基于属性影响度的多属性决策方法：理论、模型与应用创新

基于属性影响度的多属性决策方法：理论、模型与应用创新一、引言1.1研究背景与意义在当今复杂多变的社会经济环境中，决策问题广泛存在于各个领域，从个人生活中的日常选择，到企业战略规划、政府政策制定等重大事务，决策的科学性和准确性直接影响着行动的效果和目标的实现。多属性决策（MultipleAttributeDecisionMaking，MADM）作为决策科学的重要分支，致力于解决在多个属性或指标影响下，对有限个备选方案进行排序或择优的问题，其理论和方法在工程设计、经济管理、医疗保健、军事战略等诸多领域有着广泛且深入的应用。例如在企业投资决策中，需要综合考虑投资成本、预期收益、市场风险、技术可行性等多个属性；在医疗领域选择治疗方案时，要权衡治疗效果、副作用、治疗费用、康复时间等因素。传统的多属性决策方法在处理属性影响度时存在一定的局限性。常见的传统方法如简单加权法，主要依赖于决策者的主观判断来确定属性权重，这种方式主观性较强，不同决策者可能会给出差异较大的权重分配，缺乏客观的量化依据，导致决策结果的稳定性和可靠性不足。层次分析法（AHP）虽然通过构建层次结构模型和两两比较判断矩阵来确定权重，但判断矩阵的构建过程容易受到决策者主观因素的干扰，且当属性较多时，一致性检验难度增大，可能出现判断不一致的情况。而诸如主成分分析等统计方法，在提取主成分时可能会丢失部分重要信息，难以全面准确地反映各属性对决策结果的真实影响程度。基于属性影响度的多属性决策方法，通过运用数学模型和科学算法对不同属性的影响度进行量化分析，弥补了传统方法的不足。它能够更加客观、准确地刻画各属性在决策中的作用和贡献，为决策提供更具科学性和可靠性的依据。以在智慧城市建设项目的方案选择为例，该方法可以综合考虑经济、环境、社会等多个维度的属性影响度，包括项目成本、对环境污染的影响程度、对居民生活质量的提升作用等，从而筛选出最优方案。这种方法有助于决策者更全面、深入地理解决策问题的本质，避免因主观偏见或信息处理不当而导致的决策失误，提高决策的质量和效果，在复杂决策场景中具有重要的应用价值和实践意义。1.2国内外研究现状多属性决策作为决策科学领域的关键研究方向，一直受到国内外学者的广泛关注。国外在多属性决策理论与方法的研究起步较早，1957年，Churchman、Mack和Aroff首次运用简单加权法处理商业投资策略的多属性决策问题，开启了多属性决策方法研究的先河。随后，1970年代中期，美国运筹学家A.L.Saaty提出了层次分析法（AHP），该方法通过将决策问题层次化，构建递阶层次结构模型，对各层次元素进行两两比较，从而确定属性权重。AHP方法的出现，极大地推动了多属性决策方法在各个领域的应用，为解决复杂决策问题提供了一种有效的工具。1981年，C.L.Hwang提出基于理想点原理的TOPSIS方法，该方法通过确定理想点和负理想点，以各方案与理想点和负理想点的距离作为评价依据，减少了评价者主观因素对评价结果的影响。随着模糊数学的发展，对不确定性多属性决策问题的研究逐渐深入。S.J.Chen和C.L.Hwang认为现实世界中多属性决策问题的方案绩效评价往往具有模糊性，并针对这一特点研究了相应的方法。二十世纪九十年代以来，随着计算机技术的飞速发展，人工智能技术、神经网络、遗传算法和粗集理论等被引入多属性决策领域，进一步丰富了多属性决策的方法体系。例如，2002年SalvatoreGreco提出基于粗集理论的多属性分类方法，该方法通过对数据进行分析和处理，挖掘数据中的潜在信息，为多属性决策提供了新的思路和方法。国内对多属性决策问题的研究始于二十世纪八十年代初期，在确定性多属性决策方法方面取得了丰硕的成果，提出了价值评分法、二项系数加权法、优序法、对比系数法、密切值法、效用函数法、综合评价与排序法、双基点优序法和主客观综合法等十几种方法。同时，国内学者也在不断探索将新的理论和技术应用于多属性决策领域。徐福留、周家贵、淳本纲等将模糊聚类与层次分析相结合，提出多级模糊综合评价法，克服了综合指数法受人为因素影响较大的缺点；徐泽水利用目标方案与理想点和负理想点的夹角余弦，定义目标贴近度概念，进而提出一种基于目标贴近度的多目标决策方法；卜广志、张宇文根据灰色模糊数学的理论，将隶属度和灰度综合起来表示灰色模糊数，给出灰色模糊综合评判方法。针对动态多属性决策问题，戴文战等基于“奖优罚劣”思想构造新颖的转换函数进行规范化处理，并提出多目标多阶段动态决策模型；张新波将灰色关联理论推广到动态情形，引入局部理想最优效果和整体理想域最优效果的概念，提出新型的动态多目标决策问题的灰色关联模型。万树平博士在属性权重完全未知的情况下，引入心态指标，研究决策矩阵元素和偏好信息都为区间数的不确定多属性决策问题。在基于属性影响度的多属性决策方法研究方面，国内外学者也进行了一系列探索。部分研究运用数学模型对不同属性的影响度进行量化分析，通过构建属性影响度指标体系，确定各属性的影响度权重。然而，目前该领域仍存在一些问题和挑战。一方面，属性影响度的量化方法尚不完善，不同的量化方法可能导致结果差异较大，缺乏统一的标准和规范。另一方面，在处理复杂决策问题时，如何综合考虑多个属性之间的相互关系和影响，以及如何有效融合主观和客观信息来确定属性影响度权重，仍然是需要进一步研究的重点。同时，现有研究在实际应用中的案例分析还不够丰富，对方法的有效性和实用性验证不足。在未来的研究中，需要进一步深入探讨属性影响度的量化方法和权重确定机制，加强与实际应用的结合，提高基于属性影响度的多属性决策方法的科学性、准确性和实用性。1.3研究方法与创新点为深入研究基于属性影响度的多属性决策方法，本研究将综合运用多种研究方法，从理论和实践层面展开全面分析。在研究过程中，文献研究法是重要的基础。通过广泛搜集国内外相关的学术文献、研究报告和专业书籍，对多属性决策领域的研究成果进行系统梳理，包括传统多属性决策方法的原理、应用案例以及基于属性影响度的多属性决策方法的研究现状、发展趋势等。全面了解前人在该领域的研究思路、方法和成果，明确已有研究的优势与不足，从而找准本研究的切入点和创新方向。例如，通过研读相关文献，深入剖析传统层次分析法在确定属性权重时受主观因素影响的具体表现，以及现有基于属性影响度方法在量化分析方面的改进措施和存在的问题。理论建模法则是本研究的核心方法之一。从多属性决策的基本原理出发，深入分析属性影响度的内涵和作用机制，运用数学、统计学和运筹学等相关理论，构建科学合理的属性影响度量化模型和多属性决策模型。在构建属性影响度量化模型时，充分考虑属性的类型、数据特征以及属性之间的相互关系，引入适当的数学变换和参数估计方法，提高量化的准确性和可靠性。同时，针对不同的决策场景和需求，结合实际案例，对所构建的模型进行优化和调整，使其更具实用性和可操作性。案例分析法也是必不可少的。选取多个具有代表性的实际决策案例，涵盖不同领域和行业，如企业战略决策、项目投资决策、医疗方案选择等。运用所构建的基于属性影响度的多属性决策方法对这些案例进行详细分析，通过实际数据的计算和结果的对比，验证该方法的有效性和优越性。在企业战略决策案例中，综合考虑市场份额、盈利能力、技术创新能力、品牌影响力等多个属性对企业战略选择的影响度，运用本研究提出的方法进行分析，与传统决策方法的结果进行对比，直观展示新方法在提高决策准确性和科学性方面的优势。本研究的创新点主要体现在以下几个方面。在方法改进上，针对传统多属性决策方法在确定属性权重时主观性强、缺乏客观量化依据的问题，提出了一种基于数据驱动和专家经验相结合的属性影响度量化方法。该方法通过对大量历史数据的挖掘和分析，提取属性之间的内在关系和规律，同时结合专家的专业知识和经验，对量化结果进行修正和完善，从而更准确地反映各属性对决策结果的真实影响程度。在模型构建方面，创新性地将模糊数学和神经网络技术引入基于属性影响度的多属性决策模型中。利用模糊数学处理决策信息中的模糊性和不确定性，通过神经网络的自学习和自适应能力，自动调整模型参数，提高模型对复杂决策问题的适应性和预测能力。在应用领域拓展上，将基于属性影响度的多属性决策方法应用于新兴领域，如人工智能项目评估、新能源产业发展规划等，为这些领域的决策提供新的思路和方法，填补相关领域在决策方法应用方面的空白。二、多属性决策与属性影响度理论基础2.1多属性决策基本概念2.1.1多属性决策定义与特点多属性决策，也被称作有限方案多目标决策，是现代决策科学的关键构成部分。它主要聚焦于在多个属性或指标的综合考量下，从有限个备选方案中挑选出最优方案，或者对这些方案依据优劣程度进行排序的决策过程。以企业投资项目选择为例，需要综合考虑投资回报率、市场潜力、技术难度、政策风险等多个属性，在多个候选投资项目中做出抉择。多属性决策具有一系列显著特点。其具备多个选择方案，在进行决策之前，决策者需要全面权衡众多可行的方案，将其作为评估和选择的基础。就像在选择旅游目的地时，消费者会面临多个不同的城市或景点可供选择。同时，其还具备多个评估属性，决策者必须确定影响方案的多个相关属性，这些属性既可能相互独立，也可能存在关联。在评估一款智能手机时，会涉及到性能、拍照能力、续航能力、外观设计、价格等多个属性，其中性能和拍照能力可能相对独立，但价格与其他属性之间可能存在一定关联，价格较高的手机往往在性能、拍照等方面也更为出色。属性的权重分配也是多属性决策的一大特点。不同属性对于决策者的重要性存在差异，决策者会根据自身的偏好倾向为不同属性分配不同的权重。在选择大学专业时，有的学生更看重专业的就业前景，会赋予就业前景属性较高的权重；而有的学生对学术研究更感兴趣，可能会更注重专业的学术水平，给予学术水平属性较高的权重。并且多属性决策还存在结果的不确定性，由于决策过程中存在信息不完整、未来环境变化等因素，导致决策结果往往存在一定的不确定性。在企业推出新产品时，虽然在决策阶段综合考虑了市场需求、产品成本、竞争对手等多个属性，但由于市场环境的动态变化以及消费者偏好的不确定性，新产品的市场表现仍然存在较大的不确定性。此外，多属性决策还面临着属性间不可公度性的挑战，即各属性没有统一的计量单位或衡量标准，难以直接进行比较。在评估一个城市的发展水平时，会涉及到经济指标（如GDP）、教育资源（如高校数量、教育质量）、生态环境（如空气质量、绿化覆盖率）等属性，这些属性的计量单位和衡量标准各不相同，无法直接进行对比。属性间还存在矛盾性，在多属性决策中，很难找到一个方案能使所有属性都达到最优，往往在改进某一个属性值时，可能会对其他属性产生负面影响。在选择汽车时，追求高性能往往意味着更高的能耗和成本，安全性的提升可能会导致车辆价格上涨等。多属性决策的这些特点决定了其决策过程的复杂性和挑战性，需要运用科学合理的方法和工具来进行分析和处理，以提高决策的准确性和可靠性。多属性决策在众多领域都有着广泛且重要的应用价值。在经济管理领域，它可用于企业战略规划、投资决策、项目评估等。在企业战略规划中，通过综合考虑市场趋势、竞争对手、自身资源等多属性，制定出符合企业发展的战略方案；在投资决策时，权衡投资回报率、风险水平、投资期限等属性，选择最优的投资项目。在工程设计领域，多属性决策可帮助设计师在多个设计方案中，综合考虑性能、成本、可靠性、美观性等属性，确定最佳设计方案。在医疗保健领域，医生在选择治疗方案时，需要考虑治疗效果、副作用、治疗费用、患者身体状况等多属性，为患者制定最适宜的治疗方案。在城市规划领域，规划者在制定城市发展规划时，要综合考虑土地利用、交通布局、环境保护、公共服务设施等多属性，以实现城市的可持续发展。2.1.2多属性决策的一般流程多属性决策的一般流程涵盖了多个关键步骤，这些步骤相互关联、层层递进，共同构成了一个完整的决策体系，以确保能够做出科学合理的决策。确定决策目标是多属性决策的首要任务，这是整个决策过程的出发点和归宿。决策目标应明确、具体、可衡量，并且与决策者的期望和需求紧密契合。在企业制定生产计划时，决策目标可能是在一定成本约束下，最大化产品产量和利润；在个人选择住房时，决策目标或许是找到一个价格合理、交通便利、周边配套设施完善且居住环境舒适的住所。只有清晰界定决策目标，才能为后续的决策分析提供明确的方向。识别属性与方案是决策流程的重要环节。决策者需要全面、深入地分析决策问题，找出影响决策的所有相关属性，并尽可能详细地列出各种可行的备选方案。在评估一款电子产品时，属性可能包括性能、价格、品牌、外观、售后服务等；而在选择旅游线路时，备选方案可能有不同的旅游目的地组合、不同的出行方式和行程安排等。对于属性的识别，要确保其全面性和相关性，避免遗漏重要信息；对于方案的列举，要尽可能涵盖所有可能的情况，以保证决策的全面性和科学性。获取决策信息是为后续决策分析提供数据支持的关键步骤。这包括收集各方案在不同属性下的具体数据以及确定各属性的权重。获取属性值的方法多种多样，可通过实地调研、问卷调查、数据分析、专家评估等方式进行。在评估一款汽车时，可以通过查阅汽车评测报告获取性能数据，通过市场调研了解价格信息，通过咨询专家获取对品牌和质量的评价等。确定属性权重则是反映各属性相对重要性的关键环节，常用的方法有主观赋权法（如德尔菲法、层次分析法等）、客观赋权法（如熵值法、主成分分析法等）以及主客观结合的赋权法。德尔菲法通过多轮专家咨询，让专家们对各属性的重要性进行评价，从而确定权重；熵值法则根据各属性数据的变异程度来确定权重，数据变异程度越大，该属性的权重越高。方案评价排序是运用合适的决策方法对各备选方案进行综合评价，并按照优劣程度进行排序的过程。常见的多属性决策方法有简单加权法、TOPSIS法、ELECTRE法、VIKOR法等。简单加权法是将各方案在不同属性下的属性值乘以相应的权重，然后求和得到各方案的综合得分，根据综合得分进行排序；TOPSIS法通过计算各方案与理想解和负理想解的距离，来确定方案的相对优劣程度，距离理想解越近且距离负理想解越远的方案越优。在选择供应商时，使用TOPSIS法，综合考虑供应商的产品质量、价格、交货期、售后服务等属性，计算各供应商与理想供应商（各属性均为最优）和负理想供应商（各属性均为最差）的距离，从而对供应商进行排序。选择最优方案是多属性决策的最终目的。决策者根据方案评价排序的结果，结合自身的实际需求和偏好，从备选方案中挑选出最符合要求的方案。在企业选择投资项目时，经过前面的步骤对各个投资项目进行评价排序后，企业管理层会根据自身的资金状况、发展战略、风险承受能力等因素，选择最优的投资项目进行实施。在实际决策过程中，可能还需要对所选方案进行敏感性分析，评估属性值和属性权重的变化对决策结果的影响，以确保决策的稳定性和可靠性。2.2属性影响度内涵及意义2.2.1属性影响度的定义与内涵属性影响度是指在多属性决策问题中，某个属性对决策结果产生作用和影响的程度，它是衡量属性在决策过程中相对重要性的关键指标。从本质上讲，属性影响度反映了该属性在区分不同备选方案优劣时所发挥的作用大小。在选择一款智能手机时，性能、拍照、续航、价格等属性都会对最终的购买决策产生影响，而属性影响度就是用来刻画这些属性各自影响力的大小。如果一个消费者对手机的性能要求较高，那么性能属性对其购买决策的影响度就相对较大；反之，如果另一个消费者更看重价格因素，价格属性的影响度在其决策中就更为突出。属性影响度的内涵丰富且具有多维度的特性。一方面，它与属性自身的特性密切相关。一些属性具有较强的决定性作用，如在投资决策中，投资回报率往往是核心属性，其影响度通常较高，因为它直接关系到投资的收益情况，对决策结果有着关键的影响。而另一些属性可能相对次要，如在选择服装时，服装的颜色属性虽然会影响消费者的购买意愿，但相较于款式、质量等属性，其影响度可能较低。另一方面，属性影响度还受到决策环境和决策者偏好的影响。在不同的决策场景下，同一属性的影响度可能会发生变化。在经济繁荣时期，企业在选择投资项目时，可能更注重项目的创新性和市场潜力，此时这两个属性的影响度较高；而在经济衰退时期，企业可能更关注项目的稳定性和风险可控性，相应地，这两个属性的影响度会增大。决策者的个人偏好也会对属性影响度产生显著影响。一个环保主义者在购买汽车时，会更关注汽车的燃油经济性和尾气排放情况，赋予这两个属性较高的影响度；而一个追求驾驶乐趣的消费者，则会更看重汽车的动力性能和操控性，使这些属性在其决策中具有更高的影响度。从数学角度来看，属性影响度可以通过多种方式进行量化表达。常见的方法是将属性影响度与属性权重相关联，通过确定属性权重来反映属性影响度的大小。假设在一个多属性决策问题中，有n个属性X_1,X_2,\cdots,X_n，每个属性的权重分别为w_1,w_2,\cdots,w_n，且\sum_{i=1}^{n}w_i=1。权重w_i越大，说明属性X_i的影响度越高，对决策结果的贡献也就越大。在一个评价学生综合素质的多属性决策问题中，设置学习成绩、社会实践、品德修养三个属性，若学习成绩的权重为0.5，社会实践的权重为0.3，品德修养的权重为0.2，则表明学习成绩属性的影响度最高，在评价学生综合素质时起着更为关键的作用。属性影响度还可以通过属性与决策结果之间的相关性分析、回归分析等方法进行量化，以更准确地揭示属性对决策结果的影响程度。2.2.2属性影响度在多属性决策中的关键作用属性影响度在多属性决策中占据着核心地位，对决策结果的准确性和合理性有着至关重要的影响。它直接关系到决策的科学性和有效性，是多属性决策过程中不可或缺的关键因素。准确确定属性影响度能够显著提高决策结果的准确性。在多属性决策中，每个属性都从不同角度反映了备选方案的特征和优劣。通过合理量化属性影响度，可以更精准地衡量各属性在决策中的相对重要性，从而使决策结果更符合实际情况。在选择供应商时，通常会考虑产品质量、价格、交货期、售后服务等多个属性。如果不能准确确定这些属性的影响度，可能会导致决策失误。若过于强调价格属性，而忽视了产品质量和交货期，可能会选择到价格低廉但质量不稳定、交货不及时的供应商，给企业的生产经营带来严重影响。相反，通过科学的方法确定各属性的影响度，如运用层次分析法、熵值法等，综合考虑各属性的重要性，能够筛选出更符合企业需求的供应商，提高决策的准确性。属性影响度有助于提高决策的合理性。在实际决策过程中，决策者往往需要在多个相互冲突的属性之间进行权衡和取舍。属性影响度为这种权衡提供了重要依据，使决策者能够更清晰地了解各属性对决策目标的贡献程度，从而做出更合理的决策。在制定城市交通规划时，需要考虑交通流量、建设成本、环境保护、居民出行便利性等多个属性。这些属性之间存在着一定的矛盾和冲突，如增加道路建设可以缓解交通拥堵，但可能会增加建设成本和对环境造成一定破坏。通过确定各属性的影响度，决策者可以根据城市的发展战略和实际需求，在这些属性之间进行合理的平衡和协调，制定出更具合理性的交通规划方案。属性影响度还能够增强决策的透明度和可解释性。明确各属性的影响度，使得决策过程更加清晰明了，决策者可以向相关利益者解释决策的依据和理由，增强决策的可信度和说服力。在企业进行战略决策时，向股东、员工等利益相关者说明各属性（如市场份额、盈利能力、技术创新能力等）对决策结果的影响度，能够让他们更好地理解企业的决策思路和战略方向，提高决策的认可度和支持度。属性影响度在多属性决策中起着核心作用，它是提高决策准确性、合理性、透明度和可解释性的关键因素。在多属性决策过程中，必须高度重视属性影响度的确定和分析，运用科学合理的方法，准确量化属性影响度，为决策提供坚实可靠的依据，从而做出更科学、更合理的决策。三、属性影响度量化分析方法3.1主观赋权法3.1.1专家打分法专家打分法，也被称为专家评分法，是一种将定性描述转化为定量分析的方法。该方法以其简便直观、能充分利用专家经验的特点，在多属性决策领域中具有广泛的应用。其操作流程通常包含以下几个关键步骤。首先是确定评价项目，决策者需要依据决策问题的特性和要求，精准挑选出能够全面反映决策问题的评价项目。在评估一款新型电动汽车时，评价项目可能涵盖续航里程、充电速度、安全性、舒适性、价格等多个方面。这些项目应尽可能全面且准确地反映出电动汽车的性能和特点，为后续的评价提供基础。接着是制定评价标准，针对每个评价项目，需制定清晰明确、可操作性强的评价标准。评价标准可以采用等级制，如优秀、良好、中等、较差、差五个等级；也可以使用具体的分数范围，如0-100分。以续航里程为例，若以分数评价，可规定续航里程在500公里以上得80-100分，300-500公里得60-80分，300公里以下得0-60分。明确的评价标准有助于专家进行统一、客观的评价。之后要选择专家，挑选在相关领域具有深厚专业知识、丰富实践经验和敏锐判断力的专家组成评价团队。专家的选择应具有代表性，涵盖不同专业背景、工作经验和研究方向的人员，以确保评价结果的全面性和可靠性。在评估一款新药的疗效时，专家团队可能包括临床医生、药理学家、医学统计学家等。然后是专家打分，专家们根据自己的专业知识和经验，按照既定的评价标准，对每个评价项目进行独立打分。在打分过程中，专家应充分考虑决策问题的各个方面，秉持客观、公正的原则，避免主观偏见和个人情感的影响。最后是结果处理，对专家们给出的分数进行汇总和统计分析。常见的处理方法有算术平均法、加权平均法等。算术平均法是将所有专家对某个评价项目的打分相加，再除以专家人数，得到该评价项目的平均得分。加权平均法则是根据专家的权威性、经验丰富程度等因素，为每个专家的打分赋予不同的权重，然后计算加权平均值。在一个对科研项目的评估中，若有三位专家打分，分别为80分、85分、90分，采用算术平均法，该项目的得分为（80+85+90）÷3=85分；若三位专家的权重分别为0.3、0.4、0.3，采用加权平均法，该项目的得分为80×0.3+85×0.4+90×0.3=85分。专家打分法的优势在于能够充分发挥专家的知识和经验优势，对于一些难以用定量数据准确描述的属性，专家的主观判断能够提供有价值的信息。在评价一款艺术作品时，艺术价值、创新性等属性难以通过具体的数据衡量，专家的打分可以综合考虑多个因素，给出相对合理的评价。然而，该方法也存在明显的局限性，其主观性较强，不同专家由于知识背景、经验水平、个人偏好等因素的差异，可能会给出差异较大的分数，导致评价结果的稳定性和可靠性受到影响。而且，专家打分法没有充分利用原始数据所携带的信息，主要依赖专家的主观判断。以选择旅游目的地为例，假设有三个备选目的地A、B、C，评价属性包括景色、美食、住宿、交通四个方面。邀请五位专家进行打分，采用1-5分的评分标准，1分表示非常差，5分表示非常好。专家打分结果如下表所示：目的地景色美食住宿交通A4334B3443C5234通过算术平均法计算各目的地的综合得分，A的综合得分为（4+3+3+4）÷4=3.5分；B的综合得分为（3+4+4+3）÷4=3.5分；C的综合得分为（5+2+3+4）÷4=3.5分。从得分来看，三个目的地的综合表现相同，但实际上，不同专家对各属性的重视程度可能不同，这可能导致评价结果不够准确。若采用加权平均法，假设景色、美食、住宿、交通的权重分别为0.4、0.2、0.2、0.2，重新计算各目的地的综合得分，A的综合得分为4×0.4+3×0.2+3×0.2+4×0.2=3.6分；B的综合得分为3×0.4+4×0.2+4×0.2+3×0.2=3.4分；C的综合得分为5×0.4+2×0.2+3×0.2+4×0.2=3.8分。此时，根据加权平均法的结果，C目的地的综合表现最佳。3.1.2层次分析法（AHP）层次分析法（AnalyticHierarchyProcess，AHP）由美国运筹学家匹兹堡大学教授萨蒂（T.L.Saaty）于20世纪70年代初提出，是一种将定性与定量分析相结合的多准则决策方法。该方法通过将复杂的决策问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个多层次的分析结构模型，从而将决策问题归结为最低层（供决策的方案、措施等）相对于最高层（总目标）的相对重要权值的确定或相对优劣次序的排定。其原理主要包括以下几个关键步骤。首先是建立层次结构模型，在深入分析实际问题的基础上，将问题所涉及的因素自上而下地分解成若干层次。最高层为目标层，通常只有一个因素，即决策的目的或要解决的问题。中间层为准则层，是为实现总目标而采取的各种措施、方案所必须遵循的准则，当准则过多时（譬如多于9个）应进一步分解出子准则层。最低层为方案层，是决策时的备选方案。对于相邻的两层，称高层为目标层，低层为因素层。在选择投资项目时，目标层是选择最优投资项目；准则层可能包括投资回报率、市场潜力、风险水平、技术可行性等因素；方案层则是具体的投资项目A、B、C等。其次是构造判断矩阵，在确定各层次各因素之间的权重时，为了避免将所有因素放在一起比较的困难，采用两两相互比较的方式。对某一准则下的各方案进行两两对比，并按其重要性程度评定等级。Saaty给出了9个重要性等级及其赋值，构成判断矩阵。判断矩阵具有如下性质：若因素i与因素j相比的重要性程度为a_{ij}，则因素j与因素i相比的重要性程度为a_{ji}=\frac{1}{a_{ij}}，且a_{ii}=1。在评估投资项目时，对于投资回报率这一准则，若投资项目A与投资项目B相比，A的投资回报率更重要，重要性程度赋值为3，则判断矩阵中a_{AB}=3，a_{BA}=\frac{1}{3}。然后是计算单层权向量并做一致性检验，对应于判断矩阵最大特征根的特征向量，经归一化（使向量中各元素之和等于1）后记为W。W的元素为同一层次因素对于上一层次因素某因素相对重要性的排序权值，这一过程称为层次单排序。为了检验判断矩阵的一致性，引入一致性指标CI=\frac{\lambda_{max}-n}{n-1}，其中\lambda_{max}为判断矩阵的最大特征根，n为判断矩阵的阶数。当CI=0时，判断矩阵具有完全一致性；CI接近于0时，有满意的一致性；CI越大，不一致性越严重。为了衡量CI的大小，引入随机一致性指标RI，其值与判断矩阵的阶数有关。一般情况下，如果CR=\frac{CI}{RI}<0.1，则认为该判断矩阵通过一致性检验，否则需要对判断矩阵进行调整。在投资项目评估中，计算出投资回报率准则下各投资项目的权向量，并进行一致性检验，若CR<0.1，则说明判断矩阵合理，权向量有效。最后是计算组合权向量（层次总排序）并做一致性检验，计算某一层次所有因素对于最高层（总目标）相对重要性的权值，称为层次总排序。这一过程是从最高层次到最低层次依次进行的。同样需要进行一致性检验，以确保层次总排序的结果合理可靠。在投资项目选择中，通过层次总排序计算出各投资项目相对于总目标（选择最优投资项目）的综合权重，从而确定最优投资项目。以选择大学专业为例，假设目标是选择一个适合自己的大学专业，准则层包括就业前景、个人兴趣、专业难度、师资力量四个因素，方案层有计算机科学与技术、经济学、法学三个专业。建立的层次结构模型如下：选择适合自己的大学专业|--就业前景||--计算机科学与技术||--经济学||--法学|--个人兴趣||--计算机科学与技术||--经济学||--法学|--专业难度||--计算机科学与技术||--经济学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学|--就业前景||--计算机科学与技术||--经济学||--法学|--个人兴趣||--计算机科学与技术||--经济学||--法学|--专业难度||--计算机科学与技术||--经济学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学||--计算机科学与技术||--经济学||--法学|--个人兴趣||--计算机科学与技术||--经济学||--法学|--专业难度||--计算机科学与技术||--经济学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学||--经济学||--法学|--个人兴趣||--计算机科学与技术||--经济学||--法学|--专业难度||--计算机科学与技术||--经济学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学||--法学|--个人兴趣||--计算机科学与技术||--经济学||--法学|--专业难度||--计算机科学与技术||--经济学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学|--个人兴趣||--计算机科学与技术||--经济学||--法学|--专业难度||--计算机科学与技术||--经济学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学||--计算机科学与技术||--经济学||--法学|--专业难度||--计算机科学与技术||--经济学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学||--经济学||--法学|--专业难度||--计算机科学与技术||--经济学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学||--法学|--专业难度||--计算机科学与技术||--经济学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学|--专业难度||--计算机科学与技术||--经济学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学||--计算机科学与技术||--经济学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学||--经济学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学|--师资力量||--计算机科学与技术||--经济学||--法学||--计算机科学与技术||--经济学||--法学||--经济学||--法学||--法学构造判断矩阵，例如对于就业前景准则下的三个专业，两两比较的判断矩阵可能为：\begin{bmatrix}1&3&5\\\frac{1}{3}&1&3\\\frac{1}{5}&\frac{1}{3}&1\end{bmatrix}计算该判断矩阵的最大特征根、特征向量，并进行一致性检验。假设计算得到的权向量为[0.5396,0.3090,0.1514]^T，一致性比例CR<0.1，通过一致性检验。按照同样的方法，计算其他准则下各专业的权向量。最后计算组合权向量，假设就业前景、个人兴趣、专业难度、师资力量的权重分别为0.4、0.3、0.2、0.1，各专业在不同准则下的权向量已知，则计算机科学与技术专业的综合权重为0.4×0.5396+0.3×0.2+0.2×0.3+0.1×0.4=0.3758；经济学专业的综合权重为0.4×0.3090+0.3×0.3+0.2×0.3+0.1×0.3=0.3036；法学专业的综合权重为0.4×0.1514+0.3×0.5+0.2×0.4+0.1×0.3=0.3206。根据综合权重，计算机科学与技术专业的综合表现最佳。层次分析法的优点显著，它将复杂的决策问题分解为层次结构，使决策过程更加清晰、有条理，便于决策者理解和分析。同时，该方法将定性与定量分析相结合，能够充分利用决策者的经验和判断，为决策提供较为科学的依据。然而，层次分析法也存在一些缺点。判断矩阵的构建依赖于决策者的主观判断，容易受到个人偏好、知识水平等因素的影响，导致判断矩阵的一致性难以保证。当因素较多时，判断矩阵的构造和一致性检验变得复杂，计算量增大。3.2客观赋权法3.2.1熵值法熵值法是一种依据信息熵来衡量属性信息含量，进而确定属性权重的客观赋权方法。其核心原理源于信息论，信息熵被用于度量信息的不确定性，信息熵越小，表明该属性所包含的信息量越大，对决策的影响度也就越高，相应地应赋予其更大的权重。在信息论中，熵是对不确定性的一种度量。对于一个离散型随机变量X，其概率分布为P(X=x_i)=p_i，i=1,2,\cdots,n，则信息熵H(X)的计算公式为H(X)=-\sum_{i=1}^{n}p_i\logp_i。在多属性决策的熵值法中，假设有m个备选方案，n个属性，形成原始决策矩阵X=(x_{ij})_{m\timesn}。首先对原始数据进行标准化处理，对于正向指标，标准化公式为y_{ij}=\frac{x_{ij}-\min_{i=1}^{m}x_{ij}}{\max_{i=1}^{m}x_{ij}-\min_{i=1}^{m}x_{ij}}；对于负向指标，标准化公式为y_{ij}=\frac{\max_{i=1}^{m}x_{ij}-x_{ij}}{\max_{i=1}^{m}x_{ij}-\min_{i=1}^{m}x_{ij}}，得到标准化矩阵Y=(y_{ij})_{m\timesn}。接着计算第j个属性下第i个方案的比重p_{ij}=\frac{y_{ij}}{\sum_{i=1}^{m}y_{ij}}。然后计算第j个属性的熵值e_j=-k\sum_{i=1}^{m}p_{ij}\lnp_{ij}，其中k=\frac{1}{\lnm}，使0\leqe_j\leq1。再计算第j个属性的差异系数g_j=1-e_j，差异系数越大，说明该属性在各方案间的差异越大，对决策的影响越大。最后确定第j个属性的权重w_j=\frac{g_j}{\sum_{j=1}^{n}g_j}。以某企业对五个投资项目进行评估为例，考虑投资回报率、市场份额增长率、风险系数三个属性，原始数据如下表所示：投资项目投资回报率（%）市场份额增长率（%）风险系数A15100.3B1280.4C18120.2D1060.5E1490.35首先对数据进行标准化处理，投资回报率和市场份额增长率为正向指标，风险系数为负向指标。以投资回报率为例，\min_{i=1}^{5}x_{i1}=10，\max_{i=1}^{5}x_{i1}=18，则项目A的标准化值y_{A1}=\frac{15-10}{18-10}=0.625。同理可得其他属性的标准化值，得到标准化矩阵。然后计算各属性下各方案的比重，如投资回报率属性下，项目A的比重p_{A1}=\frac{0.625}{0.625+0.25+1+0+0.5}=0.2381。接着计算各属性的熵值，投资回报率属性的熵值e_1=-k\sum_{i=1}^{5}p_{i1}\lnp_{i1}（k=\frac{1}{\ln5}），计算得e_1\approx0.971。再计算差异系数g_1=1-e_1=0.029。同样方法计算市场份额增长率和风险系数属性的差异系数g_2、g_3。最后计算各属性权重，投资回报率权重w_1=\frac{g_1}{g_1+g_2+g_3}，假设计算得w_1=0.3，w_2=0.4，w_3=0.3。从计算结果可以看出，市场份额增长率属性的权重最高，说明在该企业的投资决策中，市场份额增长率对决策结果的影响度相对较大，投资回报率和风险系数的影响度相对较小。熵值法的优点在于完全依据数据本身的特征来确定权重，避免了主观因素的干扰，具有较高的客观性和准确性。当数据中各属性的变异程度差异较大时，熵值法能够很好地反映出这种差异，从而合理地分配权重。然而，熵值法也存在一定的局限性。它仅考虑了数据的客观信息，没有考虑决策者的主观偏好和经验，在某些情况下，可能会导致权重分配与实际情况不符。熵值法对数据的质量和完整性要求较高，如果数据存在缺失值或异常值，可能会影响权重计算的准确性。3.2.2变异系数法变异系数法是一种根据属性数据的变异程度来确定权重的客观赋权方法。其核心原理基于统计学理论，认为数据变异程度越大的属性，在决策中所包含的信息越多，对决策结果的影响度也就越大，应赋予其更大的权重。在统计学中，变异系数（CoefficientofVariation，CV）用于衡量数据的离散程度，它是标准差与均值的比值。对于一组数据x_1,x_2,\cdots,x_n，均值\overline{x}=\frac{1}{n}\sum_{i=1}^{n}x_i，标准差s=\sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(x_i-\overline{x})^2}，则变异系数CV=\frac{s}{\overline{x}}。在多属性决策的变异系数法中，假设有m个备选方案，n个属性，形成原始决策矩阵X=(x_{ij})_{m\timesn}。首先对原始数据进行标准化处理，消除量纲的影响。对于正向指标和负向指标，可采用极差标准化等方法进行处理。正向指标标准化公式为y_{ij}=\frac{x_{ij}-\min_{i=1}^{m}x_{ij}}{\max_{i=1}^{m}x_{ij}-\min_{i=1}^{m}x_{ij}}；负向指标标准化公式为y_{ij}=\frac{\max_{i=1}^{m}x_{ij}-x_{ij}}{\max_{i=1}^{m}x_{ij}-\min_{i=1}^{m}x_{ij}}，得到标准化矩阵Y=(y_{ij})_{m\timesn}。接着计算第j个属性的均值\overline{y}_j=\frac{1}{m}\sum_{i=1}^{m}y_{ij}，标准差s_j=\sqrt{\frac{1}{m-1}\sum_{i=1}^{m}(y_{ij}-\overline{y}_j)^2}，变异系数CV_j=\frac{s_j}{\overline{y}_j}。最后计算第j个属性的权重w_j=\frac{CV_j}{\sum_{j=1}^{n}CV_j}。以评价五所高校的综合实力为例，选取科研成果、教学质量、师资力量、学生就业四个属性，原始数据如下表所示（数据为模拟，仅用于演示计算过程）：高校科研成果（论文篇数）教学质量（学生评教得分）师资力量（教授人数）学生就业（就业率%）A100855090B80804085C120906095D60753080E90884588首先对数据进行标准化处理，以科研成果为例，\min_{i=1}^{5}x_{i1}=60，\max_{i=1}^{5}x_{i1}=120，高校A的标准化值y_{A1}=\frac{100-60}{120-60}\approx0.667。得到标准化矩阵后，计算各属性的均值、标准差和变异系数。以科研成果属性为例，均值\overline{y}_1=\frac{1}{5}(0.667+0.333+1+0+0.5)\approx0.5，标准差s_1=\sqrt{\frac{1}{5-1}[(0.667-0.5)^2+(0.333-0.5)^2+(1-0.5)^2+(0-0.5)^2+(0.5-0.5)^2]}\approx0.304，变异系数CV_1=\frac{0.304}{0.5}=0.608。同样方法计算其他属性的变异系数CV_2、CV_3、CV_4。最后计算各属性权重，假设计算得科研成果权重w_1=0.3，教学质量权重w_2=0.2，师资力量权重w_3=0.3，学生就业权重w_4=0.2。从结果可以看出，科研成果和师资力量属性的权重较大，说明在评价高校综合实力时，这两个属性的数据变异程度较大，对评价结果的影响度相对较高。变异系数法的优势在于能够直观地反映出各属性数据的离散程度，从而客观地确定属性权重。当各属性数据的变异程度差异明显时，该方法能有效地区分各属性对决策的重要程度。在评估不同城市的经济发展水平时，各城市的GDP、人均收入、产业结构等属性数据变异程度不同，变异系数法可以根据这些差异合理确定各属性权重。但变异系数法也存在一定不足。它只考虑了数据的变异程度，没有考虑属性之间的相关性，当属性之间存在较强相关性时，可能会导致权重分配不合理。变异系数法对异常值较为敏感，如果数据中存在异常值，可能会使变异系数发生较大变化，进而影响权重的准确性。3.3组合赋权法3.3.1主客观组合赋权原理组合赋权法是融合主观赋权法和客观赋权法的优势，旨在克服单一赋权方法的局限性，以更全面、准确地确定属性权重的方法。主观赋权法，如专家打分法、层次分析法等，能够充分体现决策者的经验、知识和偏好，反映决策者对各属性重要性的主观认知。在选择旅游目的地时，决策者根据自己对景色、美食、住宿、交通等属性的喜好程度，运用专家打分法或层次分析法为各属性赋予权重，突出自己关注的重点属性。然而，主观赋权法存在主观性较强的问题，不同决策者的判断可能存在较大差异，导致权重分配的稳定性和可靠性不足。客观赋权法，如熵值法、变异系数法等，则是依据数据自身的特征和规律来确定权重，避免了人为因素的干扰，具有较高的客观性。熵值法根据各属性数据的变异程度，即信息熵的大小来确定权重，变异程度越大，信息熵越小，权重越高；变异系数法通过计算各属性数据的变异系数，变异系数越大，说明该属性在各方案间的差异越大，权重越大。在评估不同企业的经济效益时，运用熵值法或变异系数法，根据企业的财务数据等客观信息确定各评价属性的权重，能够客观地反映企业在不同属性上的表现差异。但客观赋权法也存在一定缺陷，它完全依赖数据，忽视了决策者的主观经验和偏好，有时确定的权重可能与实际情况不符。组合赋权法正是基于上述背景而产生的。其基本原理是将主观赋权法和客观赋权法相结合，通过一定的数学模型或算法，综合考虑决策者的主观判断和数据的客观特征，确定各属性的组合权重。一种常见的组合赋权方法是利用线性加权模型，将主观权重和客观权重进行线性组合。设主观赋权法确定的属性权重向量为W_s=(w_{s1},w_{s2},\cdots,w_{sn})，客观赋权法确定的属性权重向量为W_o=(w_{o1},w_{o2},\cdots,w_{on})，组合权重向量为W_c=(w_{c1},w_{c2},\cdots,w_{cn})，则组合权重的计算公式可以表示为w_{cj}=\alphaw_{sj}+(1-\alpha)w_{oj}，其中\alpha为组合系数，0\leq\alpha\leq1，它反映了主观权重和客观权重在组合权重中的相对重要程度。通过合理调整\alpha的值，可以根据决策问题的特点和需求，灵活地平衡主观因素和客观因素对权重的影响。在一个投资决策案例中，如果决策者对市场趋势和行业发展有较为深入的了解，更注重主观经验判断，可适当增大\alpha的值，使主观权重在组合权重中占比较大；反之，如果数据丰富且可靠，更依赖数据的客观分析，可减小\alpha的值，突出客观权重的作用。组合赋权法的核心在于如何合理确定组合系数\alpha。目前有多种确定组合系数的方法，如最小二乘法、方差最大化法、目标规划法等。最小二乘法通过使组合权重与主观权重、客观权重的偏差平方和最小来确定组合系数；方差最大化法以组合权重下各方案的综合评价结果方差最大为目标，求解组合系数，使各方案之间的差异更加显著，便于区分优劣；目标规划法则是根据决策者对主观因素和客观因素的重视程度，设定不同的目标值，通过求解目标规划模型来确定组合系数。在实际应用中，应根据决策问题的具体情况，选择合适的确定组合系数的方法，以确保组合赋权法能够充分发挥主客观赋权法的优势，准确地确定属性权重，为多属性决策提供可靠的依据。3.3.2常见组合赋权方法及比较常见的组合赋权方法包括乘法合成法、加法合成法、方差最大化法等，它们在原理、计算过程和适用场景等方面存在一定差异。乘法合成法是将主观权重和客观权重相乘，然后进行归一化处理得到组合权重。设主观权重向量为W_s=(w_{s1},w_{s2},\cdots,w_{sn})，客观权重向量为W_o=(w_{o1},w_{o2},\cdots,w_{on})，则组合权重w_{cj}=\frac{w_{sj}w_{oj}}{\sum_{j=1}^{n}w_{sj}w_{oj}}，j=1,2,\cdots,n。该方法的优点是计算简单，能够综合考虑主观和客观信息。在评价一款电子产品时，主观权重反映了消费者对产品外观、品牌等主观因素的重视程度，客观权重基于产品的性能参数等客观数据确定，通过乘法合成法得到的组合权重可以综合体现消费者的主观偏好和产品的客观性能。然而，乘法合成法对主观权重和客观权重的大小较为敏感，当其中一个权重较小时，可能会导致组合权重受其影响较大，使最终权重分配不够合理。加法合成法是将主观权重和客观权重进行线性组合，通过调整组合系数来确定组合权重。如前文所述，组合权重计算公式为w_{cj}=\alphaw_{sj}+(1-\alpha)w_{oj}，其中\alpha为组合系数。加法合成法的优势在于可以通过调整\alpha灵活地平衡主观和客观因素的影响。在项目投资决策中，如果决策者对市场前景有较强的判断能力，可将\alpha设置较大，突出主观权重；若更依赖历史数据和客观分析，可减小\alpha，增强客观权重的作用。但该方法中组合系数\alpha的确定往往具有一定主观性，不同的\alpha值可能导致不同的组合权重，从而影响决策结果。方差最大化法以组合权重下各方案的综合评价结果方差最大为目标来确定组合系数。其原理是使各方案在组合权重下的差异尽可能显著，以便更好地区分方案的优劣。通过构建方差最大化模型，求解得到组合系数，进而确定组合权重。在选择供应商时，运用方差最大化法，能够使各供应商在综合评价结果上的差异更加明显，有助于筛选出更符合需求的供应商。不过，方差最大化法的计算过程相对复杂，需要进行优化求解，且对数据的质量和分布有一定要求，如果数据存在异常值或分布不合理，可能会影响组合权重的准确性。在实际应用中，不同的组合赋权方法适用于不同的场景。当主观信息和客观信息都较为重要且两者的重要程度相对均衡时，乘法合成法和加法合成法都可适用。但如果对主观和客观因素的平衡有明确的偏好，加法合成法通过调整组合系数能更好地满足需求。而方差最大化法更适用于需要突出各方案差异，对方案进行精确筛选和排序的场景。在人才选拔中，为了从众多候选人中选出最优秀的人才，需要使候选人之间的差异尽可能明显，方差最大化法就比较适合。在选择组合赋权方法时，应综合考虑决策问题的特点、数据的可获取性和质量、决策者的偏好等因素，以确保选择的方法能够准确地确定属性权重，为多属性决策提供可靠的支持。四、基于属性影响度的多属性决策模型构建4.1经典多属性决策模型分析4.1.1简单加权法（SAW）简单加权法（SimpleAdditiveWeighting，SAW）是一种广泛应用于多属性决策的基本方法。其核心原理基于属性的线性加权求和，通过为每个属性分配相应的权重，再将各方案在各个属性上的取值与对应权重相乘后累加，得到各方案的综合得分，依据综合得分对方案进行排序，得分最高的方案即为最优方案。假设存在n个备选方案A_1,A_2,\cdots,A_n，m个属性X_1,X_2,\cdots,X_m，方案A_i在属性X_j上的取值为x_{ij}，属性X_j的权重为w_j，则方案A_i的综合得分S_i计算公式为：S_i=\sum_{j=1}^{m}w_jx_{ij}，i=1,2,\cdots,n。以消费者购买手机的决策为例，假设有三款手机A、B、C可供选择，主要考虑性能、拍照、续航、价格四个属性。通过市场调研和自身经验，确定性能、拍照、续航、价格的权重分别为0.3、0.2、0.2、0.3。三款手机在各属性上的评分（满分10分）如下表所示：手机型号性能拍照续航价格A8767B7876C6688根据简单加权法的计算公式，手机A的综合得分S_A=0.3×8+0.2×7+0.2×6+0.3×7=7.1；手机B的综合得分S_B=0.3×7+0.2×8+0.2×7+0.3×6=6.9；手机C的综合得分S_C=0.3×6+0.2×6+0.2×8+0.3×8=7。比较综合得分，S_A>S_C>S_B，所以消费者应选择手机A。简单加权法具有明显的优点，其计算过程简单直接，易于理解和操作。决策者只需确定属性权重和各方案在属性上的取值，即可通过简单的数学运算得出结果。在一些对决策速度要求较高、问题相对简单的场景中，如日常购物决策，简单加权法能够快速有效地帮助决策者做出选择。该方法能够综合考虑多个属性对决策的影响，通过权重的分配体现决策者对不同属性的重视程度。在企业选择原材料供应商时，可以综合考虑供应商的产品质量、价格、交货期、售后服务等属性，根据企业自身需求为各属性赋予权重，运用简单加权法选择出最合适的供应商。然而，简单加权法也存在诸多局限性。该方法假设属性之间相互独立，即一个属性的变化不会影响其他属性对决策的影响。但在实际决策中，很多属性之间存在着复杂的相关性。在评估一款汽车时，汽车的动力性能和燃油经济性往往存在一定的负相关关系，提高动力性能可能会导致燃油经济性下降。简单加权法无法准确处理这种属性间的相关性，可能会使决策结果出现偏差。简单加权法中权重的确定主要依赖于决策者的主观判断，不同决策者由于知识背景、经验水平、个人偏好等因素的差异，可能会赋予属性不同的权重，导致决策结果缺乏客观性和稳定性。而且，简单加权法对于属性值的测量精度要求较高，如果属性值的测量存在误差，可能会对综合得分和决策结果产生较大影响。在评估员工绩效时，如果对工作质量、工作效率等属性的评分存在主观性和不确定性，运用简单加权法得出的绩效评估结果可能不准确。4.1.2逼近理想解排序法（TOPSIS）逼近理想解排序法（TechniqueforOrderPreferencebySimilaritytoanIdealSolution，TOPSIS）由C.L.Hwang和K.Yoon于1981年首次提出，是一种在多属性决策中被广泛应用的方法。其核心原理是借助多属性问题的理想解（正理想解）和负理想解，通过计算各方案与理想解和负理想解之间的距离，来衡量方案的相对优劣程度，从而对方案集合中的各候选方案进行排序。正理想解是指一个设想的最优方案，其各个属性值都达到各备选方案中的最好值；负理想解则是一个设想的最劣方案，其各个属性值都达到各备选方案中的最坏值。在选择投资项目时，正理想解对应的投资项目可能是投资回报率最高、市场潜力最大、风险最小、技术最先进的项目；负理想解对应的项目则是投资回报率最低、市场潜力最小、风险最大、技术最落后的项目。TOPSIS方法的具体应用步骤如下。首先是构建决策矩阵，假设有n个备选方案A_1,A_2,\cdots,A_n，m个属性X_1,X_2,\cdots,X_m，方案A_i在属性X_j上的取值为x_{ij}，则构成决策矩阵X=(x_{ij})_{n\timesm}。在评估五家供应商时，属性包括产品质量、价格、交货期、售后服务等，每家供应商在各属性上的表现构成决策矩阵。接着进行标准化决策矩阵，为消除不同属性量纲的影响，需要对决策矩阵进行标准化处理。常用的标准化方法有向量归一化法，标准化后的元素y_{ij}计算公式为y_{ij}=\frac{x_{ij}}{\sqrt{\sum_{i=1}^{n}x_{ij}^2}}，得到标准化矩阵Y=(y_{ij})_{n\timesm}。对于产品质量属性，若取值范围为80-100分，价格属性取值范围为100-500元，通过标准化处理可使它们处于同一量纲水平，便于后续计算。然后是建立加权标准化决策矩阵，根据各属性的重要性，为每个属性赋予权重w_j，\sum_{j=1}^{m}w_j=1。加权标准化后的元素z_{ij}为z_{ij}=w_jy_{ij}，得到加权标准化矩阵Z=(z_{ij})_{n\timesm}。如果在供应商评估中，认为产品质量最重要，赋予其权重0.4，价格权重为0.3，交货期权重为0.2，售后服务权重为0.1，则可计算出加权标准化矩阵。之后要确定理想解和负理想解，正理想解Z^+的元素z_j^+为z_j^+=\max_{i=1}^{n}\{z_{ij}\}，负理想解Z^-的元素z_j^-为z_j^-=\min_{i=1}^{n}\{z_{ij}\}。在供应商评估的加权标准化矩阵中，找出各属性列的最大值和最小值，分别构成正理想解和负理想解。再计算每个方案与理想解和负理想解的距离，采用欧氏距离公式，方案A_i与正理想解的距离d_i^+为d_i^+=\sqrt{\sum_{j=1}^{m}(z_{ij}-z_j^+)^2}，与负理想解的距离d_i^-为d_i^-=\sqrt{\sum_{j=1}^{m}(z_{ij}-z_j^-)^2}。通过计算各供应商与正、负理想解的距离，可衡量其与最优和最劣方案的差距。最后计算相对贴近度并对方案进行排序，方案A_i的相对贴近度C_i计算公式为C_i=\frac{d_i^-}{d_i^-+d_i^+}，0\leqC_i\leq1。C_i值越大，说明方案A_i越接近正理想解且越远离负理想解，方案越优。根据相对贴近度对各方案进行排序，可确定方案的优劣顺序。在供应商评估中，计算出各供应商的相对贴近度，相对贴近度最高的供应商为最优选择。以某企业选择原材料供应商为例，假设有五家潜在供应商S_1,S_2,S_3,S_4,S_5，考虑产品质量、价格、交货期、售后服务四个属性。经过调查和分析，得到各供应商在各属性上的原始数据（部分数据经过简化处理，仅用于演示计算过程）如下表所示：供应商产品质量（满分10分）价格（元）交货期（天）售后服务（满分10分）S18100107S2712088S3911096S46130119S58115108首先构建决策矩阵，然后进行标准化处理，再根据专家意见确定产品质量、价格、交货期、售后服务的权重分别为0.4、0.3、0.2、0.1，计算加权标准化矩阵。确定正理想解和负理想解，计算各供应商与正、负理想解的距离，进而计算相对贴近度。假设计算结果为C_1=0.45，C_2=0.38，C_3=0.52，C_4=0.35，C_5=0.42。根据相对贴近度排序，C_3>C_1>C_5>C_2>C_4，所以供应商S_3为最优选择。TOPSIS方法的优点显著，它能够充分利用决策矩阵中的所有信息，通过与理想解和负理想解的比较，全面地评估各方案的优劣。该方法对数据的要求相对较低，不需要对数据分布做出特殊假设，具有较强的适应性。在不同领域的多属性决策问题中，如工程设计方案选择、医疗方案评估等，TOPSIS方法都能发挥重要作用。然而，TOPSIS方法也存在一些不足之处。它对数据的尺度较为敏感，当指标间量纲不同时，必须进行标准化处理，否则会影响结果的准确性。在实际应用中，属性权重的确定往往具有一定的主观性，不同的权重分配可能导致不同的决策结果。TOPSIS方法在处理属性间存在相关性的问题时，效果不够理想，可能会影响方案排序的准确性。4.2改进的多属性决策模型构建4.2.1考虑属性关联的决策模型在实际的多属性决策问题中，属性之间往往并非相互独立，而是存在着复杂的关联关系。这些关联关系会对决策结果产生显著影响，若在决策模型中忽视这些关联，可能导致决策结果的偏差和不准确。在投资决策中，投资回报率与市场风险之间通常存在一定的关联，一般来说，投资回报率越高，往往伴随着较高的市场风险。在选择投资项目时，如果只考虑投资回报率和市场风险这两个属性的单独影响，而不考虑它们之间的关联，可能会选择到看似投资回报率高，但实际上风险也极高，超出自身承受能力的项目，从而给投资带来巨大损失。为了更准确地处理属性间的关联关系，构建考虑属性关联的决策模型，可引入属性关联度指标来量化属性之间的关联程度。属性关联度可以通过多种方法进行计算，如皮尔逊相关系数、灰色关联分析等。皮尔逊相关系数用于衡量两个变量之间的线性相关程度，其取值范围在-1到1之间，绝对值越接近1，表明两个变量之间的线性相关性越强；灰色关联分析则更适用于处理数据量少、信息不完全的情况，通过计算各因素之间的灰色关联度，来确定它们之间的关联程度。在评估一款电子产品的性能时，可通过皮尔逊相关系数计算性能属性（如处理器性能、内存大小）与用户体验属性（如运行流畅度、响应速度）之间的关联度，以确定它们之间的关联程度。在确定属性关联度后，需要对传统的多属性决策模型进行改进。以简单加权法为例，传统的简单加权法假设属性之间相互独立，直接将各属性值与权重相乘后求和得到综合得分。在考虑属性关联的情况下，可对权重进行调整，使权重能够反映属性之间的关联关系。一种改进思路是引入属性关联矩阵，该矩阵的元素表示不同属性之间的关联度。对于存在较强关联的属性，适当调整它们的权重分配，避免对决策结果产生重复或过度的影响。假设属性X_i和属性X_j之间存在较强的正关联，在分配权重时，可以适当降低这两个属性的权重之和，以避免它们对综合得分的影响过大。具体的权重调整方法可以根据属性关联矩阵和一定的规则进行计算。在构建考虑属性关联的TOPSIS模型时，同样需要考虑属性关联对理想解和负理想解的影响。在确定正理想解和负理想解时，不仅要考虑各属性的最优值和最劣值，还要考虑属性之间的关联关系。对于存在正关联的属性，在确定正理想解时，应同时考虑这些属性的最优值，以确保正理想解的合理性；对于存在负关联的属性，在确定正理想解和负理想解时，要综合考虑它们之间的相互影响。在评估不同城市的发展水平时，经济发展水平与环境保护水平之间存在一定的负关联，在确定正理想解时，不能仅仅追求经济发展水平的最优值，而忽视环境保护水平，需要在两者之间进行合理的平衡。考虑属性关联的决策模型在实际应用中具有重要意义。它能够更真实地反映决策问题的本质，提高决策结果的准确性和可靠性。在城市规划决策中，考虑土地利用、交通布局、环境保护等属性之间的关联关系，能够制定出更科学、更合理的城市规划方案，实现城市的可持续发展。然而，构建考虑属性关联的决策模型也面临一些挑战，如属性关联度的准确计算、权重调整规则的合理性等，需要进一步的研究和探索。4.2.2基于模糊理论的决策模型在多属性决策过程中，属性信息往往具有模糊性和不确定性。这种模糊性和不确定性可能源于多个方面，如数据的不完整性、测量的误差、决策者认知的局限性以及语言表达的模糊性等。在评估一款新的电子产品时，对于其外观设计是否“美观”、用户体验是否“良好”等属性的描述，往往难以用精确的数值来表示，存在一定的模糊性。传统的多属性决策方法在处理这类模糊信息时存在局限性，难以准确地反映决策问题的实际情况，而模糊理论的引入为解决这一问题提供了有效的途径。模糊理论由美国控制论专家L.A.Zadeh于1965年提出，它打破了传统的精确数学的界限，通过模糊集合、隶属函数等概念来处理模糊信息。在模糊多属性决策模型中，首先需要将属性信息进行模糊化处理。对于定量属性，可以根据其取值范围和实际意义，通过设定合适的隶属函数将其转化为模糊数。常用的隶属函数有三角形隶属函数、梯形隶属函数等。对于定性属性，可以直接用模糊语言变量来表示，如“高”“中”“低”“好”“较好”“一般”“较差”“差”等，并为这些模糊语言变量定义相应的隶属函数。在评估一款汽车的燃油经济性时，若百公里油耗在5-7升为“良好”，则可以定义一个梯形隶属函数，当油耗为5升时，隶属度为1；当油耗在7-8升时，隶属度从1逐渐降为0；当油耗在4-5升时，隶属度保持为1。对于汽车的舒适性这一定性属性，用“好”“较好”“一般”“较差”“差”来表示，并分别定义其隶属函数。确定属性权重是模糊多属性决策模型的关键步骤之一。在模糊环境下，权重的确定方法可以综合考虑主观和客观因素。主观权重可以通过专家调查法、模糊层次分析法等方法确定。模糊层次分析法在传统层次分析法的基础上，引入模糊数来表示专家的判断矩阵，通过模糊运算求解权重，能够更好地处理专家判断的模糊性。客观权重可以采用熵值法、变异系数法等方法，结合模糊信息进行计算。在评估一个投资项目时，通过模糊层次分析法，邀请专家对投资回报率、市场潜力、风险水平等属性的重要性进行模糊判断，构建模糊判断矩阵，计算主观权重；同时，利用熵值法，根据项目的相关数据，计算各属性的客观权重。然后，通过组合赋权的方法，将主观权重和客观权重进行结合，得到最终的属性权重。模糊多属性决策模型的求解过程主要是对模糊信息进行集结和排序。常用的模糊信息集结算子有模糊加权平均（FWA）算子、模糊有序加权平均（FOWA）算子等。FWA算子根据属性权重对模糊数进行加权平均，得到各方案的综合模糊值；FOWA算子则考虑了模糊数的排序位置信息，能够更灵活地处理不同属性的重要性顺序。在选择旅游目的地时，运用FWA算子，将景色、美食、住宿、交通等属性的模糊评价信息和相应权重进行集结，得到每个旅游目的地的综合模糊值。得到综合模