基于梯形模糊数的指标权重确定方法的应用研究
本文针对多指标决策问题，提出了一种基于梯形模糊数的指标权重确定方法，通过建立成对比较矩阵，采用模糊TOPSIS方法计算各指标相对重要性，并根据各指标关于模糊TOPSIS理想解和理想解的距离确定最终权重。首先利用成对比较法构建指标比较矩阵，再将模糊数矩阵转化为模糊关系矩阵，采用模糊TOPSIS计算各指标相对重要性。最后基于距离确定各指标权重，将其应用于一实际问题实例的权重确定中，验证了本方法的有效性和实用性。
关键词：多指标决策；梯形模糊数；指标权重；模糊TOPSIS；成对比较法
1. 绪论
多指标决策问题在实际应用中十分常见，其目标是在多个评价标准下确定最优决策。而指标权重的确定直接影响到决策结果的可靠性和有效性，可谓是决策过程中的关键环节。因此，指标权重的确定方法一直是研究的热点之一。
传统的指标权重确定方法包括主观赋权法、客观赋权法、层次分析法等。其中，主观赋权法的缺点是容易受主观因素影响，客观赋权法的缺点是需要大量的信息和计算，层次分析法则是对指标层次和权重的赋值较为复杂。针对这些缺点，模糊数学在多指标决策问题中得到了广泛应用。模糊数学基于模糊集理论，将不确定因素引入多指标决策中，因此它更能适应实际需求。
2. 梯形模糊数
梯形模糊数是指在一定范围内存在不确定性的值，具有单峰、有限可积性、分布对称等属性的模糊数。例如，在某个范围内，一个梯形模糊数的取值为0.4，其上限值为0.6，下限值为0.2，则可以表示为（0.2,0.4,0.6），其中0.4是梯形模糊数的切点。在本文中，我们采用梯形模糊数作为指标权重的表达方式。
3. 指标权重的确定方法
3.1 成对比较法构建指标比较矩阵
成对比较法是一种能够比较各指标间相对重要性的方法，其基本思想是两两比较各指标，得出指标间相对比较的信息，建立指标比较矩阵。指标比较矩阵一般为n×n维矩阵，其中n为指标数量，其(i,j)元素a(ij)表示第i个指标相对于第j个指标的重要性，其具体取值为0至1的实数。
确定权重的7种方法
主观赋权
德尔菲专家法
简介
依据“德尔菲法”的基本原理，选择企业各方面的专家，采取独立填表选取权数的形式，然后将他们各自选取的权数进行整理和统计分析，最后确定出各因素，各指标的权数。德尔菲法的主要缺点是过程比较复杂，花费时间较长。
实现方法
选择专家。一般情况下，选本专业领域中既有实际工作经验又有较深理论修养的专家10-30人左右，需征得专家本人同意。
将待定权重的p个指标和有关资料以及统一的确定权重的规则发给选定的各位专家，请他们独立给出各指标的权数值。
回收结果并计算各指标权数的均值和标准差。
将计算的结果及补充资料返还给各位专家，要求所有的专家在新的基础上确定权数。
重复3和4步骤，直至各指标权数与其均值的离差不超过预先给定的标准为止，也就是各专家的意见基本趋于一致， 以此时各指标权数的均值作为该指标的权重。
此外，为了使判断更加准确，令评价者了解己确定的权数把握性大小，还可以运用 “带有信任度的德尔菲法”，该方法需要在上述第5步每位专家最后给出权数值的同时，标出各自所给权数值的信任度。这样，如果某一指标权数的任任度较高时，就可以有较大的把握使用它，反之，只能暂时使用或设法改进。
AHP层次分析法
简介
层次分析法将定量分析与定性分析结合起来，用决策者的经验判断各衡量目标之间能否实现的标准之间的相对重要程度，并合理地给出每个决策方案的每个标准的权数，利用权数求出各指标的重要程度。但该方法主观因素对判断矩阵的影响很大，当决策者的判断过多地受其主观偏好的影响时，结果不够客观。
实现方法
构建层次评价矩阵
构造判断矩阵 构造判断矩阵就是通过各要素之间相互两两比较，并确定各准则层对目标层的权重。简单地说，就是把准则层的指标进行两两判断，通常使用Santy的1-9标度方法给出。 对于m个指标，构建m*m的判断矩阵，并使用确定的标度方法完成该判断矩阵A。
3. 层次单排序 根据构成的判断矩阵，求解各个指标的权重。有两种方式，一种是方根法，一种是和法。
权重法的计算方法
权重法（Weighting method）是一种常用的决策分析方法，用于确定不同因素或评价指标对决策结果的影响程度。权重法的计算方法主要包括主观赋权法、客观权重法和模糊综合评价法等。
1.主观赋权法
主观赋权法是基于专家判断、经验和直觉来确定权重的一种方法。主要步骤如下：
（1）明确决策目标和评价指标：确定决策的目标，并确定与目标相关的评价指标。
（2）选择专家组成员：选择一些相关背景知识丰富的专家组成专家组。
（3）构建专家问卷：编制一份包含决策目标和评价指标的问卷，要求专家按照自己的认识和经验进行排序或打分。
（4）调查专家意见：向专家组发放问卷，收集专家对于各个评价指标的权重意见。
（5）计算权重：根据专家的评分或排序结果，对各指标进行加权计算，得出权重值。
2.客观权重法
客观权重法是利用具体的数据和统计方法来确定权重的方法。常用的方法有随机权重法、特征因子法和层次分析法等。 （1）随机权重法：通过随机生成不同的权重组合，进行模拟计算，并选取多次模拟计算结果中符合一定条件的组合作为权重。
（2）特征因子法：根据样本数据特征因子的大小及其对决策结果的影响程度，来确定权重。常见的特征因子有方差、相关系数、熵等。
（3）层次分析法：将决策问题分层次逐级进行分析和比较，在不同层次上建立判断矩阵，通过计算判断矩阵的特征向量和特征值，从而确定权重。
3.模糊综合评价法
模糊综合评价法是一种将模糊数学理论与统计学方法相结合的权重计算方法。主要步骤如下：
（1）明确评价指标和评价等级：根据决策目标，确定评价指标和评价等级。
（2）建立模糊评价矩阵：将决策问题中的指标与相应的评价等级建立模糊评价矩阵。
（3）确定隶属度函数：根据具体情况，选择适当的隶属度函数，将评价等级转化为模糊数值。
（4）计算权重：根据模糊评价矩阵和隶属度函数，通过模糊综合评价法计算各个评价指标的权重。
以上是权重法的主要计算方法，根据实际应用的情况和需求，选择合适的方法进行权重计算，可以为决策问题的选择和优化提供科学依据。
模糊数学方法
在自然科学或社会科学研究中,存在着许多定义不很严格或者说具有模糊性的概念。这里所谓的模糊性，主要是指客观事物的差异在中间过渡中的不分明性，如某一生态条件对某种害虫、某种作物的存活或适应性可以评价为“有利、比较有利、不那么有利、不利”；灾害性霜冻气候对农业产量的影响程度为“较重、严重、很严重”，等等。这些通常是本来就属于模糊的概念，为处理分析这些“模糊”概念的数据，便产生了模糊集合论。
根据集合论的要求，一个对象对应于一个集合，要么属于，要么不属于，二者必居其一，且仅居其一。这样的集合论本身并无法处理具体的模糊概念。为处理这些模糊概念而进行的种种努力，催生了模糊数学。模糊数学的理论基础是模糊集。模糊集的理论是1965年美国自动控制专家查德(L. A. Zadeh)教授首先提出来的，近10多年来发展很快。
模糊集合论的提出虽然较晚，但目前在各个领域的应用十分广泛。实践证明，模糊数学在农业中主要用于病虫测报、种植区划、品种选育等方面，在图像识别、天气预报、地质地震、交通运输、医疗诊断、信息控制、人工智能等诸多领域的应用也已初见成效。从该学科的发展趋势来看，它具有极其强大的生命力和渗透力。
在侧重于应用的模糊数学分析中，经常应用到聚类分析、模式识别和综合评判等方法。在DPS系统中，我们将模糊数学的分析方法与一般常规统计方法区别开来，列专章介绍其分析原理及系统设计的有关功能模块程序的操作要领，供用户参考和使用。
第1节 模糊聚类分析
1. 模糊集的概念
对于一个普通的集合A，空间中任一元素x，要么xA，要么xA，二者必居其一。这一特征可用一个函数表示为：
AxxAxA()10
A(x)即为集合A的特征函数。将特征函数推广到模糊集，在普通集合中只取0、1两值推广到模糊集中为[0, 1]区间。
定义1 设X为全域，若A为X上取值[0, 1]的一个函数，则称A为模糊集。
