决策专题二多属性决策分析方法
- 格式:pptx
- 大小:660.82 KB
- 文档页数:54
多属性决策方法研究多属性决策方法是一种有效的决策分析方法,常被用于解决复杂问题和多方利益冲突的决策过程。
它可以帮助决策者综合考虑多个因素和属性,并量化它们的重要性以进行决策。
多属性决策方法有很多种,其中比较常见的包括层次分析法、TOPSIS法、模糊综合评价法等。
下面将分别介绍这些方法,并比较它们的优缺点。
层次分析法(Analytic Hierarchy Process,简称AHP)是一种基于判断矩阵的多属性决策方法。
AHP将问题层次化,通过构建判断矩阵来比较不同因素和属性的重要性。
它具有结构清晰、易于理解和计算的优点,但其结果可能会受到主观因素的影响。
TOPSIS(Technique for Order of Preference by Similarity to Ideal Solution)法是一种基于距离测度的多属性决策方法。
TOPSIS法将问题转化为求解到理想解的距离,选取距离最小的方案作为最优选择。
它考虑了方案与理想解之间的距离,能够较好地反映方案之间的差异,但对数据的标准化要求较高。
模糊综合评价法是一种基于模糊数学的多属性决策方法。
它通过模糊隶属度函数来描述各个方案与评价指标之间的关系,从而进行综合评价。
由于模糊综合评价法考虑了不确定性因素,因此可以应对实际问题中存在的模糊性和不确定性,但需要确定模糊隶属度函数和权重,对决策者的主观判断要求较高。
在比较这些多属性决策方法的优缺点时,可以根据决策问题的具体特点和需求来选择合适的方法。
如果问题结构清晰且属性间关系可量化,可以选择AHP方法;如果关注方案之间的差异程度,可以选择TOPSIS方法;如果问题存在不确定性和模糊性,可以选择模糊综合评价法。
总之,多属性决策方法是一种在复杂问题和多方利益冲突的决策过程中常用的决策分析方法。
通过综合考虑多个因素和属性,量化它们的重要性,并进行决策选择,可以帮助决策者做出科学、合理的决策。
不同的多属性决策方法各有优缺点,具体选择时需结合问题需求和实际情况进行权衡。
决策分析:有效决策的基本原理与方法决策是我们在日常生活和工作中都面临的一个重要环节。
无论是个人决策还是组织决策,我们都希望通过明智的决策来实现目标并追求成功。
然而,由于信息不完备、环境复杂等原因,我们往往面临着各种各样的决策困境。
在这种情况下,决策分析的方法可以为我们提供一种有效的工具,帮助我们做出明智的决策。
为什么需要决策分析?在做决策时,我们常常面临着不确定性和风险。
我们可能面临的选择很多,每个选择都有可能导致不同的结果。
此外,我们也会受到各种限制和制约,如时间、资金、资源等。
在这种情况下,仅仅依靠直觉和经验可能不足以做出最佳的决策。
决策分析提供了一种科学的方法,可以帮助我们应对这些困境。
通过对决策问题进行分析和建模,决策分析可以帮助我们识别出最重要的因素,分清不同选择之间的优劣,从而为我们提供一个有根据的决策依据。
决策分析的基本原理决策分析的核心原则是系统化和结构化地分析决策问题,以便更好地理解问题的本质和关键因素。
下面,我们将介绍一些决策分析的基本原理。
原理1:明确目标和决策标准在做决策之前,我们首先需要明确我们的目标是什么。
目标可以是一个具体的结果,也可以是一个宏观的方向。
在明确了目标之后,我们还需要定义一套决策标准,用于评估不同选择的优劣。
这些标准可以是定性的,也可以是定量的。
原理2:收集和整理信息在做决策时,我们需要尽可能地收集和整理相关的信息。
信息可以来自内部或外部的来源,可以是定性的或定量的。
通过收集和整理信息,我们可以更好地理解决策问题的背景和环境,从而为我们的决策提供更准确的依据。
原理3:建立决策模型决策模型是决策分析的核心工具之一。
通过建立一个决策模型,我们可以将决策问题转化为一个更具结构性的形式,从而更好地理解问题的本质和关键因素。
决策模型可以是数学模型,也可以是图形模型或其他形式的模型。
原理4:评估选择的潜在结果在做决策时,我们应该考虑不同选择的潜在结果。
这些结果可以是定性的或定量的。
多属性决策方法概要在实际的决策过程中,往往涉及到多个属性,且这些属性往往具有不同的权重和重要性。
例如,在购买一台电脑时,常常需要考虑价格、性能、品牌、售后服务等多个属性。
而这些属性的重要性在不同情况下可能也会有所不同。
因此,多属性决策方法的运用显得尤为重要。
加权综合评估方法是一种常用的多属性决策方法,其基本思想是对每个属性进行加权求和,得到综合评估值。
首先,需要对每个属性进行测量和评估,获得各属性值;然后,给每个属性分配权重,根据其重要性确定权重值;最后,将各个属性的值与对应的权重相乘,得到加权值,将加权值累加即得到综合评估值。
这种方法简单易懂,适用于那些可度量的属性。
层次分析法是一种较为综合全面的多属性决策方法,它可以考虑到各个属性之间的相互关系和重要性。
层次分析法通过构建层次结构来进行决策。
决策者首先将决策问题分解成若干个层次,从目标层次到准则层次,再到方案层次。
然后,利用专家经验或问卷调查等方式,确定各个层次之间的比较矩阵,通过计算得到权重矩阵。
最后,计算各方案的综合得分,选出最优解。
这种方法能够考虑到各个属性之间的相互关系,更加科学准确。
灰色关联分析法是一种基于灰色系统理论的多属性决策方法,它通过计算灰色关联度,确定各个属性之间的相关性。
灰色关联度大的属性具有较高的权重。
灰色关联分析法适用于属性之间的关系比较复杂的情况,能够较为准确地反映属性之间的关联性。
熵权法是一种基于信息论的多属性决策方法,它通过计算属性的信息熵和权重熵,确定各个属性的权重。
熵越大的属性具有较低的权重,熵越小的属性具有较高的权重。
熵权法适用于属性之间相互独立的情况,能够较为准确地反映属性的重要性。
综上所述,多属性决策方法可以帮助决策者在决策过程中全面考虑各个属性的权重和重要性,以便做出更合理和准确的决策。
在实际应用中,决策者可以根据具体情况选择适合的多属性决策方法,并通过综合考虑各个方法的优劣,从而提高决策的效率和准确性。
多属性决策若干方法研究多属性决策是指在决策过程中,考虑到多个决策因素之间的相互影响,对多个因素同时进行评估和分析,以确定最优的决策方案。
在实际生活和工作中,决策者需要准确地把握决策因素的影响,以确保做出正确的决策。
多属性决策方法主要可分为主观和客观两种。
主观评价法主观评价法也称主观赋权法,是将决策因素按照决策者主观意愿进行加权评价的方法。
该方法在实际投入运用较为简单方便,但是存在客观不足的问题。
一般情况下,主观评价法也可以进一步分为:代表性样本法、专家法、模糊综合评价法等。
1.代表性样本法代表性样本法是指利用代表性的事例来说明决策问题,以此支持决策者对事实进行判断。
决策者将各因素按照各自的权重累加得到总分,然后根据得分高低来做出决策。
由于代表性样本法较为直观,不需掌握过多的数学理论知识,且具有较好的操作性,因此受到了广泛的应用。
2.专家法专家法是指在决策日常中,利用专家经验和知识判断各种因素权重,并据此作出决策的方法。
专家法对决策者的专业知识和经验要求较高,但在涉及专业领域时十分有效。
因此在很多领域及行业内得到大量使用。
3.模糊综合评价法模糊综合评价法通过整合好的指标,将分析结果进行模糊化处理,再通过一下先验知识,所采用的数学模型,来进行综合评价。
模糊综合评价法中,涉及到模糊数学的知识,对使用者专业知识要求较高,并需系统地准确分析各种因素。
模糊综合评价法广泛应用于生产、管理、环保等领域。
客观评价法客观评价法也称客观赋权法,是通过数据处理和统计分析的方法,从多个因素中找出对决策结果影响最大的因素,并为各因素分配权重,以此作为决策的依据。
客观评价法可以有适宜型排序法(TOPSIS), 层次分析法(AHP),灰色关联分析法(DEA & GRA),学习算法机器学习,规划算法等。
1.TOPSIS法适宜型排序法(TOPSIS)是一种常用于多属性决策的排名法。
它将各属性分别归一化,计算出属性值的权重和敏感度,之后对所有方案得到由敏感度与权重加权后计算的得分,依据得分为方案排名。
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, 152§10.1概述MA MCMO一、决策矩阵(属性矩阵、属性值表)方案集 X = {x x x m 12,,, }方案 x i 的属性向量 Y i = {y i 1,…,y in } 当目标函数为f j 时, y ij = f j (x i ) 各方的属性值可列成表(或称为决策矩阵):y 1… y j… y nx 1y 11… y j 1… y n 1… …… … … …x i y i 1… y ij … y in… …… …… …x my m 1 …y mj …y mn例: 学校扩建例:表10.1 研究生院试评估的部分原始数据二、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(103)、万(104)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(100)或小数(101 )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。