一种OWA-改进TOPSIS法的多属性决策模型及应用.pdfVIP

一种OWA-改进TOPSIS法的多属性决策分析模型研究与应用 1 2 邹树梁 ，武良鹏 （1.2. 南华大学 核能经济与管理研究中心 衡阳 421001） 摘 要:TOPSIS法是解决多属性决策的一种经典算法，为了解决其缺点，提出改进TOPSIS法，结合OWA OrderedWeightedAveraging OWA- TOPSIS , （ ）算子构建了一种 改进 法用来解决多决策者多属性决策分析问题， 运用案例加以说明，并运用肯德尔和谐系数检验这种方法的一致性。 关键词：多属性决策；改进TOPSIS法； OWA算子；肯德尔和谐系数 文章编号： 中图分类号： 文献标识码： AnOWA-improvedTOPSISApproachforMultipleCriteria DecisionAnalysis Abstract:TOPSISmethodisaclassicalalgorithmtosolvethemultiplecriteriadecisionanalysis,inordertosolvethe disadvantages,weputforwardtheimprovementmethodofTOPSIS,combinedwith OWA OrderedWeightedAveraging operatortoconstructanimprovedOWA-TOPSISmethod,for multiplecriteriadecision analysis,atlastwetakethecasetoexplainhowtousethenewmethodandusetheKendallcoefficientofconcordance to illustrateconsistenc ofthenewmethod. Key words: Multiple Criteria Decision Analysis; improved TOPSIS Approach; Ordered Weighted Averaging; Kendall coefficientofconcordance 1 引言 多准则决策（MCDM）是在20世纪50年代源于运筹学、经济学和心理学所发展而来一个多学科交叉研究领域，主 [1] 要是运用一系列的技术手段向决策者提供决策帮助 。背包问题、旅行商问题、厂址选择、绩效评价等都是多准则决策 问题，发展至今，MCDM主要分为多目标优化（MOO）和多属性决策分析（MCDA）这两大类。 [2] MOO侧重于优化，运用各种数学规划算法求出使各个目标能达到最优化的解 ,当能求出最优解时我们称之为确定 最优解，但由于各目标函数之间可能存在冲突，因此MOO可能得不出最优解，为了解决这个问题法国经济学家Pareto对 [3] 最优解进行了推广，所有满意解的集合所组成的Pareto最优解集 。在此基础上又演生出很多方法，演化算法（EAs）、 遗传算法（GA）、Pareto演化算法（SPEA）及Pareto演化算法改进（SPEA2）等都是解 MOO的成熟算法。 [4] MCDA则侧重于决策分析，帮助决策者分析比较各个不同的备选方案。在MCDA中主要处理三种问题 ： （1）从备选方案中找出最好的方案； 2 将备选方案分类； （3）将所有备选方案从好到差进行排序。 问题 （1）可以看做是问题 （3）的特殊，只要知道排序就可以找出最好方案，众多方法被用于解决方案排序问题。 因子分析法是从CharlesSpearman在1904年发表的文章 《对智力测验得分进行统计分析》开始的，它通过研究众多变量之 [5] 间的内部依赖关系，探求观测数据中的基本结构，并用少数几个“抽象”变量来表示其基本的数据结构 ,最后通过计算出 因子得分和综合得分得出方案的排名，但这种方法需要进行适用性检验，只有指标相关性大才适合进行因子分析，因此 因子分析法具有适用范围的局限；灰色关联度分析是我国学者邓聚龙教授与1982年提出的灰色系统理论中的一门重要多 因素分析方法，它通过比较参考数列与备选方案数列曲线几何曲线之间的相似程度来确定备选方案的优劣，关联度越大 [6] 方案越优，反之则越差 ,由于该理论还不成熟，同样存在着不足与缺陷，比如曲线相似的定义还不精确、关联度的正负 [7] [8] 性的处理问题 ；层次分析法 （AHP）同样也是应用广泛的排序方法，但其缺点也显而易见，指标的权重有着很大主 观性，且专家打分时可能会出现前后的不一致性。随着理论的创新，模糊数学 （FUZZY）、改进AHP、改进灰色关联法、 熵权法等为解决排名问题提供了新视野。 备选方案分类的方法也有各种各样。在已知样本的分类情况下，将未知分类样