数学建模中权重的确定方法
多目标优化的权重确定方法

多目标优化的权重确定方法在多目标优化问题中,确定权重是一个关键的步骤。
权重决定了不同目标函数在优化过程中的重要性。
一个合理的权重分配可以有效地平衡不同目标之间的冲突,并找到一个全局最优解。
在本文中,我们将介绍一些常见的权重确定方法,并提供一些建议,以帮助您在实际问题中确定权重。
首先,我们介绍一种常见的权重确定方法,即主观赋值法。
这种方法基于直觉和经验,通过主观判断为每个目标赋予一个权重。
例如,在一个带有两个目标函数的问题中,假设我们认为第一个目标函数相对更重要,我们可以给它赋予较大的权重,而给第二个目标函数赋予较小的权重。
这种方法的优点是简单直观,容易理解和实施。
然而,它的缺点是受主观意见的影响较大,可能导致权重的不准确估计。
其次,我们介绍一种基于均衡点的权重确定方法。
这种方法通过寻找目标函数之间的均衡点来确定权重。
均衡点是指使得所有目标函数取得最佳值的一组权重。
均衡点的确定可以通过数学方法,如线性规划或二次规划来实现。
这种方法的优点是能够考虑目标之间的相互关系,避免了主观因素的干扰。
然而,它的缺点是对问题的数学建模要求较高,并且可能导致计算复杂度较高。
第三,我们介绍一种基于专家意见的权重确定方法。
这种方法通过专家的知识和经验来确定权重。
专家可以根据其领域知识和对问题的理解来为不同的目标函数赋予权重。
这种方法的优点是能够利用专家的经验,提高权重的准确性。
然而,它的缺点是可能受到专家主观意见的影响,并且需要花费一定的成本来获取专家的意见。
最后,我们提供一些建议,以帮助您在实际问题中确定权重。
首先,您可以对多个权重确定方法进行比较,选择最适合您问题的方法。
其次,您可以考虑使用多种方法结合的方式,以获得更准确的权重。
例如,结合主观赋值法和基于均衡点的方法,可以较好地平衡主观意见和客观分析。
最后,您可以进行敏感性分析,检验权重的稳定性和可靠性。
通过对权重进行多次调整和验证,可以逐渐得到一个较为准确的权重分配。
数学建模权重模型

数学建模权重模型全文共四篇示例,供读者参考第一篇示例:数学建模在实际生活和工作中发挥着重要的作用,它是将实际问题进行抽象和数学描述,进而求解和分析的一种方法。
在数学建模中,权重模型是一种常用的数学模型,它可以通过给不同的参数赋予不同的权重,从而实现对不同因素的定量分析和评估。
在本文中,我们将深入探讨数学建模权重模型的原理、应用和优势。
一、权重模型的原理权重模型是一种将不同因素按照其重要性进行赋权并进行计算的方法。
在数学建模中,我们通常会遇到多个因素对一个问题的影响,这些因素之间可能存在着不同的重要性和影响程度。
通过权重模型,我们可以对这些因素进行量化分析,从而更好地解决问题。
权重模型的具体原理是通过给每个因素赋予一个权重系数,然后将这些因素进行加权求和,得到最终的结果。
这里的权重系数通常由专家经验、实验数据或者统计分析得出。
通过调整不同因素的权重,我们可以体现出对问题的不同关注程度和重要性,进而得出更为准确的分析结果。
权重模型在实际中有着广泛的应用,例如在风险评估、决策优化、资源分配等方面都可以使用权重模型进行分析和预测。
下面我们以一个实际案例来具体说明权重模型的应用。
假设某公司需要选择一种新的市场营销策略来提升销售额,而这种策略涉及到不同的因素如价格、渠道、推广等。
通过权重模型,我们可以分析出这些因素对销售额的影响程度,并且可以通过调整不同因素的权重来从整体上优化市场营销策略。
如果价格对销售额的影响最大,那么我们可以适当调整价格的权重来实现销售额的最大化;如果渠道的选择也很关键,那么我们可以加大渠道因素的权重以提高销售额。
通过这种方式,权重模型可以帮助企业更好地把握问题的关键因素,从而做出更为准确的决策,提高企业的效益和竞争力。
权重模型相对于其他数学建模方法有着一些明显的优势。
权重模型能够体现出不同因素的重要性和影响程度,有助于分析和解决问题。
权重模型能够根据实际情况灵活调整不同因素的权重,实现个性化定制,满足不同需求。
可拓熵权法-概述说明以及解释

可拓熵权法-概述说明以及解释1.引言1.1 概述【概述】可拓熵权法是一种基于拓扑学和信息熵的权重确定方法,用于解决决策问题中的权重分配和评价。
它是一种综合考虑纵向和横向信息的新兴方法,能够有效解决传统方法在权重确定中存在的问题。
在许多决策问题中,权重的确定是十分重要且困难的任务。
传统的权重确定方法往往依赖于主观判断或经验性评估,缺乏客观性和科学性。
这样的方法容易导致权重分配的不准确和不合理,进而影响最终的决策结果。
而可拓熵权法通过引入拓扑学的理论和信息熵的概念,能够全面而准确地评估决策方案中各个参与因素的重要程度。
在该方法中,拓扑结构被用于刻画参与因素之间的相互关系,信息熵则用于度量信息的不确定性和随机性。
可拓熵权法的核心思想是基于信息熵的最大化原则。
通过对信息熵的定义和求解,能够得到一个能够最大化决策中信息传递和信息流动的权重分配方案。
这样的方法能够保证权重的客观性和科学性,提高决策的准确性和可靠性。
可拓熵权法在实际应用领域中具有广泛的应用前景。
它可以应用于多个领域,如工程管理、金融投资、环境评价等。
在这些领域中,权重的确定对于决策结果的影响非常重要,而可拓熵权法能够提供一种有效的解决方案。
然而,可拓熵权法也存在一定的局限性。
首先,可拓熵权法在应用过程中需要大量的数据支持,对于数据的收集和处理要求较高。
其次,方法的求解过程比较复杂,需要一定的专业知识和技能。
此外,方法在某些问题上可能存在不稳定性,需要进一步的改进和优化。
总之,可拓熵权法是一种新颖而有效的权重确定方法,具有广泛的应用前景。
通过综合考虑信息熵和拓扑结构,该方法能够提供客观、科学的权重分配方案,为决策问题的解决提供有力支持。
尽管存在一些局限性,但随着应用经验的积累和方法的改进,可拓熵权法在未来会有更加广泛的发展和应用。
1.2 文章结构本文主要探讨可拓熵权法的原理、应用领域以及其优势和局限性。
为了更好地呈现可拓熵权法的相关知识,本文将按照以下结构进行组织:第一部分是引言,对本文的主题进行概述,介绍可拓熵权法的背景和意义。
遗传算法权重确定

遗传算法权重确定遗传算法是一种启发式算法,主要用于解决优化问题。
它通过模拟自然界的进化过程,通过遗传和突变的操作来不断优化解的质量。
权重的确定是遗传算法中的一个重要步骤,下面将详细介绍遗传算法权重确定的步骤和方法。
对于权重确定的问题,首先需要明确目标函数和约束条件。
目标函数是需要最优化的函数,而约束条件则是对解的限制条件。
在确定权重之前,需要对目标函数和约束条件进行数学建模,使其成为数学表达式。
接下来,需要确定适应度函数。
适应度函数是用于评估染色体或解的质量的函数。
在很多情况下,目标函数本身可以作为适应度函数。
但是,在一些情况下,需要对目标函数进行转换或者对其进行标准化处理,以便更好地评估解的质量。
然后,需要确定染色体表示。
染色体表示了解的结构和特征。
在权重确定的问题中,染色体可以使用二进制编码或者实数编码。
例如,对于二进制编码,可以使用一个二进制串来表示解,其中每个基因位表示一些权重的取值。
确定染色体表示后,需要确定遗传算法的操作。
遗传算法的主要操作包括选择、交叉和突变。
选择操作根据适应度函数选择适应度较高的染色体,并将其复制到下一代。
交叉操作通过交换染色体的部分基因信息来产生新的解。
突变操作随机改变染色体的一些基因位,以增加解的多样性。
最后,可以使用遗传算法进行优化。
遗传算法通常需要迭代多次,每次迭代称为一代。
在每一代中,根据适应度函数选择染色体,并进行交叉和突变操作。
通过不断迭代,可以逐渐改进解的质量,直到找到最优解或者满足停止条件为止。
在权重确定的问题中,遗传算法可以应用于多个权重的优化。
可以将每个权重作为基因位,以染色体的形式表示多个权重的组合。
通过不断迭代,可以找到最优的权重组合,从而得到最优解。
总之,权重的确定是遗传算法中的一个重要步骤。
通过明确目标函数和约束条件,确定适应度函数和染色体表示,选择合适的遗传算法操作,可以使用遗传算法找到最优的权重组合,从而得到最优解。
高校数学建模竞赛模型评价指标权重确定分析

高校数学建模竞赛模型评价指标权重确定分析随着现代社会对数据分析和决策能力的要求日益增加,高校数学建模竞赛正逐渐成为培养学生创新思维和解决实际问题能力的重要途径。
在高校数学建模竞赛中,模型评价指标的权重确定是确保评价结果准确可靠的关键步骤。
在本文中,将对高校数学建模竞赛模型评价指标权重确定的分析方法进行探讨。
一、确定评价指标在进行模型评价指标权重确定之前,首先需要确定评价指标。
评价指标的选择应充分考虑到模型的特点和应用领域,同时需要具备客观性、权威性和可操作性。
常见的评价指标包括模型的准确度、稳定性、鲁棒性、适应性等。
通过对问题的分析和对模型的理解,结合实际需求,选择合适的评价指标。
二、层次分析法确定权重层次分析法是一种常用的确定评价指标权重的方法。
该方法将评价指标的层次结构划分为若干层次,通过专家评价和层次结构的比较,确定各层次之间的权重关系,从而得到最终的权重分配。
1. 建立层次结构首先,建立评价指标的层次结构。
以模型的准确度、稳定性、鲁棒性、适应性为评价指标,可以将其划分为一级层次。
在一级层次下,可以再划分为二级层次,如模型的数学基础、数据质量、算法选择等。
不同的问题可能有不同的层次划分,根据实际情况进行调整。
2. 两两比较接下来,对于同一层次下的评价指标进行两两比较,得到它们之间的相对重要性。
以准确度和稳定性为例,可以构建一个判断矩阵,由专家根据其专业知识和经验,填写各个评价指标之间的重要程度。
3. 计算权重通过计算判断矩阵的最大特征值和对应的特征向量,可以得到各个评价指标之间的权重。
最大特征值表示相对重要性的大小,特征向量表示每个指标对应的权重值。
通过对所有层次的两两比较和计算,可以得到最终的权重分配结果。
三、灰色关联度法确定权重灰色关联度法是另一种确定评价指标权重的常用方法。
该方法基于灰色数学理论,通过构建评价矩阵,计算各个指标之间的关联度,从而确定权重值。
1. 构建评价矩阵首先,构建评价矩阵,其中每一行表示一个评价指标,每一列表示一个模型样本。
数学建模的常用模型和方法

数学建模的常用模型和方法嘿,朋友们!今天咱来聊聊超厉害的数学建模哦!那数学建模里常用的模型和方法可多啦,就像一个百宝箱,每个都有独特的魅力和用处呢!先来说说线性规划模型吧。
步骤呢,就是先明确目标函数和约束条件。
你得清楚自己想要最大化或最小化什么,然后把各种限制因素用数学式子表达出来。
就好比你要规划一次旅行,预算就是约束条件,你想在有限的预算内让旅行体验最好,这就是目标函数啦!注意事项嘛,要仔细检查约束条件有没有遗漏,数据是不是准确。
在这个过程中,安全性就体现在它的逻辑严谨性上,只要你按照正确的步骤来,一般不会出大错,稳定性也不错,因为它的算法和理论都比较成熟。
它的应用场景可广啦,比如生产安排、资源分配等。
优势就是能帮你在复杂的条件下找到最优解,让资源得到最合理的利用。
比如说一个工厂要安排生产不同产品的数量,用线性规划就能算出怎样安排能让利润最大。
实际应用中,效果那是杠杠的,能大大提高生产效率和经济效益呢!再讲讲层次分析法。
它的步骤是先构建层次结构,把问题分成不同层次,像搭积木一样一层一层的。
然后通过专家打分或者数据统计确定各因素的权重。
这就好像给一个球队的球员打分,不同位置的球员重要性不一样嘛。
要注意的是,专家的选择要合理,打分要尽量客观。
它的安全性在于整个过程有一套系统的方法,不容易跑偏。
稳定性也还可以,只要层次结构合理,结果一般比较可靠。
应用场景呢,比如选方案、做决策的时候就很管用。
它的优势是能综合考虑多个因素,把复杂的问题简单化。
比如说要选一个投资项目,用层次分析法就能综合考虑风险、收益等各种因素,选出最合适的。
实际案例中,很多企业在做战略决策时都用到它,效果很不错,能让决策更科学合理。
还有个很有趣的模型叫聚类分析。
步骤是先确定聚类的指标,然后选择合适的聚类算法,把数据分成不同的类。
就好像把一堆水果按照种类分堆一样。
注意要选对指标和算法哦,不然分出来的类可能就不靠谱啦。
它的安全性体现在能对数据进行合理分类,帮助我们更好地理解数据的结构。
数学建模评价类问题如何确定评价系统的指标权重?

数学建模评价类问题如何确定评价系统的指标权重?之前小编发过一篇系统介绍综合评价类问题的文章【数学建模之综合评价问题】,文中总结了综合评价模型一般步骤:1. 明确评价目的;2. 确定被评价对象;3. 建立评价指标体系(包括评价指标的原始值、评价指标的若干预处理等);4. 确定与各项评价指标相对应的权重系数;5. 选择或构造综合评价模型;6. 计算各系统的综合评价值,并给出综合评价结果。
今天,小编继续和大家聊聊——如何确定评价系统的指标权重?0、前言对于多指标的评价系统,各指标之间的相对重要性是互不相同的,单纯将所有指标的重要性假设为无差别并不是一种可取的方法。
指标间相对重要性的量化过程也就是不同指标的权重确定过程,不同的权重确定方法必然导致不同的评价结果。
而指标权重的确定不仅在综合评价系统中应用广泛,同时在多目标决策中也有很多应用(当然,综合评价问题也可视为多目标决策问题),在进行数学规划时,实际问题中往往存在多个目标,而且很难证,可行域内存在某一个解使得所有目标函数都取得最优值。
在这种情况下,就需要对多个目标进行综合加权,将多目标问题转化为单目标问题再进行求解。
1、权重确定方法分类现有的指标权重方法主要可以分为两类,一类是相对主观的方法,专家通过经验确定不同指标之间的相对重要程度,通过多个专家的打分,取其平均值作为权重。
这类方法中,非常具有代表性的就是层次分析法。
另一类相对客观的权重确定方法是根据不同评价对象在该指标上得分的离散程度来确定权重。
评价系统的最终目的是将所有的评价对象区分开,如果某一个指标的数据离散程度越大,其对评价对象的区分度也就越好,所以其权重也应该较大一些。
在这类方法中,应用比较广泛的有变异系数法和熵值法。
2、主观赋权法——层次分析法本文中,我们以层次分析法为例来看一看主观赋权法。
在确定指标之间的权重时,如果指标数量较多,我们很难直接凭经验给出一组权重。
比如通过语文、数学和英语3门功课来评价一个学生的文化课水平,我们无法给出一个3维向量,可以同时衡量不同功课间的相对重要程度。
数学建模综合评价方法

别
称
方法 次序法来排序与 策者、多指标、 因素的对
评价
动态的对象
象
4.运筹 数据包 以相对效率为基 可以评价多输 只表明评 评价经济学中生产
学方法 络分析 础,按多指标投 入多输出的大 价单元的 函数的技术、规模有
(狭义) 模型 入和多指标产 系统,并可用 相对发展 效性,产业的效益评
出,对同类型单 “窗口”技术 指标,无法 价、教育部门的有效
好
on 法 告诉决策者来评
价结果。如果认
为已经满意则迭
代停止;否则再
根据决策者意见
进行修改和再计
算,直到满意为
止
9. 智能 基于 BP 模拟人脑智能化 网络具有自适 精度不高, 应用领域不断扩大, 化评价 人工神 处理过程的人工 应能力、可容 需要大量 涉及银行贷款项目、
方法 经网络 神经网络技术, 错性,能够处 的训练样 股票价格的评估、城
的评价 通过 BP 算法, 理非线形、非 本等
市发展综合水平的
学习或训练获取 局域性与非凸
评价等
方法类 方法名 方法描述
优点
别
称
知识,并存储在 性的大型复杂
神经元的权值
系统
中,通过联想把
相关信息复现。
能够“揣摩”“提
炼”评价对象本
身的客观规律,
进行对相同属性
评价对象的评价
缺点
适用对象
如表所示,各种方法都有自身的优缺点以及适用的范围。
等指标
的对象
经济分 通过可行性分
析法 析、可靠性评价
等
3.多属 多属性 通过化多为少、 对评价对象描 刚性的评 优化系统的评价与
性决策 和多目 分层序列、直接 述比较精确, 价,无法涉 决策 ,应用领域广
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
d.独立性权数法
• 利用数理统计学中多元回归方法,计算复 相关系数来定权的,复相关系数越大,所 赋的权数越大。 • 计算每项指标与其它指标的复相关系数, 计算公式为, R越大,重复信息越多,权重应越小。取复 相关系数的倒数作为得分,再经归一化处 理得权重系数。
e.主成分分析法
• 一种多元分析法。它从所研究的全部指标 中,通过探讨相关的内部依赖结构,将有 关主要信息集中在几个主成分上,再现指 标与主成分的关系,指标Xj的权数 为: wj=dj·bij∑mj=1dj·bij 其中bij为第i个主成分与第j个因素间的 系数,di=λi/Σλk为贡献率。
作单因素u j的权重统计: (1) 在每个专家所给出的u j的权重 a1 j a2 j M a kj 中找出最大值M j 和最小值m j j = 1, 2,L n); ( M j − mj (2)适当选择正整数p,由公式 计算出组距, p
将权重由小到大分为p组;
j.CRITIC法
该法的基本思路是确定指标的客观权数以评价指 标间的对比强度和冲突性为基础。对比强度以标 准差的形式来表现,即标准差的大小表明在同一 指标内,各方案取值差距的大小。标准差越大, 各方案之间取值差距越大。而各指标间的冲突性 是以指标之间的相关性为基础。若两个指标之间 具有较强的正相关,说明两个指标冲突性较低。 第j个指标与其它指标冲突性的量化指标为 ∑nt=1(1-rij)其中rij为评价指标t和j之间的相关系数。 设Cj表示第j各指标所包含的信息量,则Cj可表示 为:
人们在选择时, 人们在选择时,最困难的就是在众多方案中都不 是十全十美的,往往这方面很好, 是十全十美的 往往这方面很好,其它方面就不十分满 往往这方面很好 意,这时,比较各方案哪一个更好些,就成为首要问 这时,比较各方案哪一个更好些, 题了。 题了。
例1 某家庭预备 “五·一”出游,手上有三个旅游点的资 一 出游, 点景色优美, 是一个旅游热点, 料。u1点景色优美,但u1是一个旅游热点,住宿条件不十 分好, 费用也较高; 点交通方便, 住宿条件很好, 分好 费用也较高;u2点交通方便 住宿条件很好,价钱也 不贵,只是旅游景点很一般; 点旅游景点不错, 住宿、 不贵,只是旅游景点很一般;u3点旅游景点不错 住宿、 花费都挺好,就是交通不方便。究竟选择哪一个更好呢? 花费都挺好,就是交通不方便。究竟选择哪一个更好呢? 在这个问题中,首先有一个目标 旅游选择; 在这个问题中,首先有一个目标——旅游选择;其次 旅游选择 是选择方案的标准——景点好坏、交通是否方便、费用高 景点好坏、交通是否方便、 是选择方案的标准 景点好坏 低、住宿条件等;第三个是可供选择的方案。 住宿条件等;第三个是可供选择的方案。
(3)计算落在每组内的权重的频数和频率;
(4)取最大频率所在的组的组中值作为因素 u j的权重a j ,得到权重集: A = (a1 , a2 ,L , an )
3. 加权统计法
加权统计法的前两步( ),( ),(2) 加权统计法的前两步(1),( )同频数统 计法。 计法。
(3)设第i组的组中值为xi,频数为N i , 频率为 Ni wi wi = ),以每一组的频率作为组中 ( k 值的权数,求加权平均值: a j = ∑ xi wi
b.因子分析权数法
• 根据数理统计中因子分析方法,对每 个指标计算共性因子的累积贡献率来 定权。累积贡献率越大,说明该指标 对共性因子的作用越大,所定权数也 越大。
c.信息量权数法
• 根据各评价指标包含的分辨信息来确定权 数。采用变异系数法,变异系数越大,所 赋的权数也越大。 计算各指标的变异系数, 将CV作为权重分值,再经归一化处理,得 信息量权重系数。
Hale Waihona Puke h.熵权法• 熵最先由申农引入信息论,现已在工程技术、社会经济等 领域得到比较广泛的应用。其基本思路是根据指标变异性 的大小来确定客观权重。一般来说,某个指标的信息熵Ej 越小,表明指标值的变异程度越大,提供的信息量越多, 在综合评价中所起的作用越大,其权重也越大。相反,某 个指标的信息熵Ej越大,表明指标值的变异程度越小,提 供的信息量越少,在综合评价中所起的作用越小,其权重 也越小。把实际数据进行标准化后转变为标准化数据dij后, 依据以下公式计算第j项指标的信息熵: Ej=(lnm)-1∑mi=1pijlnpij 其中m为被评价对象的数 目,n为评价指标数目,并且pij=dij∑mi=1dij,如果pij=0, 则定义limpij→0pijlnpij=0。利用熵计算各指标客观权重公 式为: • wj=1-Ejn-∑nj=1Ej j=1,2,3……n
• Cj=σj∑nt=1(1-rij) j= 1,2, 3,……n • Cj越大,第j个评价指标所包含的信息 量越大,该指标的相对重要性就越大。 第j个指标的客观权重Wj应 为: wj=Cj∑nj=1Cj j= 1,2, 3,……n
k.非模糊数判断矩阵法
• 非模糊数判断矩阵法是通过把三角模糊数判断矩阵转化为 非模糊数,将新矩阵调整为互反矩阵,同时对其一致性进 行检验,再利用AHP法来确定权重的一种方 法。 设三角模糊数M1=(l1,m1,u1), M2=(l2,m2,u2) →建立单位模糊判断矩阵→集结单位模 糊判断矩阵建立三角模糊判断矩阵→将三角模糊数转化为 非模糊数→对互反性进行调整运用AHP法计算即可得到评 价因素的权重集。 该方法以三角模糊数判断 矩阵为基础,通过一系列的数学处理转换,得到模糊综合 评价因素权重,使确定因素权重过程中的主观判断更符合 人们的思维习惯与表达方式,在一定程度上改善了传统模 糊综合评价的某些缺陷,使该方法的准确性和有效性得到 一定的提高。
i.标准离差法
• 标准离差法的思路与熵权法相似。通常, 某个指标的标准差越大,表明指标值的变 异程度越大,提供的信息量越多,在综合 评价中所起的作用越大,其权重也越大。 相反,某个指标的标准差越小,表明指标 值的变异程度越小,提供的信息量越少, 在综合评价中所起的作用越小,其权重也 应越小。其计算权重的公式为: • wj=σj∑nj, j=1,2,3,……n
i =1 p
( j = 1, 2,L , n)
得到权重集: A = (a1 , a2 ,L , an )
§2
层次分析法
(The Analytic Hierarchy process,简称 简称AHP) 简称 层次分析是一种决策分析的方法。它结合了 层次分析是一种决策分析的方法。 定性分析和定量分析,并把定性分析的结果量化。 定性分析和定量分析,并把定性分析的结果量化。
(j = 1, 2,L , n)
1 k 权重取加权平均: a j = ∑ aij k i =1 即得权重集
A = (a1 , a2 ,L , an )
2. 频数统计法
设因素集U = {u1 , u2 ,L , un } k 个专家(i=独立给出的因素ui的权重 (ai1 , ai 2 ,L , ain ) (i = 1, 2,L , k )
§1 专家评估统计法
1. 算术平均法
设因素集U = {u1 , u2 ,L , un } k 个专家,每个专家独立给出的因素u j的权重
a1 j a2 j M a kj
k 个专家给出所有因素的权重排成矩阵 a11 a21 L ak1 a12 a22 L ak1 L L L L a1n a2 n L akn
权重
• 权重是一个相对的概念,是针对某一指标 而言。某一指标的权重是指该指标在整体 评价中的相对重要程度。 • 自重权数:以权数作为指标的分值(或分 数),或者以权数直接作为等级的分值。 • 加重权数:在各指标的已知分值(即自重 权数)前面设立的权数。
a. 专家咨询权数法(特尔斐法)
• 该法又分为平均型、极端型和缓和型。 主要根据专家对指标的重要性打分来 定权,重要性得分越高,权数越大。 优点是集中了众多专家的意见,缺点 是通过打分直接给出各指标权重而难 以保持权重的合理性。
一、建立递阶层次结构
层次分析一般把问题分为三层,各层间关系用线 层次分析一般把问题分为三层, 连接。第一层称为目标层,第二层为准则层,第三层 连接。第一层称为目标层,第二层为准则层, 叫做方案层。如果有次级标准还可以增加次准则层等。 叫做方案层。如果有次级标准还可以增加次准则层等。
例如,上面例子的递阶层次结构为: 例如,上面例子的递阶层次结构为:
• 这种判断通过引入1~9比率标度进行 定量化。该法的优点是综合考虑评价 指标体系中各层因素的重要程度而使 各指标权重趋于合理;缺点是在构造 各层因素的权重判断矩阵时,一般采 用分级定量法赋值,容易造成同一系 统中一因素是另一因素的5倍、7倍, 甚至9倍,从而影响权重的合理性。
g.优序图法
• 设n为比较对象(如方案、目标、指标)的数目, 优序图是一个棋盘格的图式共有n×n个空格,在 进行两两比较时可选择1,0两个基本数字来表示 何者为大、为优。“1”表示两两相比中相对“大 的”、“优的”、“重要的”,而用“0”表示相 对“小的”、“劣的”、“不重要的”。以优序 图中黑字方格为对角线,把这对角线两边对称的 空格数字对照一番,如果对称的两栏数字正好一 边是1,而另一边是0形成互补或者两边都为0.5, 则表示填表数字无误,即完成互补检验。满足互 补检验的优序图的各行所填的各格数字横向相加, 分别与总数T(T=n(n-1)/2)相除就得到了各指标 的权重。
f.层次分析法(AHP法)
• 层次分析法是一种多目标多准则的决策方 法,是美国运筹学家萨迪教授基于在决策 中大量因素无法定量地表达出来而又无法 回避决策过程中决策者的选择和判断所起 的决定作用,于20世纪70年代初提出的。 此法必须将评估目标分解成一个多级指标, 对于每一层中各因素的相对重要性给出判 断。它的信息主要是基于人们对于每一层 次中各因素相对重要性作出判断。
人们在日常生活和工作中, 人们在日常生活和工作中,常常会遇到在多种方案 中进行选择问题。 中进行选择问题。例如假日旅游可以有多个旅游点供选 择;毕业生要选择工作单位;工作单位选拔人才;政府 毕业生要选择工作单位;工作单位选拔人才; 机构要作出未来发展规划; 机构要作出未来发展规划;厂长要选择未来产品发展方 向;科研人员要选择科研课题…… 科研人员要选择科研课题