多属性决策方法的深度剖析与应用探索

多属性决策方法的深度剖析与应用探索一、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下，决策问题广泛存在于各个领域，从日常生活中的个人选择，如购买何种商品、选择哪条出行路线，到企业运营中的战略规划、投资决策，再到政府部门的政策制定、资源分配，决策无处不在。而随着社会的发展，决策所面临的问题日益复杂，涉及多个相互关联、相互制约的因素，传统的单属性决策方法已难以满足实际需求，多属性决策方法应运而生。多属性决策，也称为有限方案多目标决策，是指在考虑多个属性或指标的情况下，从有限个备选方案中选择最佳方案或对方案进行排序的决策过程。这些属性可以是定量的，如成本、收益、时间等，也可以是定性的，如产品质量、服务满意度、环境影响等。多属性决策方法的核心在于如何处理不同属性之间的权衡和折中，以及如何对备选方案进行整体评价和排序。在工程设计领域，多属性决策方法被广泛应用于方案选择和优化。例如，在汽车设计中，需要考虑多个属性，如安全性、燃油经济性、舒适性、外观设计等。不同的属性之间往往存在冲突，提高安全性可能会增加成本，而追求燃油经济性可能会牺牲一定的动力性能。通过多属性决策方法，可以综合考虑这些属性，找到一个在各属性之间达到平衡的最优设计方案，从而提高汽车的整体性能和市场竞争力。在航空航天工程中，飞行器的设计需要考虑多个属性，如飞行速度、航程、载重能力、可靠性等。这些属性之间相互制约，通过多属性决策方法，可以在满足各种性能要求的前提下，实现飞行器的优化设计，降低研发成本，提高飞行安全性和效率。在经济管理领域，多属性决策方法在企业投资决策、市场营销策略制定、供应链管理等方面发挥着重要作用。在企业投资决策中，投资者需要考虑多个属性，如投资回报率、风险水平、市场前景、行业竞争力等。不同的投资项目在这些属性上表现各异，通过多属性决策方法，可以对各个投资项目进行全面评估，选择最符合企业战略目标和风险承受能力的投资方案，实现企业资源的最优配置。在市场营销策略制定中，企业需要考虑多个属性，如产品定位、价格策略、促销活动、渠道选择等。这些属性相互影响，通过多属性决策方法，可以综合考虑市场需求、竞争对手情况和企业自身实力，制定出最有效的市场营销策略，提高产品的市场占有率和销售额。在供应链管理中，企业需要考虑多个属性，如供应商的交货期、产品质量、价格、售后服务等。通过多属性决策方法，可以选择最合适的供应商，优化供应链结构，降低采购成本，提高供应链的整体效率和可靠性。在医疗保健领域，多属性决策方法在疾病诊断和治疗方案选择中具有重要应用价值。在疾病诊断中，医生需要考虑多个属性，如患者的症状、体征、实验室检查结果、影像学检查结果等。这些属性相互关联，通过多属性决策方法，可以综合分析这些信息，提高疾病诊断的准确性，为患者提供及时有效的治疗。在治疗方案选择中，医生需要考虑多个属性，如治疗效果、治疗风险、治疗成本、患者的身体状况和意愿等。不同的治疗方案在这些属性上各有优劣，通过多属性决策方法，可以根据患者的具体情况，选择最适合的治疗方案，提高治疗效果，减少患者的痛苦和经济负担。多属性决策方法在解决复杂决策问题方面具有重要的理论和实践意义。从理论角度来看，多属性决策方法为决策科学的发展提供了重要的研究方向和方法，丰富了决策理论的内涵。它涉及到数学、统计学、运筹学、管理学等多个学科领域，促进了学科之间的交叉融合，推动了相关学科的发展。从实践角度来看，多属性决策方法为决策者提供了一种科学、系统的决策工具，帮助他们在面对复杂决策问题时，能够综合考虑多个因素，权衡利弊，做出更加合理、准确的决策，提高决策的质量和效果，从而实现资源的优化配置，提高经济效益和社会效益。1.2国内外研究现状多属性决策作为决策科学的重要分支，自诞生以来便受到国内外学者的广泛关注，经过多年发展，取得了丰硕的研究成果。国外对多属性决策方法的研究起步较早。1957年，Churchman、Ackoff首次利用简单加权法解决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。此后，相关研究不断深入，方法持续创新。20世纪70年代中期，美国运筹学家T.L.Saaty提出层次分析法（AHP），该方法将决策问题层次化，通过构建递阶层次结构模型，将复杂问题分解为不同组成因素，再对各因素进行两两比较，确定相对重要性权重，从而实现对方案的综合评价和排序。AHP的提出为多属性决策提供了一种系统、有效的分析方法，在众多领域得到广泛应用，如在城市规划中，运用AHP对不同规划方案的经济、环境、社会等多属性进行评估，以确定最优规划方案。随着模糊数学的发展，模糊多属性决策方法应运而生。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多具有模糊性，在此基础上研究了相应的方法，如模糊综合评价法，该方法通过模糊变换将多个评价因素对被评价对象的影响综合起来，得出总体评价结果，常用于产品质量评价、员工绩效评估等领域。20世纪90年代后，随着计算机技术和人工智能技术的飞速发展，基于人工智能技术、神经网络、遗传算法和粗集理论的多属性决策方法不断涌现。例如，基于神经网络的多属性决策方法利用神经网络的自学习、自适应能力，对多属性决策问题中的复杂非线性关系进行建模和求解，在图像识别、模式分类等领域展现出独特优势；基于遗传算法的多属性决策方法则模拟生物进化过程中的遗传和变异机制，通过对决策方案的不断优化，寻找最优解或近似最优解，在工程优化设计、资源分配等问题中得到应用。国内对多属性决策方法的研究虽起步于20世纪80年代初期，但发展迅速。国内学者在借鉴国外研究成果的基础上，结合实际问题进行创新，提出了多种确定性的多属性决策方法，如价值评分法、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。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，该方法克服了综合指数法受人为因素影响较大的缺点，在环境质量评价、企业竞争力评价等方面具有良好应用效果；徐泽水利用目标方案与理想点和负理想点的夹角余弦，定义了目标贴近度概念，并提出一种基于目标贴近度的多目标决策方法，为多目标决策问题提供了新的解决思路；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，在处理具有模糊性和不确定性的决策问题时具有独特优势。针对动态多属性决策问题，戴文战等基于“奖优罚劣”思想构造了一种新颖的转换函数来进行规范化处理，并提出一种多目标多阶段动态决策模型；张新波将用于固定时间截面下静态多目标决策的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最优效果的概念，提出一种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，推动了不确定多属性决策问题的研究与应用。当前多属性决策方法的研究热点主要集中在以下几个方面：一是区间数多属性决策方法，随着社会经济的发展，人们考虑问题的复杂性、不确定性以及人类思维的模糊性不断增强，决策信息有时以区间数形式表达，且多目标决策问题常带有时间因素，即动态多目标决策问题，因此，寻求科学的区间数动态多属性决策方法具有重要意义；二是灰色多属性群决策方法，多属性群决策是指在考虑多个属性的情况下，由群体选择最优备选方案或进行方案排序的决策问题，具有广泛的理论价值和应用前景，风险型多属性群决策是其重要类型之一，罗党教授探讨了一类属性权重信息未知、属性值为区间灰数的灰色风险型多属性群决策问题，提出基于理想矩阵的优属度决策方法，为解决此类问题提供了新思路；三是将多属性决策方法与新兴技术相结合，如大数据、云计算、区块链等，以应对日益复杂的决策问题，拓展多属性决策方法的应用领域。尽管多属性决策方法在理论研究和实际应用方面取得了显著进展，但仍存在一些不足。一方面，现有方法在处理属性间的复杂关系时，如非线性关系、相互作用关系等，还存在一定局限性，难以准确刻画属性间的内在联系，导致决策结果的准确性和可靠性受到影响；另一方面，在多属性群决策中，如何有效融合不同决策者的意见，减少决策者主观因素对决策结果的影响，提高决策的客观性和科学性，仍是亟待解决的问题；此外，对于一些新兴领域的多属性决策问题，如量子计算领域、人工智能伦理决策领域等，现有的多属性决策方法还难以直接应用，需要进一步探索和创新，以适应新领域的决策需求。1.3研究内容与方法本研究聚焦于多属性决策方法，深入剖析多种经典及前沿方法，并通过对比分析和案例研究揭示其特性与适用场景。研究内容涵盖多种多属性决策方法。一是层次分析法（AHP），将全面阐述其原理，即把复杂决策问题分解为目标、准则、方案等层次，通过两两比较确定各层次元素相对重要性权重，进而构建判断矩阵并进行一致性检验以保障权重合理性。在实际应用中，会结合企业战略选择案例，展示如何运用AHP分析市场前景、竞争优势、技术实力等多属性，确定各属性权重并对备选战略方案排序，选出最契合企业发展的战略。二是TOPSIS法，详细介绍该方法通过构造正理想解和负理想解，计算各方案与理想解的欧氏距离，以相对贴近度对方案排序的过程。在供应商选择决策案例中，以价格、质量、交货期等属性为考量，运用TOPSIS法计算各供应商与理想供应商和最差供应商的距离，依据相对贴近度筛选出最佳供应商。三是模糊综合评价法，阐释其运用模糊数学理论将定性和定量指标转化为模糊评价矩阵，通过模糊变换得出综合评价结果的原理。在员工绩效评估中，对工作业绩、工作能力、工作态度等模糊性较强的指标，运用模糊综合评价法进行量化评估，确定员工绩效等级。四是灰色关联分析法，深入探讨其通过计算各方案属性值与理想参考序列的灰色关联度，判断方案优劣的原理。在投资项目评估中，面对信息不完全明确的情况，运用灰色关联分析法分析投资回报率、风险水平、市场潜力等属性与理想投资项目属性的关联度，筛选出优质投资项目。研究将对上述多属性决策方法进行对比分析。从方法原理角度，深入剖析各方法在处理属性权重确定、方案评价与排序等关键环节的差异，明确其内在逻辑和理论基础；在适用范围方面，依据不同决策问题的特点，如属性的确定性与不确定性、决策环境的稳定性等，归纳各方法的适用场景，为决策者提供方法选择依据；针对计算复杂度，评估各方法在数据处理、矩阵运算等方面的难易程度和计算量，考量其对计算资源和时间的需求；从决策结果准确性层面，通过理论分析和实际案例验证，对比各方法在不同决策情境下的结果与实际情况的契合度，分析影响准确性的因素。在研究方法上，采用多种方法相结合的方式。案例分析法，选取企业管理、工程建设、经济投资等领域的实际多属性决策案例，详细分析各方法在案例中的应用过程和结果，直观展示方法的实际操作和效果；对比研究法，对不同多属性决策方法从多个维度进行对比，清晰呈现各方法的优势与局限，为决策者在不同情境下选择合适方法提供参考；文献研究法，广泛查阅国内外相关文献资料，梳理多属性决策方法的发展脉络、研究现状和前沿动态，汲取已有研究成果和经验，为研究提供坚实的理论支撑；实证研究法，收集实际决策数据，运用统计分析、模拟仿真等手段对方法进行验证和优化，提高研究结论的可靠性和实用性。二、多属性决策理论基础2.1多属性决策的基本概念多属性决策，作为现代决策科学的关键构成，是在综合考量多个属性的情况下，从有限个备选方案里挑选出最优方案或者对方案进行排序的决策过程。其在现实生活和各专业领域中广泛存在，如消费者在购买汽车时，会综合考虑价格、性能、舒适度、安全性、品牌等多个属性，在不同品牌和型号的汽车中做出选择；企业在进行投资项目选择时，需要评估项目的预期收益、投资风险、市场前景、技术可行性等多个属性，从而确定最优投资方案。多属性决策主要涵盖三个核心要素：备选方案、属性以及权重。备选方案是决策过程中可供选择的具体方案或行动路线，这些方案是基于对决策问题的分析和理解而提出的，它们代表了决策者在面对问题时的不同选择可能性。例如，在城市规划中，对于交通枢纽的建设，可能存在多种备选方案，如不同的选址方案、不同的设计方案等；在企业产品研发决策中，针对新产品的研发方向，可能有不同的技术路线、不同的功能定位等多种备选方案。属性，也被称为指标或准则，是用于衡量和评价备选方案优劣的具体因素或特征。属性可以是定量的，如成本、收益、时间、重量、尺寸等，这些属性能够通过具体的数值进行精确度量；也可以是定性的，如产品质量、服务满意度、员工工作态度、环境影响、社会声誉等，定性属性通常难以直接用数值表示，需要通过一定的方法进行量化处理，如采用专家打分、问卷调查等方式将其转化为数值形式，以便于在决策过程中进行分析和比较。在选择旅游目的地时，景色、美食、住宿条件、交通便利性、旅游费用等都是重要的属性。景色和美食等属性具有一定的主观性，不同人对其评价可能存在差异；而旅游费用和交通便利性等属性则相对客观，能够通过具体的数据进行衡量。权重体现了各个属性在决策过程中的相对重要程度，反映了决策者对不同属性的偏好和重视程度。权重的确定是多属性决策中的关键环节，其合理性直接影响决策结果的准确性和可靠性。确定权重的方法有很多种，大致可分为主观赋权法、客观赋权法和主客观结合赋权法。主观赋权法主要依据决策者的经验、知识和主观判断来确定权重，如层次分析法（AHP）、专家打分法等。以层次分析法为例，决策者通过对各属性进行两两比较，构建判断矩阵，进而计算出各属性的相对权重。这种方法能够充分体现决策者的主观意愿，但受主观因素影响较大，不同决策者可能给出不同的权重结果。客观赋权法则是基于数据本身的特征和变异程度来确定权重，如熵权法、主成分分析法等。熵权法通过计算各属性的信息熵，根据信息熵的大小来确定属性的权重，信息熵越小，说明该属性的变异程度越大，提供的信息量越多，其权重也就越大。客观赋权法不受决策者主观因素的干扰，具有较强的客观性，但可能无法完全反映决策者的偏好。主客观结合赋权法结合了主观赋权法和客观赋权法的优点，既考虑了决策者的主观意愿，又利用了数据本身的信息，从而使权重的确定更加科学合理，如层次分析法-熵权法、模糊综合评价法-主成分分析法等。在投资决策中，如果决策者更注重投资的安全性，那么风险水平这一属性的权重就会相对较高；如果决策者追求高收益，那么预期收益属性的权重就会被赋予更大的值。在实际决策中，这三个要素相互关联、相互影响。不同的备选方案在各个属性上表现各异，而属性的重要程度通过权重体现，决策者需要综合考虑这些因素，权衡各方案在不同属性上的优劣，从而做出最优决策。在选择供应商时，不同供应商在产品价格、质量、交货期、售后服务等属性上的表现各不相同。有的供应商价格较低，但质量可能相对一般；有的供应商质量可靠，但交货期较长；还有的供应商售后服务周到，但价格较高。此时，采购企业需要根据自身的需求和战略目标，确定各属性的权重，然后对不同供应商进行综合评价和比较，最终选择出最符合企业利益的供应商。2.2属性权重确定方法属性权重确定是多属性决策的核心环节，其合理性直接关乎决策结果的准确性与可靠性。不同的权重确定方法各有特点，适用于不同的决策情境。在实际应用中，需根据具体问题的性质、数据的可得性以及决策者的偏好等因素，选择合适的权重确定方法，以确保多属性决策的科学性和有效性。2.2.1主观赋权法主观赋权法主要依据决策者的知识、经验和主观判断来确定属性权重，充分体现了决策者对各属性重要性的认知和偏好。这类方法在决策过程中融入了决策者的主观意愿，能够较好地反映决策问题的实际背景和决策者的意图。然而，由于其主观性较强，不同决策者可能会给出不同的权重结果，导致决策结果的稳定性和客观性受到一定影响。层次分析法（AnalyticHierarchyProcess，AHP）是主观赋权法中极具代表性且应用广泛的一种方法。由美国运筹学家T.L.Saaty于20世纪70年代中期提出，它将复杂的决策问题分解为目标、准则、方案等不同层次，通过构建递阶层次结构模型，将定性与定量分析相结合，实现对各层次元素相对重要性权重的确定。AHP的基本原理是把复杂问题按层次分解成各个组成因素，再按支配关系分组形成有序的递阶层次结构。在同一层次内，通过两两比较的方式确定诸因素之间的相对重要性权重。下一层次因素的重要性，既要考虑本层次因素的权重，又要考虑上一层次因素的权重，逐层计算，直至得到最后一层各方案相对于目标的权重大小。以企业选择新的办公地点为例，运用AHP确定各属性权重的步骤如下：建立层次结构模型：将决策问题分为目标层、准则层和方案层。目标层为选择最佳办公地点；准则层包括交通便利性、租金成本、周边配套设施、办公环境等属性；方案层则是具体的备选办公地点，如地点A、地点B、地点C等。构造两两比较判断矩阵：对于准则层的每个属性，决策者对方案层的各个方案进行两两比较，判断它们对于该属性的相对重要程度。采用Saaty提出的1-9标度方法来量化这种比较结果，构造判断矩阵。例如，对于交通便利性这一属性，若决策者认为地点A比地点B稍微重要，那么在判断矩阵中对应的元素取值为3；若认为地点A比地点C明显重要，则对应元素取值为5。判断矩阵A中的元素a_{ij}表示第i个方案相对于第j个方案对于某一属性的重要性程度，且满足a_{ij}=1/a_{ji}，a_{ii}=1。计算相对权重：通过计算判断矩阵的最大特征值\lambda_{max}及其对应的特征向量，对特征向量进行归一化处理，得到各方案对于该属性的相对权重。计算最大特征值和特征向量的方法有多种，如和法、根法等。以和法为例，首先将判断矩阵A按列归一化，得到矩阵Q；然后将Q中的元素按行相加，得到向量V；最后对V进行归一化处理，得到最大特征值对应的特征向量W，W即为各方案对于该属性的相对权重。一致性检验：由于判断矩阵是基于决策者的主观判断构建的，可能存在不一致的情况，因此需要进行一致性检验。计算一致性指标CI=(\lambda_{max}-n)/(n-1)，其中n为判断矩阵的阶数；再查找平均随机一致性指标RI，根据不同的n值，RI有对应的参考值；计算一致性比率CR=CI/RI。当CR≤0.1时，认为判断矩阵具有满意的一致性，权重结果是可以接受的；否则，需要重新调整判断矩阵，直至通过一致性检验。计算合成权重：将准则层各属性的权重与方案层各方案相对于每个属性的权重进行加权求和，得到各方案相对于目标层的合成权重。假设准则层有m个属性，其权重分别为w_1,w_2,\cdots,w_m，方案层有n个方案，第i个方案相对于第j个属性的权重为v_{ij}，则第i个方案相对于目标层的合成权重W_i=\sum_{j=1}^{m}w_j\timesv_{ij}。通过比较各方案的合成权重大小，即可对方案进行排序，选择合成权重最大的方案作为最佳方案。在上述企业选择办公地点的例子中，经过一致性检验确保判断矩阵合理后，计算出各备选办公地点相对于目标层的合成权重，权重最大的地点即为最适合企业的办公地点。AHP通过将复杂的决策问题层次化、结构化，使决策者能够系统地分析各属性之间的关系，从而较为准确地确定属性权重，为多属性决策提供了一种有效的分析工具。但AHP也存在一定的局限性，如受决策者主观因素影响较大，当决策问题涉及的属性较多时，判断矩阵的构建和一致性检验会变得较为复杂，且该方法只能从原有方案中选择，难以产生新的更优方案。2.2.2客观赋权法客观赋权法是基于数据本身的特征和变异程度来确定属性权重，其核心在于通过对数据的分析，挖掘数据中蕴含的信息，从而确定各属性的相对重要性。与主观赋权法相比，客观赋权法不受决策者主观因素的干扰，能够更客观地反映属性的实际重要程度。然而，由于其完全依赖数据，可能无法充分考虑决策者的特殊需求和偏好，在某些情况下，决策结果可能与决策者的期望存在偏差。熵权法（EntropyWeightMethod，EWM）是一种典型的客观赋权法，广泛应用于多指标综合评价、决策分析和系统优化等领域。其基本原理基于信息熵的概念，信息熵是信息论中的一个重要概念，用于描述事件的不确定性或无序程度。在多属性决策中，信息熵越小，表示该属性的变异性越大，提供的信息量越多，因此其权重也越大。这是因为变异程度大的属性在区分不同方案时具有更强的能力，能够为决策提供更多有价值的信息。以评估不同供应商的绩效为例，阐述熵权法确定权重的具体步骤：数据归一化：原始数据往往具有不同的量纲和数量级，为了消除量纲的影响，确保各指标在同一标准下可比，需要对原始数据进行归一化处理。假设有m个供应商，n个评价指标，原始数据矩阵为X=[x_{ij}]，其中i=1,2,\cdots,m表示供应商个数，j=1,2,\cdots,n表示指标个数。常用的归一化方法有极差标准化、Z-score标准化等。以极差标准化为例，对于效益型指标（值越大越好的指标），标准化公式为r_{ij}=\frac{x_{ij}-\min_{i}x_{ij}}{\max_{i}x_{ij}-\min_{i}x_{ij}}；对于成本型指标（值越小越好的指标），标准化公式为r_{ij}=\frac{\max_{i}x_{ij}-x_{ij}}{\max_{i}x_{ij}-\min_{i}x_{ij}}，得到标准化矩阵R=[r_{ij}]。计算概率：将归一化后的数据转换为概率矩阵，即计算每个供应商在每个指标上的相对重要性。对于第j个指标，第i个供应商的概率p_{ij}=\frac{r_{ij}}{\sum_{i=1}^{m}r_{ij}}，形成概率矩阵P=[p_{ij}]。计算信息熵：根据概率矩阵计算每个指标的信息熵值e_j，公式为e_j=-k\sum_{i=1}^{m}p_{ij}\ln(p_{ij})，其中k=\frac{1}{\ln(m)}。当所有p_{ij}相等时，熵值达到最大，即e_j=\ln(m)。信息熵值越小，说明该指标的变异性越大，信息量越多。计算权重：根据信息熵值计算各指标的权重w_j，公式为w_j=\frac{1-e_j}{\sum_{j=1}^{n}(1-e_j)}，并进行归一化处理，使得所有指标的权重之和为1。权重w_j反映了第j个指标在整个评价体系中的相对重要程度。在评估供应商绩效时，通过熵权法计算出各评价指标（如产品质量、交货期、价格、售后服务等）的权重后，结合各供应商在这些指标上的实际表现，就可以对供应商进行综合评价和排序，选择出绩效最优的供应商。熵权法的优点在于客观性强，能够充分利用数据本身的信息，科学地确定属性权重。但它也存在一些缺点，如对数据质量要求较高，如果数据存在异常值或缺失值，可能会影响最终的权重结果；计算复杂度较高，尤其是在处理大量指标时，计算过程较为繁琐。2.3属性值规范化方法在多属性决策中，不同属性往往具有不同的量纲和数量级，这会对决策结果产生显著影响。例如，在评价一个投资项目时，成本可能以万元为单位，而收益可能以百万元为单位，若直接对这些属性值进行分析和比较，成本属性可能会被收益属性掩盖，无法准确反映其在决策中的重要性。为了消除属性量纲差异，使各属性具有可比性，需要对属性值进行规范化处理。以下介绍几种常见的规范化方法及其原理和计算步骤。2.3.1线性变换法线性变换法是一种简单直观的规范化方法，它通过线性函数将原始属性值映射到一个特定的区间，通常是[0,1]区间。根据属性类型的不同，线性变换法可分为以下两种情况。效益型属性（值越大越好的属性）：设原始属性值为x_{ij}，其中i=1,2,\cdots,m表示方案个数，j=1,2,\cdots,n表示属性个数。规范化后的属性值y_{ij}计算公式为：y_{ij}=\frac{x_{ij}-\min_{i}x_{ij}}{\max_{i}x_{ij}-\min_{i}x_{ij}}该公式的原理是，先计算原始属性值与最小值的差值，再除以属性值的极差（最大值与最小值的差值），从而将属性值映射到[0,1]区间。例如，在评价不同品牌汽车的燃油经济性时，某品牌汽车的百公里油耗为x_{ij}=7升，所有品牌汽车百公里油耗的最小值为\min_{i}x_{ij}=5升，最大值为\max_{i}x_{ij}=10升，则该品牌汽车燃油经济性属性的规范化值为：y_{ij}=\frac{7-5}{10-5}=\frac{2}{5}=0.4成本型属性（值越小越好的属性）：对于成本型属性，规范化后的属性值y_{ij}计算公式为：y_{ij}=\frac{\max_{i}x_{ij}-x_{ij}}{\max_{i}x_{ij}-\min_{i}x_{ij}}此公式与效益型属性的计算公式类似，只是将分子变为最大值与原始属性值的差值，以确保值越小的属性在规范化后越大，符合决策时对成本型属性的偏好。例如，在比较不同供应商的产品价格时，某供应商的产品价格为x_{ij}=100元，所有供应商产品价格的最小值为\min_{i}x_{ij}=80元，最大值为\max_{i}x_{ij}=120元，则该供应商产品价格属性的规范化值为：y_{ij}=\frac{120-100}{120-80}=\frac{20}{40}=0.5线性变换法的优点是计算简单，易于理解和实现，能够有效消除属性量纲差异，使不同属性在同一尺度下进行比较。然而，该方法对极端值较为敏感，如果原始数据中存在异常值，可能会导致规范化后的数据分布发生较大变化，影响决策结果的准确性。例如，在上述燃油经济性的例子中，如果存在一个品牌的汽车百公里油耗异常高，达到20升，那么该品牌汽车的规范化值将接近1，而其他正常品牌汽车的规范化值可能都在0-0.5之间，这会使燃油经济性这一属性在决策中的权重分配发生偏差。2.3.2功效系数法功效系数法是根据多目标规划原理，对每一项评价指标确定一个满意值和不允许值，以满意值为上限，以不允许值为下限，计算各指标实现满意值的程度，并以此确定各指标的分数，再经过加权平均进行综合，从而评价被研究对象的综合状况。其基本原理是通过一定的数学变换，将不同量纲的属性值转化为可以综合比较的功效系数。设第i个方案的第j个属性的原始值为x_{ij}，满意值为x_{jh}，不允许值为x_{js}，则功效系数d_{ij}的计算公式为：d_{ij}=\frac{x_{ij}-x_{js}}{x_{jh}-x_{js}}\times40+60这里将功效系数的取值范围设定为[60,100]，其中60分表示达到基本要求，100分表示达到理想状态。若原始属性值恰好等于不允许值x_{js}，则功效系数为60；若原始属性值恰好等于满意值x_{jh}，则功效系数为100。当原始属性值在不允许值和满意值之间时，按照上述公式线性计算功效系数。例如，在评价企业经济效益时，设定某企业的销售收入满意值为1000万元，不允许值为500万元，该企业实际销售收入为800万元，则其销售收入属性的功效系数为：d_{ij}=\frac{800-500}{1000-500}\times40+60=\frac{300}{500}\times40+60=0.6\times40+60=24+60=84对于逆指标（即值越小越好的属性），在计算功效系数时，公式变为：d_{ij}=\frac{x_{jh}-x_{ij}}{x_{jh}-x_{js}}\times40+60例如，在评价企业成本控制能力时，设定某企业的成本满意值为500万元，不允许值为800万元，该企业实际成本为600万元，则其成本属性的功效系数为：d_{ij}=\frac{800-600}{800-500}\times40+60=\frac{200}{300}\times40+60\approx0.67\times40+60=26.8+60=86.8功效系数法的优点在于能够根据决策者的期望和要求，确定满意值和不允许值，从而更灵活地反映决策者的偏好。它不仅可以消除属性量纲差异，还能对属性值进行合理的量化评价，适用于对多个方案进行综合评价和排序。但该方法中满意值和不允许值的确定具有一定主观性，不同的取值可能会导致评价结果的差异。例如，在上述企业经济效益评价中，如果将销售收入的满意值设定为1200万元，不允许值设定为600万元，那么同样是800万元的销售收入，其功效系数将变为：d_{ij}=\frac{800-600}{1200-600}\times40+60=\frac{200}{600}\times40+60\approx0.33\times40+60=13.2+60=73.2与之前设定的满意值和不允许值下计算出的功效系数84不同，这说明满意值和不允许值的选择对评价结果有较大影响。三、经典多属性决策方法及案例分析3.1TOPSIS法3.1.1方法原理与步骤TOPSIS（TechniqueforOrderPreferencebySimilaritytoanIdealSolution）法，即逼近理想解排序法，由C.L.Hwang和K.Yoon于1981年首次提出，是一种常用的多属性决策方法，能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。该方法的核心思想是通过构造正理想解和负理想解，计算各方案与正理想解和负理想解之间的距离，以各方案与正理想解的相对贴近度作为评价准则，对方案进行排序，从而选出最优方案。正理想解是设想的最优解，其各个属性值都达到各备选方案中的最好的值；负理想解是设想的最劣解，其各个属性值都达到各备选方案中的最坏的值。方案排序的规则是把各备选方案与理想解和负理想解做比较，若其中有一个方案最接近理想解，而同时又远离负理想解，则该方案是备选方案中最好的方案。例如，在选择一款手机时，考虑价格、性能、拍照能力、电池续航等属性，正理想解的手机可能是价格最低、性能最强、拍照效果最佳、电池续航最长的手机；负理想解的手机则是价格最高、性能最差、拍照能力最弱、电池续航最短的手机。而实际的备选手机方案在这些属性上的表现各不相同，通过TOPSIS法计算它们与正、负理想解的距离，就能判断出哪款手机在综合性能上更优。TOPSIS法的具体步骤如下：数据预处理：在实际决策问题中，原始数据可能包含不同量纲和数量级的属性，这会对后续计算产生影响。因此，首先需要对原始数据进行规范化处理，以消除量纲差异，使各属性具有可比性。常用的规范化方法有线性变换法、向量规范化法等。以线性变换法为例，设原始决策矩阵为X=(x_{ij})_{m\timesn}，其中m为方案数，n为属性数。对于效益型属性（值越大越好的属性），规范化公式为r_{ij}=\frac{x_{ij}}{\sqrt{\sum_{i=1}^{m}x_{ij}^{2}}}；对于成本型属性（值越小越好的属性），规范化公式为r_{ij}=\frac{\max_{i}x_{ij}-x_{ij}}{\max_{i}x_{ij}-\min_{i}x_{ij}}。经过规范化处理后，得到规范化决策矩阵R=(r_{ij})_{m\timesn}。确定属性权重：属性权重反映了各属性在决策中的相对重要程度，其确定方法有主观赋权法、客观赋权法和主客观结合赋权法等。主观赋权法如层次分析法（AHP），通过决策者对各属性进行两两比较，构建判断矩阵，计算各属性的相对权重；客观赋权法如熵权法，根据各属性数据的变异程度确定权重。假设通过某种方法确定的属性权重向量为W=(w_1,w_2,\cdots,w_n)，其中w_j表示第j个属性的权重，且\sum_{j=1}^{n}w_j=1。构造加权规范化决策矩阵：将规范化决策矩阵R与属性权重向量W相乘，得到加权规范化决策矩阵V=(v_{ij})_{m\timesn}，其中v_{ij}=w_j\timesr_{ij}。加权规范化决策矩阵综合考虑了各属性的重要程度和方案在各属性上的表现，为后续计算方案与理想解的距离提供数据基础。确定正理想解和负理想解：正理想解A^+和负理想解A^-分别由加权规范化决策矩阵V中的各属性的最优值和最劣值组成。对于效益型属性，A^+=(v_1^+,v_2^+,\cdots,v_n^+)，其中v_j^+=\max_{i}v_{ij}；对于成本型属性，v_j^+=\min_{i}v_{ij}。负理想解A^-=(v_1^-,v_2^-,\cdots,v_n^-)，对于效益型属性，v_j^-=\min_{i}v_{ij}；对于成本型属性，v_j^-=\max_{i}v_{ij}。计算各方案与正、负理想解的距离：采用欧氏距离公式计算各方案与正理想解A^+和负理想解A^-的距离。第i个方案与正理想解的距离D_i^+=\sqrt{\sum_{j=1}^{n}(v_{ij}-v_j^+)^2}，与负理想解的距离D_i^-=\sqrt{\sum_{j=1}^{n}(v_{ij}-v_j^-)^2}。距离D_i^+越小，说明方案i越接近正理想解；距离D_i^-越大，说明方案i越远离负理想解。计算各方案的相对贴近度：相对贴近度C_i是衡量方案优劣的关键指标，其计算公式为C_i=\frac{D_i^-}{D_i^++D_i^-}，C_i的取值范围在0到1之间。C_i越接近1，表示方案i越接近正理想解且远离负理想解，该方案越优；C_i越接近0，表示方案i越接近负理想解，该方案越劣。方案排序：根据各方案的相对贴近度C_i对方案进行排序，C_i值越大的方案越优，从而确定最优方案。3.1.2案例分析某电子产品制造企业计划选择一家原材料供应商，现有5家供应商S_1,S_2,S_3,S_4,S_5可供选择。企业考虑价格、质量、交货期、售后服务4个属性，经过市场调研和专家评估，得到各供应商在各属性上的原始数据，如表1所示：供应商价格（万元/吨）质量（评分，满分100）交货期（天）售后服务（评分，满分100）S_150851580S_245901285S_348881375S_452801890S_546861482其中，价格为成本型属性，质量、售后服务为效益型属性，交货期为成本型属性。数据预处理：采用线性变换法对原始数据进行规范化处理。对于价格属性：r_{11}=\frac{\max_{i}x_{i1}-x_{11}}{\max_{i}x_{i1}-\min_{i}x_{i1}}=\frac{52-50}{52-45}\approx0.286同理可得r_{21}\approx1，r_{31}\approx0.571，r_{41}=0，r_{51}\approx0.857对于质量属性：r_{12}=\frac{x_{12}}{\sqrt{\sum_{i=1}^{5}x_{i2}^{2}}}=\frac{85}{\sqrt{85^{2}+90^{2}+88^{2}+80^{2}+86^{2}}}\approx0.404同理可得r_{22}\approx0.428，r_{32}\approx0.419，r_{42}\approx0.381，r_{52}\approx0.409对于交货期属性：r_{13}=\frac{\max_{i}x_{i3}-x_{13}}{\max_{i}x_{i3}-\min_{i}x_{i3}}=\frac{18-15}{18-12}=0.5同理可得r_{23}=1，r_{33}\approx0.833，r_{43}=0，r_{53}\approx0.667对于售后服务属性：r_{14}=\frac{x_{14}}{\sqrt{\sum_{i=1}^{5}x_{i4}^{2}}}=\frac{80}{\sqrt{80^{2}+85^{2}+75^{2}+90^{2}+82^{2}}}\approx0.384同理可得r_{24}\approx0.407，r_{34}\approx0.360，r_{44}\approx0.432，r_{54}\approx0.393得到规范化决策矩阵R：|供应商|价格|质量|交货期|售后服务||----|----|----|----|----|||供应商|价格|质量|交货期|售后服务||----|----|----|----|----|||----|----|----|----|----|||S_1|0.286|0.404|0.5|0.384|||S_2|1|0.428|1|0.407|||S_3|0.571|0.419|0.833|0.360|||S_4|0|0.381|0|0.432|||S_5|0.857|0.409|0.667|0.393|确定属性权重：假设通过层次分析法确定价格、质量、交货期、售后服务的权重分别为w_1=0.3，w_2=0.3，w_3=0.2，w_4=0.2。构造加权规范化决策矩阵：v_{11}=w_1\timesr_{11}=0.3\times0.286=0.086同理可得其他元素，得到加权规范化决策矩阵V：|供应商|价格|质量|交货期|售后服务||----|----|----|----|----|||供应商|价格|质量|交货期|售后服务||----|----|----|----|----|||----|----|----|----|----|||S_1|0.086|0.121|0.1|0.077|||S_2|0.3|0.128|0.2|0.081|||S_3|0.171|0.126|0.167|0.072|||S_4|0|0.114|0|0.086|||S_5|0.257|0.123|0.133|0.079|确定正理想解和负理想解：正理想解A^+=(0,0.128,0.2,0.086)负理想解A^-=(0.3,0.114,0,0.072)计算各方案与正、负理想解的距离：对于S_1：D_1^+=\sqrt{(0.086-0)^2+(0.121-0.128)^2+(0.1-0.2)^2+(0.077-0.086)^2}\approx0.133D_1^-=\sqrt{(0.086-0.3)^2+(0.121-0.114)^2+(0.1-0)^2+(0.077-0.072)^2}\approx0.238同理可得其他供应商与正、负理想解的距离，结果如表2所示：|供应商||供应商|D_i^+|D_i^-||----|----|----|||----|----|----|||S_1|0.133|0.238|||S_2|0.016|0.303|||S_3|0.057|0.204|||S_4|0.161|0.126|||S_5|0.072|0.234|计算各方案的相对贴近度：对于S_1：C_1=\frac{D_1^-}{D_1^++D_1^-}=\frac{0.238}{0.133+0.238}\approx0.642同理可得其他供应商的相对贴近度，结果如表3所示：|供应商||供应商|C_i|排序||----|----|----|||----|----|----|||S_1|0.642|2|||S_2|0.950|1|||S_3|0.781|3|||S_4|0.439|5|||S_5|0.765|4|方案排序：根据相对贴近度对供应商进行排序，S_2的相对贴近度最高，为最优供应商。通过TOPSIS法的计算，该企业应选择S_2作为原材料供应商。3.2ELECTRE法3.2.1方法原理与步骤ELECTRE（EliminationandChoiceTranslatingReality）法，即淘汰选择法，由法国学者Roy于1965年在研究巴黎地铁项目决策时提出，是一种多准则决策分析方法。该方法的核心在于构建级别高于关系，通过对各方案在不同属性上的表现进行比较，逐步淘汰劣势方案，从而得出方案间的优劣排序。其理论基础源于对决策问题中属性间复杂关系的深入理解，它考虑到属性差别可能具有无差别阀值、严格偏好阀值、累计效应和否决阀值等特性，以及属性效用不可加性、属性间无法无条件补偿、属性间难以建立共同标度等问题，旨在解决传统决策方法在处理这些复杂情况时的局限性。ELECTRE法的基本原理基于“和谐性”与“不和谐性”的检验，构造一系列的弱支配关系来淘汰劣方案，逐步缩小方案集，直到决策者能从中选出最满意的方案。在构建级别高于关系时，通过计算一致性指标和不一致性指标来衡量方案之间的优劣关系。一致性指标体现了一个方案在多个属性上优于另一个方案的程度，不一致性指标则反映了一个方案在某些属性上劣于另一个方案的程度。通过比较这两个指标，确定方案之间是否存在级别高于关系。以某企业选择物流供应商为例，假设考虑运输价格、运输时间、服务质量和货物损坏率四个属性，有A、B、C三个备选供应商。在运输价格属性上，A供应商价格最低，B供应商次之，C供应商最高；在运输时间属性上，A供应商运输时间较长，B供应商运输时间最短，C供应商居中；在服务质量属性上，A供应商服务质量较好，B供应商服务质量一般，C供应商服务质量较差；在货物损坏率属性上，A供应商货物损坏率较低，B供应商货物损坏率较高，C供应商货物损坏率居中。ELECTRE法通过分析这些属性上的表现，构建级别高于关系。如果A供应商在运输价格和货物损坏率属性上的优势，足以弥补其在运输时间属性上的劣势，且一致性指标表明其在多个属性上优于B供应商，不一致性指标显示其劣势在可接受范围内，那么就可以确定A供应商级别高于B供应商。ELECTRE法的具体计算步骤如下：决策矩阵规范化：原始决策矩阵中的属性值可能具有不同的量纲和数量级，为了使各属性具有可比性，需要对其进行规范化处理。常用的规范方式有向量法与比例法两种。向量法的数值转换公式为r_{ij}=\frac{x_{ij}}{\sqrt{\sum_{i=1}^{m}x_{ij}^{2}}}，其特点是同一属性的所有数值都具有相同的矢量单元，但不同属性的测量尺度并不相等。例如，在评估不同供应商的供货能力时，供货量和供货频率是两个不同的属性，使用向量法规范化后，它们在数值上具有相同的矢量单元，但由于其本身的物理意义不同，测量尺度仍然存在差异。比例法对于不同类型的属性值采用不同的转换方式。对于收益类属性值（值越大越好的属性），转换公式为r_{ij}=\frac{x_{ij}}{\max_{i}x_{ij}}或r_{ij}=\frac{x_{ij}-\min_{i}x_{ij}}{\max_{i}x_{ij}-\min_{i}x_{ij}}；对于成本性属性值（值越小越好的属性），转换公式为r_{ij}=\frac{\min_{i}x_{ij}}{x_{ij}}或r_{ij}=\frac{\max_{i}x_{ij}-x_{ij}}{\max_{i}x_{ij}-\min_{i}x_{ij}}，其中\max_{i}x_{ij}表示第j个属性的最大值，\min_{i}x_{ij}表示第j个属性的最小值。在比较不同投资项目的收益时，采用比例法将收益属性值进行规范化，能更直观地比较各项目在收益方面的相对表现。规范矩阵加权化：为了体现各属性在决策中的相对重要程度，需要对规范化后的矩阵进行加权处理。设属性权重向量为\omega=(\omega_1,\omega_2,\cdots,\omega_n)，则加权规范化矩阵V=[v_{ij}]，其中v_{ij}=\omega_j\timesr_{ij}。在选择旅游目的地时，如果决策者更注重景色和美食，那么景色和美食这两个属性的权重就会相对较高，通过加权规范化矩阵可以更准确地反映出各目的地在决策者心中的综合价值。确定和谐集与不和谐集：对于方案集中的每一对方案A_k和A_l，属性集J=\{1,2,\cdots,n\}被划分成两个不相交的子集C_{kl}和D_{kl}。前者由A_k不劣于A_l的属性组成，称为和谐集；后者由A_k劣于A_l的属性组成，称为不和谐集。即C_{kl}=\{j|x_{kj}\geqx_{lj}\}，D_{kl}=\{j|x_{kj}\ltx_{lj}\}=J-C_{kl}。在选择电子产品时，对于两款手机A和B，若手机A在屏幕分辨率、电池续航时间这两个属性上优于手机B，那么这两个属性就构成了手机A相对于手机B的和谐集；而若手机A在处理器性能上劣于手机B，那么处理器性能这个属性就属于手机A相对于手机B的不和谐集。构造和谐性矩阵：和谐性矩阵C用于表示方案之间的和谐程度，其中元素c_{kl}（k\neql）表示方案A_k相对于方案A_l的和谐指数。和谐指数的计算公式为c_{kl}=\sum_{j\inC_{kl}}\omega_j/\sum_{j=1}^{n}\omega_j，它体现了方案A_k优于方案A_l的程度。显然0\leqc_{kl}\leq1，c_{kl}的值越高，表明方案A_k优于方案A_l的程度越大。如果权值已经归一化，即\sum_{j=1}^{n}\omega_j=1，则c_{kl}=\sum_{j\inC_{kl}}\omega_j。一般来说，和谐性矩阵不是对称的。在评估不同品牌汽车时，通过计算和谐性矩阵，可以清晰地看到每个品牌汽车相对于其他品牌汽车在各属性综合考量下的优势程度。构造不和谐性矩阵：不和谐性矩阵D用于表示方案之间的不和谐程度，其中元素d_{kl}（k\neql）表示方案A_k相对于方案A_l的不和谐指数。不和谐指数的计算通常基于属性值的差异程度，例如对于属性j，若x_{kj}\ltx_{lj}，则不和谐指数可以表示为d_{kl}^j=\frac{x_{lj}-x_{kj}}{\max_{i}x_{ij}-\min_{i}x_{ij}}，然后综合考虑所有不和谐集中的属性，得到总的不和谐指数d_{kl}。不和谐指数反映了方案A_k在某些属性上劣于方案A_l的程度。在比较不同供应商的交货准时率时，若供应商A的交货准时率低于供应商B，通过不和谐性矩阵可以量化这种劣势的程度。确定超越关系：根据和谐性矩阵和不和谐性矩阵，确定方案之间的超越关系。预先设定一致性阈值p和不一致性阈值q，当c_{kl}\geqp且d_{kl}\leqq时，则认为方案A_k超越方案A_l，记为A_kSA_l。在选择投资项目时，若项目A在多个重要属性上的和谐指数满足一致性阈值，且不和谐指数在不一致性阈值范围内，那么就可以认为项目A超越项目B，具有相对优势。构造组合图：用超越关系可以构造组合图，图中每个节点表示一个非劣方案，通过节点之间的连线表示超越关系。辐射方向和级别不劣于关系一致，进一步定义图中的核，核是指在图中不被其他节点超越的节点集合，核中的方案即为相对较优的方案。在选择房地产项目时，通过构造组合图，可以直观地看到各个项目之间的优劣关系，核中的项目就是在综合考虑多个属性后相对更值得选择的项目。灵敏度分析：对方案的评价值进行灵敏度分析，考察评价值变化中仍在核中的方案，这些方案具有较好的稳定性，可作为最后的备择方案。在评估不同供应商时，通过灵敏度分析，可以确定哪些供应商在属性值发生一定变化时，仍然保持相对优势，从而为企业选择供应商提供更可靠的依据。3.2.2案例分析某企业计划进行一项新的投资项目，现有四个备选项目A_1,A_2,A_3,A_4，企业从投资回报率、投资风险、市场潜力和技术可行性四个属性对项目进行评估。邀请专家对四个属性的重要性进行判断，确定投资回报率权重为0.3，投资风险权重为0.25，市场潜力权重为0.25，技术可行性权重为0.2。经过市场调研和专家评估，得到各项目在各属性上的评分，如表4所示：项目投资回报率（%）投资风险（评分，满分100）市场潜力（评分，满分100）技术可行性（评分，满分100）A_115708075A_212808580A_318657570A_410909085决策矩阵规范化：采用比例法对原始决策矩阵进行规范化处理。对于投资回报率（效益型属性）：r_{11}=\frac{x_{11}}{\max_{i}x_{i1}}=\frac{15}{18}\approx0.833同理可得r_{21}=\frac{12}{18}\approx0.667，r_{31}=1，r_{41}=\frac{10}{18}\approx0.556对于投资风险（成本型属性）：r_{12}=\frac{\max_{i}x_{i2}-x_{12}}{\max_{i}x_{i2}-\min_{i}x_{i2}}=\frac{90-70}{90-65}=\frac{20}{25}=0.8同理可得r_{22}=\frac{90-80}{90-65}=0.4，r_{32}=\frac{90-65}{90-65}=1，r_{42}=0对于市场潜力（效益型属性）：r_{13}=\frac{x_{13}}{\max_{i}x_{i3}}=\frac{80}{90}\approx0.889同理可得r_{23}=\frac{85}{90}\approx0.944，r_{33}=\frac{75}{90}\approx0.833，r_{43}=1对于技术可行性（效益型属性）：r_{14}=\frac{x_{14}}{\max_{i}x_{i4}}=\frac{75}{85}\approx0.882同理可得r_{24}=\frac{80}{85}\approx0.941，r_{34}=\frac{70}{85}\approx0.824，r_{44}=1得到规范化决策矩阵R：|项目|投资回报率|投资风险|市场潜力|技术可行性||----|----|----|----|----|||项目|投资回报率|投资风险|市场潜力|技术可行性||----|----|----|----|----|||----|----|----|----|----|||A_1|0.833|0.8|0.889|0.882|||A_2|0.667|0.4|0.944|0.941|||A_3|1|1|0.833|0.824|||A_4|0.556|0|1|1|规范矩阵加权化：根据属性权重向量\omega=(0.3,0.25,0.25,0.2)，计算加权规范化矩阵V。v_{11}=\omega_1\timesr_{11}=0.3\times0.833=0.250同理可得其他元素，得到加权规范化矩阵V：|项目|投资回报率|投资风险|市场潜力|技术可行性||----|----|----|----|----|||项目|投资回报率|投资风险|市场潜力|技术可行性||----|----|----|----|----|||----|----|----|----|----|||A_1|0.250|0.2|0.222|0.176|||A_2|0.200|0.1|0.236|0.188|||A_3|0.3|0.25|0.208|0.165|||A_4|0.167|0|0.25|0.2|确定和谐集与不和谐集：以A_1和A_2为例，计算和谐集C_{12}和不和谐集D_{12}。投资回报率：x_{11}=15\gtx_{21}=12，投资风险：x_{12}=70\ltx_{22}=80，市场潜力：x_{13}=80\ltx_{23}=85，技术可行性：x_{14}=75\ltx_{24}=80。所以C_{12}=\{1\}，D_{12}=\{2,3,4\}。同理可计算其他方案对之间的和谐集与不和谐集。构造和谐性矩阵：计算和谐性矩阵C。对于c_{12}，c_{12}=\sum_{j\inC_{12}}\omega_j=\omega_1=0.3。同理可计算其他元素，得到和谐性矩阵C：||||A_1|A_2|A_3|A_4||----|----|----|----|----|||----|----|----|----|----|||A_1|1|0.3|0.55|0.55|||A_2|0.2|1|0.45|0.45|||A_3|0.7|0.55|1|0.7|||A_4|0.2|0.3|0.25|1|构造不和谐性矩阵：计算不和谐性矩阵D。以A_1和A_2为例，投资回报率不和谐指数为0，投资风险不和谐指数d_{12}^2=\frac{x_{22}-x_{12}}{\max_{i}x_{i2}-\min_{i}x_{i2}}=\frac{80-70}{90-65}=0.4，市场潜力不和谐指数d_{12}^3=\\##\#3.3PROMETHEE法\##\##3.3.1方法原理与步骤PROMETHEE（PreferenceRankingOrganizationMethodforEnrichmentEvaluations）法，即偏好顺序结构评估法，是由Brans在1982年提出的一种多属性决策方法。该方法基于决策者对属性的偏好信息，通过定义优先函数来刻画方案间在单个属性上的偏好程度，进而计算各方案的流出量和流入量，以此对方案进行排序。其原理基于对方案在各属性上的比较，考虑到不同属性对决策者的重要性以及方案在这些属性上的差异，从而全面评估方案的优劣。在确定属性权重时，PROMETHEE法可以采用主观赋权法，如通过专家判断确定各属性的相对重要性；也可以结合客观赋权法，æ

¹æ®æ•°æ®çš„变异程度等客观信息确定权重。例如在评估不同品牌的笔记本电脑时，对于经常出差的用户来说，电æ±

续航能力可能权重较高；而对于游戏玩家，处理器性能和显卡性能的权重会更大。优先函数是PROMETHEE法的æ

¸å¿ƒæ¦‚念之一，它描述了一个方案相对于另一个方案在某一属性上的偏好程度。常见的优先函数有以下å‡

种类型：1.**常用准则**：当\(x_{ij}\geqx_{lj}时，P_{j}(x_{ij},x_{lj})=1；当x_{ij}\ltx_{lj}时，P_{j}(x_{ij},x_{lj})=0。这是一种简单的二值判断，若方案A_i在属性j上的值大于等于方案A_l，则认为A_i完全优于A_l；否则，A_i不优于A_l。在比较两款手机的处理器性能时，如果手机A的处理器核心频率高于手机B，那么在这个属性上，手机A相对于手机B的偏好程度为1；反之则为0。拟准则：引入无差异阈值q_j，当x_{ij}-x_{lj}\geqq_j时，P_{j}(x_{ij},x_{lj})=1；当x_{ij}-x_{lj}\ltq_j时，P_{j}(x_{ij},x_{lj})=0。它考虑到在一定范围内属性值的差异可能不被决策者所关注，只有当差异超过无差异阈值时，才认为存在偏好。例如在比较两款汽车的百公里加速时间时，假设无差异阈值为0.5秒，如果汽车A的百公里加速时间比汽车B快0.6秒，那么汽车A相对于汽车B在这个属性上的偏好程度为1；若只快0.3秒，则偏好程度为0。具有线性偏好的准则：引入偏好阈值p_j，当x_{ij}-x_{lj}\geqp_j时，P_{j}(x_{ij},x_{lj})=1；当x_{ij}-x_{lj}\ltp_j时，P_{j}(x_{ij},x_{lj})=\frac{x_{ij}-x_{lj}}{p_j}。这种准则认为偏好程度随着属性值差异的增大而线性增加，直到达到偏好阈值。比如在比较不同品牌空调的制冷量时，假设偏好阈值为500瓦，如果品牌A的制冷量比品牌B多600瓦，那么品牌A相对于品牌B在制冷量属性上的偏好程度为1；若多300瓦，则偏好程度为\frac{300}{500}=0.6。等级准则：将属性值划分为多个等级，每个等级对应不同的偏好程度。例如在评价学生成绩时，可将成绩分为优秀（90-100分）、良好（80-89分）、中等（70-79分）、及格（60-69分）和不及格（60分以下）五个等级。如果学生A的成绩为优秀，学生B的成绩为良好，那么在成绩属性上，学生A相对于学生B的偏好程度可以设定为一个较高的值，如0.8。高斯准则：基于高斯分布来确定偏好程度，考虑到属性值的分布情况对偏好的影响。例如在评估不同地区的空气质量时，空气质量指数（AQI）的分布可能呈现一定的规律性，通过高斯准则可以更合理地反映不同地区在空气质量属性上的偏好程度。PROMETHEE法的具体计算步骤如下：数据预处理：对原始决策矩阵进行规范化处理，消除属性量纲和数量级的影响，使各属性具有可比性。常用的规范化方法有线性变换法、向量规范化法等。以线性变换法为例，对于效益型属性，规范化公式为r_{ij}=\frac{x_{ij}-\min_{i}x_{ij}}{\max_{i}x_{ij}-\min_{i}x_{ij}}；对于成本型属性，规范化公式为r_{ij}=\frac{\max_{i}x_{ij}-x_{ij}}{\max_{i}x_{ij}-\min_{i}x_{ij}}。在评估不同供应商的供货价格时，通过线性变换法将价格属性进行规范化，使不同供应商的价格数据能够在同一尺度下进行比较。确定属性权重：根据决策者的偏好和经验，或采用一定的客观方法，确定各属性的权重w_j，且\sum_{j=1}^{n}w_j=1。确定权重的方法有层次分析法、熵权法等。若采用层次分析法，需要构建判断矩阵，通过计算判断矩阵的特征向量来确定各属性的权重。在选择旅游目的地时，若决策者更注重景色和美食，通过层次分析法可以确定景色和美食这两个属性的权重相对较高。计算优先指数：对于每一对方案A_i和A_l，计算它们在每个属性j上的优先指数P_{j}(x_{ij},x_{lj})，然后根据属性权重计算综合优先指数\pi_{il}=\sum_{j=1}^{n}w_jP_{j}(x_{ij},x_{lj})。假设在选择投资项目时，有项目A和