基于非广延熵权模型的供货能力评估及供货商遴选方法技术

采用非广延熵权Topsis的供货能力评估方法，并应用灰色关联度算法作为桥梁，以提供模型修正的幅度和方向，重复迭代以最终反馈出使整体竖直结构稳定的q值，本发明专利技术涉及供货能力测评领域。本发明专利技术是要解决传统熵权法在指标权重计算中存在不准确导致测评结果出现不公正、不同指标间无法横向影响、权重在样本变化下波动较大等问题，从而提出基于非广延熵的权重计算方法，将其用至Topsis熵权法再引入灰色关联度进行修正，基于此算法提供了供货能力评估和供货商遴选的方法。一、采用传统熵权Topsis模型进行预评估，二、引入灰色关联度修正模型，三、引入非广延熵修正权值，四、确定非广延熵的q值。本发明专利技术应用于供货商供货能力测评领域。本发明专利技术应用于供货商供货能力测评领域。本发明专利技术应用于供货商供货能力测评领域。

【技术实现步骤摘要】
基于非广延熵权模型的供货能力评估及供货商遴选方法


[0001]本专利技术涉及供货能力测评领域

技术介绍

[0002]在当今世界经济快速发展的全球化浪潮推动下，现代物流作为一种先进的组织方式和管理技术，日益受到各国政府和企业单位的高度重视。
[0003]目前市场上已经有诸多学者针对货运能力评估的方法进行研究，而客观地全面地度量企业的货运能力和物流效率，对推动企业运营乃至整个社会经济的有效发展，都显得尤为重要。
[0004]如何量化分析货运能力，从不同层面予以综合考察，全面权衡利弊优劣，从而为整个系统决策提供科学依据，也成为了相关领域的一大热点问题。
[0005]常规评估方法是通过AHP主观分析，亦即层次分析法，由美国运筹T.L.Saaty教授在上世纪70年代初期提出。
[0006]该方法对定性问题进行定量分析，把复杂问题中的各种因素通过划分为相互联系的有序层次，使之条理化，将一两层次元素两两比较其重要性进行定量描述，最终利用数学方法计算反映出每一个层次元素的相对重要性次序的权值，通过所有层次之间的总排序计算所有元素的相对权重进行排序。
[0007]AHP相对简便、灵活而实用性强，一经提出便很快得到广泛的应用，然而在重要性相近的指标下，AHP主观分析法无法解决不同多次打分存在的偶然性误差较大的缺陷。
[0008]另外在评价因素众多、规模较大时容易出现谬误，评价结果并不准确可靠,也有很多经典的客观评价模型因为不准确，并不是很符合研究者的需求，往往需要多种算法一并使用，然后再从中选取最优模型。
[0009]除此之外，有很多自适应强、可以避免主观性干扰的算法，比如BP神经网络综合评价法，它能够对变量进行贡献分析，以剔除不显著和不重要的因素，并能考虑随着时间空间变化下的当前最适权值。
[0010]但是该算法需要大量的训练样本，且算法复杂度高，计算时间长。
[0011]逼近理想解排序法(Technique for Order Preference by Similarityto Ideal Solution,TOPSIS)是基于多目标决策的一种有效评价方法。
[0012]该方法对原始数据进行规范化运算，通过赋权对有限个评价对象进行权重计算，并进行优劣评价。
[0013]而熵权法(The Entropy weight method)模型作为一种经典的根据指标变异性大小来确定客观权重的依附于信息论的方法，在指标量少、样本量小的情况下有着较优的特性，但是仅考虑指数自身的数字辨别程度，无法考虑指标之间的横向影响，在分类的多指标决策中容易导致决策结果失真。另一方面，该方法对样本的依赖性强，在建模样本变化的同时，权重也会有所波动，同样易导致决策结果失真。
[0014]截止目前市面上也出现了以熵权逼近理想解(TOPSIS
‑
EWM)模型，通过结合灰色关
联度算法、AHP评价方法等算法对几种经典的评价模型进行修正，但也仅仅停留在将多种经典算法简单的排列组合，或者是粗糙的将不同种方法求得的权值用简单的数学运算拼凑起来的阶段。
[0015]本专利技术认为这些方法并不能解释模型背后的机理和含义，仅仅是为了数值的优质而迭代求取的方法，这在一定程度上不具备严谨性。
[0016]因此本专利技术针对供货能力评估模型进行了非广延条件下的拓展，选用了传统的熵权TOPSIS模型，并应用灰色关联度算法作为桥梁，以提供模型修正的幅度和方向，最后迭代反馈出非广延参量q值。
[0017]选用灰色关联度算法作为相似度算法，是因为它样本需求量小，对数据规则性要求不高，它的缺点是必须保证系统必须是灰色系统，即具备“信息不完全性”和“非唯一性”，但本专利技术在整个系统内部做各因素与评分的灰色关联度，即将评分序列所反应的信息量和各序列的信息量做关联，但由于信息自身属性的限制，同样的值并不能反推出确切属于那一序列，因此可以避开这个缺点。
[0018]本专利技术的工作引入了非广延统计的概念，这一新兴的统计物理方法，旨在解决经典的Boltzmann统计所处理的理想系统模型之外的所有统计问题，其通过引入一个表征系统偏离理想(平衡)状态的程度的非广延参量q，可以很好地解决传统的统计物理方法所不能解决的诸多问题。
[0019]考虑到上述各个方法的优缺点和局限性，本专利技术认为在一个可以不断得到信息从而改变不同指标权重的不完全信息系统中，通过使用本专利技术的非广延熵权评估方法，可以迭代至系统数值达到一个稳定结构，此时将接近于完全信息系统中的指标权值。在这一过程中，通过不同指标间的相互制约来弥补传统的TOPSIS
‑
EWM模型本身对供货能力评估的不足，使之更具备系统兼容性，继而增加结果的可信度。

技术实现思路

[0020]本专利技术是要解决传统熵权法在指标权重计算中存在不准确导致测评结果出现不公正的问题，从而提出基于非广延熵的权重计算方法，将其用至Topsis熵权法再引入灰色关联度进行修正，基于此算法提供了供货能力相关因素评估方法。
[0021]1、采用非广延熵权Topsis法以灰色关联度为桥梁的测评方法，按以下步骤实现：
[0022]a、采用传统熵权Topsis模型对供货能力相关因素进行预评估：先对各参量(供货稳定性、供货数量、供货连续性、模糊供货能力)进行极型指标分类，对矩阵进行正向归一。使用传统信息熵公式得到评价指标的权重，对矩阵进行标准化处理，得到每个评价对象的归一化评分。评分处在(0，1)，评分越大表明评价目标越接近最优值。
[0023]b、引入灰色关联度修正模型：将熵权Topsis中求得的评分矩阵S作为参考数列，将其他指标作为比较数列，对四个指标进行关联度计算比较。通过灰色关联度分析,归一化以得出权值
[0024]c、引入非广延熵修正权值：引入非广延量q，基于等概率原理，得到非广延条件下的信息熵与权重公式
[0025]d、确定非广延熵的q值：通过构造关于q(j)的函数，反解方程计算出能够使不同评价序列熵权值等于灰色关联权重的q值，再计算均衡q值，计算并归一得到q值。
[0026]将此时的q值作为代入非广延信息熵公式以计算权值，代入得到非广延条件下的topsis分数，再次使用灰色关联算法计算相似度权重，并依次迭代求解在非广延条件下的新q值。
[0027]经此步骤循环，最后q值将会收敛于一个波动范围，上下波动范围不超过10％。
[0028]此时的非广延参量q为弥补函数，计算出假定信息完全系统中的非广延权重，计算得到的非广延条件下的topsis得分为最终得分。
[0029]2、基于权利要求书1所述的采用非广延熵权Topsis法以灰色关联度为桥梁的测评方法，其特征在于：步骤c中的非广延信息熵与权重公式为：
[0030][0031][0032]3、基于权利要求书1所述的采用非广延熵权Topsis法以灰色关联度为桥梁的测评方法，其特征在于：步骤d中迭代求解q：
[0033](1)构造本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.采用非广延熵权Topsis法以灰色关联度为桥梁的测评方法，按以下步骤实现：a、采用传统熵权Topsis模型对供货能力相关因素进行预评估：先对各参量(供货稳定性、供货数量、供货连续性、模糊供货能力)进行极型指标分类，对矩阵进行正向归一。使用传统信息熵公式得到评价指标的权重，对矩阵进行标准化处理，得到每个评价对象的归一化评分。评分处在(0，1)，评分越大表明评价目标越接近最优值。b、引入灰色关联度修正模型：将熵权Topsis中求得的评分矩阵S作为参考数列，将其他指标作为比较数列，对四个指标进行关联度计算比较。通过灰色关联度分析,归一化以得出权值c、引入非广延熵修正权值：引入非广延量q，基于等概率原理，得到非广延条件下的信息熵与权重公式d、确定非广延熵的q值：通过构造关于q(j)的函数，反解方程计算出能够使不同评价序列熵权值等于灰色关联权重的q值，再计算均衡q值，计算并归一得到q值。将此时的q值作为代入非广延信息熵公式以计算权值，代入得到非广延条件下的topsis分数，再次使用灰色关联算法计算相似度权重，并依次迭代求解在非广延条件下的新q值。经此步骤循环，最后q值将会收敛于一个波动范围，上下波动范围不超过10％。此时的非广延参量q为弥补函数，计算出...

【专利技术属性】
技术研发人员：廖家铭，黄雨杰，申可明，
申请(专利权)人：廖家铭，
类型：发明
国别省市：