权重的确定方法汇总文档格式.docx
《权重的确定方法汇总文档格式.docx》由会员分享,可在线阅读,更多相关《权重的确定方法汇总文档格式.docx(16页珍藏版)》请在冰豆网上搜索。
但是这种赋权法没有考虑决策者的主观意向,因此确定的权重可能与人们的主观愿望或实际情况不一致,使人感到困惑。
因为从理论上讲,在多属性决策中,最重要的属性不一定使所有决策方案的属性值具有最大差异,而最不重要的属性却有可能使所有决策方案的属性值具有较大差异。
这样,按客观赋权法确定权重时,最不重要的属性可能具有最大的权重,而最重要的属性却不一定具有最大的权重。
而且这种赋权方法依赖于实际的问题域,因而通用性和决策人的可参与性较差,没有考虑决策人的主观意向,且计算方法大都比较繁锁。
从上述讨论可以看出,主观赋权法在根据属性本身含义确定权重方面具有优势,但客观性较差;
而客观赋权法在不考虑属性实际含义的情况下,确定权重具有优势,但不能体现决策者对不同属性的重视程度,有时会出现确定的权重与属性的实际重要程度相悖的情况。
针对主、客观赋权法各自的优缺点,为兼顾到决策者对属性的偏好,同时又力争减少赋权的主观随意性,使属性的赋权达到主观与客观的统一,进而使决策结果真实、可靠。
因此,合理的赋权方法应该同时基于指标数据之间的内在规律和专家经验对决策指标进行赋权。
目前,这种确定权重的主客观信息集成方法的研究已经引起了重视,并且得到了一些初步的研究成果[113]-[115]。
本文在权重的选取上采用了第三类赋权法,即主客观综合赋权法(或称组合赋权法)。
主客观组合赋权法的两种常用方法是:
“乘法”集成法、“加法”集成法。
其公式分别是
,
(4-3)
其中
表示第i个指标的组合权重;
分别为第i各属性的客观权重和主观权重。
前者的组合实质上是乘法合成的归一化处理,该方法使用于指标个数较多、权重分配比较均匀的情况。
后者实质上是线性加权,称为线性加权组合赋权方法。
当决策者对不同赋权方法存在偏好时,
能够根据决策者的偏好信息来确定。
2有序二元比较量化法
本文选用的方法是利用人的经验知识的二元比较量化原理与方法(二元对比模型)去确定主观权重[116]-[120]。
对于定量目标相对优属度的求解,权重的确定需要将方案集X换成目标集G,模糊概念优越性变换为重要性,人的经验知识换成决策者的意向。
但多目标系统决策要求系统目标权重值之和等于“1”,故在系统目标对重要性的相对隶属度的基础上还需要进行归一化。
将m个目标进行二元比较重要性定性排序,经过一致性检验判断与调整得到排序一致性二元对比标度矩阵E。
根据标度矩阵E各行元素值之和,从大到小排列,得到关于优的排序次数,再以排序第1位的目标作为标准,与其他目标进行重要性程度的比较,可得非归一化目标权向量
。
然后进行归一化计算,即可得目标权向量式:
满足
3熵值法
在信息论中,熵是对不确定性的一种度量。
信息量越大,不确定性就越小,熵也就越小;
信息量越小,不确定性越大,熵也越大。
根据熵的特性,我们可以通过计算熵值来判断一个事件的随机性及无序程度,也可以用熵值来判断某个指标的离散程度,指标的离散程度越大,该指标对综合评价的影响越大。
人们在决策中获得信息的多少和质量,是决策的精度和可靠性大小的决定因素之一。
信息论中,信息熵是系统无序程度的度量,信息是系统有序程度的度量,两者绝对值相等,符号相反。
熵是信息论中最重要的基本概念,它表示从一组不确定事物中提供信息量的多少。
在多指标决策问题中,某项指标的变异程度越大,信息熵越小,该指标提供的信息量就越大,那么在方案评价中所取得的作用就越大,该指标的权重也就越大;
反之,某指标的变异程度越小,信息熵越大,该指标所提供的信息量越小,那么该指标的权重也就越小。
根据各指标值的变异程度,利用信息熵计算各指标的权重[121]-[125]。
熵技术就是利用决策矩阵和各指标的输出熵来确定各指标的权系数的一种方法。
若考虑n个方案,m个指标的多指标决策问题的决策矩阵
首先,为了便于计算和优选分析,消除指标间由于量纲不同而带来比较上的困难,可利用标准化公式(4-1)(4-2)将决策矩阵X转变成为标准化决策矩阵R=
定义1(评价指标的熵):
在有n个被评价对象,m个评价指标的评估问题中,第i个评价指标的熵定义为:
i=1,2,…,m;
j=1,2,…,n其中K=
;
并假定,当
=0,
由于
,所以
,也由此可知,
定义2(评价指标的熵权):
在(m,n)评价问题中,第i个评价指标的熵权
定义为:
由上述定义以及熵函数的性质可以得到如下熵权的性质:
(1)各被评价对象在指标i上的值完全相同时,熵值达到最大值1,熵权为0。
这也意味着该指标向决策者未提供任何有用信息,该指标可以考虑被取消。
(2)当各被评价对象在指标i上的值相差较大、熵值较小、熵权较大时,说明该指标向决策者提供了有用的信息。
同时还说明在该问题中,各对象在该指标上有明显差异,应重点考察。
(3)指标的熵越大,其熵权越小,该指标越不重要,而且满足
且
(4)作为权数的熵权,有其特殊意义。
它并不是在决策或评估问题中某指标的实际意义上的重要性系数,而是在给定被评价对象集后各种评价指标值确定的情况下,表示各指标的在竞争意义上的相对激烈程度系数。
(5)从信息角度来考虑,它代表了该指标在该问题中,提供有用信息量的多寡程度。
(6)熵权的大小与被评价对象有直接关系。
熵值法确定各指标的权系数步骤如下:
1)数据的非负数据化处理:
由于熵值法计算采用的是各个方案某一指标占同一指标值总和的比值,因此不存在量纲的影响,不需要进行标准化处理,若数据中有负数,就需要对数据进行非负化处理!
此外,为了避免求熵值时对数的无意义,需要进行数据平移:
对于越大越好的指标:
+1(4-1)
对于越小越好的指标:
+1(4-2)
为了方便起见,仍记非负化处理后的数据为rij。
2)由R=
计算第i项指标下第j个方案占该指标的比重
i=1,2,…,m;
j=1,2,…,n;
(4-4)
3)第i个评价指标
输出的熵
j=1,2,…,n;
(4-5)
4)各目标的熵权系数
i=1,2,…,m(4-6)
该方法的两个缺点:
Ø
缺乏各指标之间的横向比较;
各指标的权重随着样本的变化而变化,权数依赖于样本,在应用上限制。
4.层次分析法(AHP)
1概述
层次分析法,是应用网络系统理论和多目标综合评价方法的一种层次权重决策分析方法。
层次分析法本质是一种决策方法,所谓决策是指在面临多种方案时需要依据一定的标准选择某一种方案,详见《运筹学》。
层次分析法可应用于决策、评价、分析、预测。
2层次分析法的步骤和方法
运用层次分析法构造系统模型时,大体可以分为以下五个步骤:
2.1建立层次结构模型
2.2构造判断矩阵
2.3一致性检验
2.4计算各层权重
2.5总体一致性检验
下面我们依次分析:
2.1建立层次结构模型
层次分析法强调决策问题的层次性,我们必须认清决策目标与决策因素之间的关系。
简单地说,就是处理各个因素之间的包含关系,再把它们放在一个层次结构图中。
一般地,我们把层次结构图分成3个层次:
目标层:
决策的目的、要解决的问题
准则层:
考虑的因素、决策的准则。
方案层:
决策时的备选方案。
作为本文的例子,我们以选择旅游地作为问题,演示层次分析法的过程。
选择旅游地是决策目标那么应放在目标层。
同时我们在选择旅游地时会考虑到不同的因素,如景色、费用等,这些作为准则层。
最后,我们把各个景点纳入考虑的范围,就有方案层。
值得注意的是分层取决于问题本身,所以决策目标不同时,层次结构图就可能大不相同。
这时候,就可能出现多个层次。
2.2构造判断矩阵
建立层次结构图,之后我们就必须讨论同一层因素的权重。
仍用上述例子,这时我们要得出c1,c2,c3……对O的影响权重,可把权重记为:
我们可以直接查找资料,或咨询有关专家的方式得到w。
可是,当影响因素很多时,权重就非常难估计,而且常常不容易被别人接受。
Santy等人提出一致矩阵法,即:
2.2.1不把所有因素放在一起比较,而是两两相互比较。
2.2.2对此时采用相对尺度,以尽可能减少性质不同的诸因素相互比较的困难,以提高准确度。
这意思很简单,如果说a比b重要2倍,b比c重要3倍,这时我们就可以说a,b,c三者的权重为6:
3:
1,归一化之后就有0.6:
0.3:
0.1。
也就是先两两地进行比较权重,最后我们再得到总的权重。
具体情况是这样的,我们用
1,2,3,4……9表示两个因素的权重的相对权重比。
如下表:
这时我们就可以得到判断矩阵,也就是每两个因素的权重比:
(1)
假设我们得到的例子中判断矩阵是:
(2)
如A(2,1)就表示,第一个因素与第二个因素的权重比。
有了判断矩阵,我们就可以得到各个因素的权重。
在
(1)式中,右乘w就有
(3)
也就是说我们只要令(A-n)w=0和|w|=1,就可以算去w。
如a,b,c的判断矩阵为
令(A-3)w=0,就有w=[0.60.30.1]
2.3一致性检验
仔细查看
(2),其实是有问题的。
判断矩阵可能会出现不一致的情况,这时(3)不成立。
如果说a比b重要2倍,b比c重要3倍,然后说c比a重要2倍,这就有问题了。
这就是所谓的不一致现象。
(2)就是出现了这一现象。
那么,这时权重又如何确定。
学过线性代数的话,我们知道(3)中,n是A的特殊值,而w是A的特殊向量。
在出现不一致的情况下,Saaty等人建议用对应于最大特征根λ的特征向量作为权向量w,即
由于λ连续的依赖于aij,则λ比n大的越多,A的不一致性越严重。
用最大特征值对应