基于相对熵的多属性决策排序方法

针对逼近理想解排序法(TOPSIS)的不足,从相对熵的概念出发,提出了求解多属性决策问题的新思路.利用被评价方案与理想方案和负理想方案的相对熵,定义了一种新的与理想方案的贴近度.据此给出一种新的排序方法--相对熵排序法,并将此法与TOPSIS方法、夹角度量法和投影法进行对比.结果表明,在传统的TOPSIS方法、夹角度量法和投影算法排序都失效的情况下,相对熵排序法能够准确地给出方案的排序.     

基于前景理论的随机多属性VIKOR决策方法

为提高基于前景理论TOPSIS决策方法的可靠性和稳定性以及防止逆序的产生,在前景理论的思想框架基础上,提出了一种VIKOR决策新方法;构建了前景值决策矩阵,运用VIKOR方法,在可接受优势和决策过程稳定的条件下对方案进行择优;在理论分析的基础上,提出了这种新方法的计算步骤,通过算例以及和TOP-SIS方法决策结果对比说明了方法的有效性和可行性,具有更高的稳定性。     

基于多属性决策TOPSIS的簇头选择

针对LEACH协议中因簇头数目和分布位置不合理导致网络能耗不均衡的问题,利用多属性决策逼近理想解排序法(TOPSIS)进行簇头选择。综合考虑节点的剩余能量、邻居节点数量、到基站的距离和传输范围,使用Pareto最优解选择一组簇头,进而通过TOPSIS算法进行排序选出最佳簇头。仿真结果表明,TOPSIS在剩余节点数和网络能耗上优于LEACH和AHP算法,能够有效延长网络生命周期,使网络能耗更均衡。     

基于前景理论的犹豫模糊TOPSIS多属性决策方法

针对属性权重未知、属性值为犹豫模糊集的决策问题,提出一种前景理论和逼近理想解(TOPSIS)相结合的多属性决策方法.考虑到决策者对指标集的不同偏好,利用犹豫模糊熵的相关理论,提出一种基于犹豫模糊熵的熵权法确定属性权重.将决策者的风险心理因素引入犹豫模糊多属性决策中,定义了犹豫模糊数的前景价值函数,并以此将犹豫模糊决策矩阵转化为价值矩阵,计算出各方案的收益损失比值.最终应用TOPSIS的基本思路,确定备选方案的优劣排序,并通过算例分析验证了所提出方法的有效性.     

供应商选择的组合多属性群决策

为解决图书供应商选择问题,建立同时考虑多个属性,由多人进行决策的组合多属性群决策模型。先用TOPSIS法求出单个决策者对各供应商的综合评价值,再用三种不同的社会选择函数分别对个体偏好进行集结,然后将三种结果进行组合,得出决策群体对供应商的最终排序结果。最后以一个实例说明模型的应用。该方法可提高供应商选择的有效性。     

一种部分权重信息下两阶段多属性决策方法

研究了只有部分权重信息(区间数),属性值为实数的多属性决策问题。通过建立单目标线性规划模型求出各方案的局部最优权重向量,通过将各方案的局部最优权重向量与全局最佳属性权重的偏差最小化,建立多目标优化模型,并将其转化成一个单目标优化模型计算出全局最优属性权重向量,从而得到了一个两阶段的多属性决策方法。通过实例说明了该方法的可行性和有效性。     

图书供应商选择的混合型多属性群决策

针对同时存在基数评价信息与序数偏好的情形,考虑每个属性下的决策者权重,为图书供应商选择建立混合型多属性群决策模型。对定性和定量属性分别用0-1规划和线性加权和法求出决策群体对各供应商的评价值,再用0-1规划求得决策群体对供应商的最终排序结果。最后以一个实例说明模型的应用。此方法可提高供应商选择的科学性和有效性。     

一种改进混合型多属性决策的求解方法

研究了实数、区间数、模糊数类型相结合的混合型多属性决策问题。通过定义1种新的量化尺度,把各类不同类型属性值在规范化过程中的计算规范到统一的度量空间,然后计算各候选方案与理想方案的贴近度,根据贴近度大小进行决策。最后通过算例进行验证,证明该方法是可行有效的,为解决混合型多属性决策问题提供了1种新方法。     

基于直觉梯形模糊TOPSIS的多属性群决策方法

提出一种改进的逼近理想解排序(TOPSIS)方法,即直觉梯形模糊TOPSIS多属性群决策方法。首先,应用直觉梯形模糊数形式表示方案属性偏好和属性权重信息且专家权重完全未知;然后,利用直觉梯形模糊数间距离测度和期望值及直觉梯形模糊加权平均算子来确定决策者权重信息和属性权重信息;进而给出直觉梯形模糊环境下方案优选的算法;最后,通过算例进一步说明了该直觉梯形模糊TOPSIS方法的有效性。     

一种基于变权的动态多属性决策方法

针对实际问题中决策信息不完全的动态多属性决策问题, 提出了广义优序法. 将决策问题转化为各方案的广义优序数矩阵问题, 并在此基础上引入逼近理想解的排序法思想, 提出了确定属性权重和时间权重的变权方法. 该方法体现了对决策属性、时间样本的重要性和决策者的主观偏好, 使得决策结果更加符合决策者的选择. 最后通过实例分析验证了所提出方法的科学性和有效性.

     

基于二元语义一致性的混合多属性灰关联决策

为了解决指标权重未知的混合型多属性决策问题, 提出基于二元语义一致性的灰关联决策方法. 首先, 针对异质决策信息问题, 提出了使所有决策信息转化为二元语义变量的一致化方法; 然后根据离差最大化原理, 客观确定属性的指标权重, 利用灰关联分析对决策方案进行排序; 最后以某供应链中供应商的绩效评估作为算例, 用所提出方法对混合型多属性决策问题进行求解, 结果表明该方法易于操作且可为决策者提供丰富的决策信息.

     

基于“功能驱动”和“差异驱动”原理的灰关联贴近度决策方法

针对决策过程中指标权重确定问题, 在分析基于“功能驱动”原理和“差异驱动”原理的主客观赋权方法优缺点的基础上, 利用灰色关联度和逼近理想解方法(TOPSIS) 的思想, 考虑各指标间可能产生相互影响, 以数据包络分析(DEA) 和层次分析法(AHP) 为辅助模型, 构造一种基于面积的度量方法, 并以两个方案相邻指标之间构成的多边形面积为关联系数的灰色关联贴近度决策模型, 分别计算各方案的灰色关联贴近度, 使得权重的确定能够同时反映主客观要求与变换趋势的一致性. 最后通过实例分析表明了所提出方法的科学性和实用性.

     

基于信息熵的专家聚类赋权方法

鉴于群组决策专家赋权方法研究中,现有赋权方法虽然考虑了专家给出的排序向量的一致性,但缺乏对排序向量信息相似性的度量,导致可能出现排序向量与群体共识相近,但信息不确定性较大的专家被赋予了与其他专家相同权重的问题.基于此,提出一种基于信息熵的专家聚类赋权方法,运用信息相似系数对排序向量进行聚类分析,根据聚类结果和排序向量的...     

基于第三方的易变质产品库存决策

针对需求受价格影响和需求受价格、库存量共同影响的两种情况,考虑销售商允许缺货且缺货期间出现短缺量部分拖后,研究多个供应商、多个销售商情况下,供应商库存外包于第三方的易变质产品库存联合决策模型.对比分析两模型的结论表明,需求依赖当前销售价格和库存量情况下,考虑易变质产品库存问题更贴近实际,存在最优订货周期、最优销售价格使得供应链整体利益最大化,此时,供应链整体利润并不随着缺货率的增加而单调减小.     

基于粗糙集的犹豫模糊多属性决策方法

针对属性值为犹豫模糊元的决策问题,提出一种基于粗糙集理论的多属性决策方法.首先,依据属性值与理想点的贴近度和给定的阀值得到判断矩阵;然后,根据判断矩阵对属性集进行约简,确定属性权重;最后,基于TOPSIS思想,计算各方案与理想点的综合贴近度,得到方案的优劣次序,并通过算例分析表明了该方法的有效性.     

基于证据理论-DEA 交叉效率的混合型多属性决策方法

针对含有投入产出指标的混合型多属性决策问题,提出一种基于证据理论和数据包络分析(DEA)交叉效率的决策方法.首先运用DEA对决策系统中投入产出指标进行处理,得到DEA交叉效率矩阵,并运用证据理论集结其交叉效率得分;然后将效率得分作为决策系统指标值,与系统中其他指标进行模糊等级转换,通过证据理论对指标值融合,进而得到决策单元的期望效用,据此对决策单元进行排序;最后通过实例与其他文献方法进行对比分析,以表明所提出方法的可行性和有效性.     

多属性群决策中基于数据稳定性与主观偏好的综合熵权法

针对熵权法下属性客观权重的分散度不高的问题,提出了基于调节系数的改进的判断矩阵标准化处理方法.以不同决策者对相同方案同一属性的评价值为基础,根据数据稳定性与属性权重之间的正相关关系,提出以属性评价值的熵作为数据稳定性的度量,并由该熵值确定属性客观权重的方法.同时,依据群决策者对于属性的主观偏好值的稳定性及其平均值之间的关系给出了属性的主观权重.最后通过算例表明了所提出方法的可行性与实效性.     

基于模糊结构元的模糊数直觉模糊多准则决策方法

针对准则权重信息不完全确定的模糊数直觉模糊多准则决策问题,采用模糊结构元方法进行处理.基于模糊数直觉模糊集的模糊结构元表示、模糊数比较和排序的模糊结构元方法以及直觉模糊数的记分函数和距离测度,定义了模糊数直觉模糊数的记分函数和距离测度,进而提出两种准则权重信息不完全确定而准则值为模糊数直觉模糊数的多准则决策方法:记分函数法和逼近理想解排序(TOPSIS)法.实例分析表明了这两种方法的可行性和有效性.     

基于粗糙数的BWM-TOPSIS 多准则群决策方法

多准则群决策是决策领域的研究热点, 如何在信息不确定性和评价主观性背景下选择合适的决策方法则是研究的难点. 为了解决这一问题, 提出一个新的基于粗糙数的多准则群决策方法. 首先, 提出基于粗糙数的最优最劣方法(RBWM) 确定评价准则的权重; 然后, 利用粗糙数改进的逼近理想解排序法(RTOPSIS) 评价备选方案并做出最优决策; 最后, 利用一个实例对所提出的群决策方法进行应用和灵敏度分析, 并与其他决策方法进行对比分析, 验证了所提出方法的有效性和准确性.