者集合E
i
（i=1,2,
…
,n
‑
1）；S2.评价者K
n
设置评价权重，收集参加第n次评价的评价者K
n
评选的被评价者集合
E
n
向评价者K
n
提供的信息，通过评价打分得到若干关于每一被评价者E
nk
（k=1,2,
…
）的得分向量；S3.评价者K
n
利用n
‑
1次评价体系中的权重向量所张成的子线性空间及其正交补空间，将第n次评价体系的权重向量向子线性空间和正交补空间进行投影，并利用权重向量的极大线性无关组构成的基对子线性空间的投影进行线性分解，使各评价体系的相似部分、差异部分分离；S4.评价者K
n
通过之前n
‑
1次评价中优胜者集合及前n
‑
1次评价中的评价体系权重向量，定量计算增强倍数，对前n
‑
1次评价中的优胜者的得分向量的分量进行增强，实现对隐藏信息的还原，提高第n次评价的客观性以及优胜者的总体水平；S5.根据评价权重，按照得分向量加权计算各被评价者的总体得分，并选择第n次评价的优胜者。
[0005]为了更好地实现本专利技术，进一步的技术方案是：进一步地，所述S2步骤中，包括：S21.第n个评价者K
n
对所述评价体系设置评价权重向量w
n
=(w
n1
,w
n2
,
…
,w
nm
)；S22.第n个评价者K
n
根据集合E
n
中的被评价者E
nk
向评价者K
n
提供的信息，对每个指标q
j
的表现进行打分v
kj
（k=1,2,
…
,s；j=1,2,
…
,m），得到s个向量v
k
=(v
k1
, v
k2
,
…
, v
km
)（k=1,2,
…
,s）。
[0006]进一步地，所述S3步骤中，包括：S31.评价者K
n
在向量组{w1,w2,
…
,w
n
‑1}中任取一组极大线性无关组{z1,z2,
…
,z
t
}（t为[1,n
‑
1]区间上的整数），计算权重向量w
n
在向量组{z1,z2,
…
,z
t
}张成的子线性空间L1上的投影w
(1)
；S32.评价者K
n
计算权重向量w
n
在子线性空间L1的正交补空间L2上的投影w
(2)
=w
n
‑
w
(1)
；S33.评价者K
n
计算w
(1)
在向量组{z1,z2,
…
,z
t
}的线性表出w
(1)
= ；S34.评价者K
n
计算集合E
n
中每个被评价者E
nk
的垂直得分V
k(2)
=w
(2)
·
v
k
（k=1,2,
…
,s）。
[0007]进一步地，所述S4步骤中，包括：S41.评价者K
n
对向量组{z1,z2,
…
,z
t
}的所有向量z
i
按如下步骤计算增强因子λ
i
（i=1,2,
…
,t）：若E=E
n
∩E
i
是空集，或E
n<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空间分解增强的多价值链协同评价方法，其特征在于包括：S1.对有被评价者先后参与过0至n
‑
1个评价体系评价的场景，第n次评价的评价者K
n
获取前n
‑
1次评价中所有评价者K
i
设置的评价权重向量w
i
=(w
i1
,w
i2
,
…
,w
im
)（i=1,2,
…
,n
‑
1），并获取评出的被评价者优胜者集合E
i
（i=1,2,
…
,n
‑
1）；S2.评价者K
n
设置评价权重，收集参加第n次评价的被评价者集合E
n
向评价者K
n
提供的信息，通过评价打分得到若干关于每一被评价者E
nk
（k=1,2,
…
）的得分向量；S3.评价者K
n
利用n
‑
1次评价体系中的权重向量所张成的子线性空间及其正交补空间，将第n次评价体系的权重向量向子线性空间和正交补空间进行投影，并利用权重向量的极大线性无关组构成的基对子线性空间的投影进行线性分解，使各评价体系的相似部分、差异部分分离；S4.评价者K
n
通过之前n
‑
1次评价中优胜者集合及前n
‑
1次评价中的评价体系权重向量，定量计算增强倍数，对前n
‑
1次评价中的优胜者的得分向量的分量进行增强，实现对隐藏信息的还原，提高第n次评价的客观性以及优胜者的总体水平；S5.根据评价权重，按照得分向量加权计算各被评价者的总体得分，并选择第n次评价的优胜者。2.根据权利要求1所述的基于空间分解增强的多价值链协同评价方法，其特征在于所述S2步骤中，包括：S21.第n个评价者K
n
对所述评价体系设置评价权重向量w
n
=(w
n1
,w
n2
,
…
,w
nm
)；S22.第n个评价者K
n
根据集合E
n
中的被评价者E
nk
向评价者K
n
提供的信息，对每个指标q
j
的表现进行打分v
kj
（k=1,2,
…
,s；j=1,2,
…
,m），得到s个向量v
k
=(v
k1
, v
k2
,
…
, v
km
)（k=1,2,
…
,s）。3.根据权利要求2所述的基于空间分解增强的多价值链协同评价方法，其特征在于所述S3步骤中，包括：S31.评价者K
n
在向量组{w1,w2,
…
,w
n
‑1}中任取一组极大线性无关组{z1,z2,
…
,z
t
}（t为[1,n
‑
1]区间上的整数），计算权重向量w
n
在向量组{z1,z2,
…
,z
t
}张成的子线性空间L1上的投影w
(1)
，其中{w1,w2,
…
,w
n
‑1}为前n次评价的权重向量集合；S32.评价者K
n
计算权重向量w
n
在子线性空间L1的正交补空间L2上的投影w
(2)
=w
n
‑
w
(1)
；S33.评价者K
n
计算w
(1)
在向量组{z1,z2,
…
,z
t
}的线性表出w
(1)
=，其中为向量的分解系数；S34.评价者K
n
计算集合E
n
中每个被评价者E
nk
的垂直得分V
k(2)
=w
(2)
·
v
k
（k=1,2,
…
,s）。4.根据权利要求3所述的基于空间分解增强的多价值链协同评价方法，其特征在于所述S4步骤中，包括：S41.评价者K
...

【专利技术属性】
技术研发人员：沈益民，王涛，李蒙科，严余松，林冉孜，侯冬，陈峥，于春雷，
申请(专利权)人：成都边界元科技有限公司四川福帆科技有限公司山东三千物联网科技有限公司成都市武侯区青青公益服务中心，
类型：发明
国别省市：