决策理论与方法之多属性决策
n
j 1
受约束于：
i 1
i
1
i 0i 1,2,, n
二、常用的确定各属性权的方法 ——最小二乘法
用拉格朗日乘法解这一有约束纯量优化问题，则拉格朗日函数为
L
n
a
n n ij i 1 j 1
n i il j 1
j
i
2
L 对l l 1,2,, n求偏导数，并令其为0，得 n 个代数方程：
如果令
则
（ 9.18） bij y j xi , ik 1 xi , k y j z j
k 1 i
b , i 1,, s
ij k j j 1
r
（9.19）
即
1k 1 b11 b12 k 1 b 2 21 b22 k 1 i bi1 bi 2 k 1 bs1 bs 2 s
即
1 1 2 2 n n n n n n n 1 2 A nI w 0
式中 I 是单位矩阵，如果目标重要性判断矩阵A中的值估计准确， 上式严格等于 0( n维 0 向量)，如果A的估计不够准确，则A中元素 的小的摄动意味着本征值的小的摄动，从而有 Aw maxw （9.14） max 是矩阵 A 的最大本征值。由（9.14）式可以求得本征向量即 权向量w 1 , 2 ,, n T 这种方法称为本征向量法。
j 1, j l
a
n lj n il
j
l
2
2
i l , j l时，L2 alll l i l , j l时，L3
l i 1,i l
a
i
2
Ll L1 L2 L3 2 l
j l , j 1
b1 j b2 j bij bsj
b1r 1k k b2 r 2 bir k j k bsr r
（9.20）
可以记作：
二、常用的确定各属性权的方法 ——本征向量法
由 CR=0.1 和表 9.10 中的 RI值,用式(9.15)和式(9.16) 可以求得与 n 相应的临界本征值：
' max CI n 1 n CR RI n 1 n 0.1 RI n 1 n
二、常用的确定各属性权的方法 ——本征向量法
与最小二乘法类似，使用这种方法同样需要求得矩阵 A，为了便于比较第 i 个目标对第 j 个目标的相对重要 性，即给出 aij的值，Saaty根据一般人的认知习惯和 判断能力给出了属性间相对重要性等级表，见表 9.9， 利用该表取 aij 的值，方法虽粗略，但有一定的实用价 值。
1, 2 ,, n
T
二、常用的确定各属性权的方法 ——最小二乘法
式9.13的推导：
L
a
n n ij i 1 j 1
j
i
2
2
i
i 1 对l l 1,2,, n 求偏导
找出含 的项：
l
i l , j l时，L1
三、最底层目标权重计算—网状结构
xi y xi z y j , i 1,, s
r j 1
j
（9.17）
显然，这就是用 y j 对z的总要性 z y xi 去衡量 xi 对于z的优先性。
j
y 乘以 xi对 y j 的重要性
j
三、最底层目标权重计算—网状结构
为什么要引入权？
多目标决策问题的特点也是求解的难点在于目 标间的矛盾性和各目标的属性值不可公度，求 解多属性决策问题同样需要解决这两个难点。 其中不可公度性可通过属性矩阵的规范化得到 部分解决, 但这些规范化方法无法反映目标的 重要性。因此，引入权的概念，以衡量目标的 重要性。 属性矩阵的规范化：就是对决策数据进行预处 理。主要有6种方法，即线性变换、标准0-1变 换、最优值为给定区间时的变换、向量规范法、 原始数据的统计处理、专家打分数据的预处理。
j
（9.11）
ij
1时
i i 1
j
1
a
i 1
二、常用的确定各属性权的方法 ——最小二乘法
若决策人对 aij 的估计不准确，则上列各式中 的等号应为近似号。这时可用最小二乘法求w 即解： n n 2 min aij j i （9.12）
a
n lj n j l , j 1
j l alll l 2 2
i l ,i 1
2 a il l i 2 l
n
L'l
n
2a
lj lj j
j
l 1 2alll l all 1
二、常用的确定各属性权的方法 ——本征向量法
在用该法确定权时，可以用max n来度量 A 中各元素 aij 的估计的一致性。为此引入一致性指标CI： max n （9.15）
CI
n 1
CI与与表 9.10 所给同阶矩阵的随机指标 RI之比称为一致 性比率 CR，即 CR=CI/RI （9.16） 比率 CR可用来判定矩阵 A 能否被接受。 若 CR>0.1， 说明 A 中各元素的估计一致性太差,应重新估计。若 CR<0.1，则可认为 A 中各元素的估计基本一致,这时可以 用(9.14)式求得w ,作为 n 个目标的权。
二、常用的确定各属性权的方法 ——最小二乘法
首先由决策人把目标的重要性作成对比较，设有 n 2 1 n 个目标，则需比较Cn n 1 次。把第 i 个目标对第
2
j 个目标的相对重要性记为 aij ，并认为，这就是属性
n i 的权 i 和属性 j 的权 j 之比的近似值 aij i j ，
2n 2 1 2 2 2 A 21 22 （9.8） a ann n n n n a 1 n2 1 2 n
个目标成对比较的结果为矩阵A。 a a a 11 12 1n 1 1 1 2 1 2 a a n a
三、最底层目标权重计算—网状结构
对网状结构目标体系，可用下述递推方法求最 低层次各目标的权。 设多目标决策问题的目标共有 k+1 级，其中 第 k-1、 k 和 k+1 级如图 9.3 所示， 我们构 xi 对 k-1 级的 造一个 “第k+1 级的某个元素 某个元素 z 的优先函数” （优先函数表示第 x1 , x2 ,, xi ,, xs k+1 级中各元素 对第 k1 级中的元素 z 的相对的重要即优先性），我 们将此函数记作 ，则
a
j 1
l
a 0
il l i i 1
n
二、常用的确定各属性权的方法 ——本征向量法
由式（9.8），得
1 1 1 2 1 2 Aw 2 1 2 2 2 n
为什么要引入权？
一、权的概念
权是目标重要性的度量, 即衡量目标重要性的 手段。 权这一概念包含并反映下列几重因素： ①决策人对目标的重视程度 ②各目标属性值的差异程度 ③各目标属性值的可靠程度 权应当综合反映三种因素的作用，而且通过权， 可以通过各种方法将多目标决策问题化为单目 标问题求解。
2
i
i 1
a a a
il l lj i 1
j
l 0, l 1,2,, n
（9.13）
由式（9.13）及
i 1
n
i
1 共n 1 个方程，其中有1, 2 ,, n
及 共 n 1个变量，因此可以求得 w
比较复杂的多属性决策问题的目标往往具有层次结构。 根据不同层次的目标间的关系，可以把多层次的目标 体系分成两类。一种是树状结构，如图 9.2(a)所示， 另一种是网状结构，如图 9.2(b)所示。
下面分别介绍这两种结构的最低层权重的设定方法。
三、最底层目标权重计算—树状结构
对于树状结构的目标体系，只要自上而下，即由树干 向树梢，求树杈各枝相对于树杈的权，如图 9.2(a)所示 的系统，首先用第二分节介绍的方法确定第二层中的三 个目标 B 、C 、D 相对总目标 A 的权1, 2 , 3 且使 1 2 3 1；其次确定与第二层各目标相关联的第三层 目标的权，共三组，使 j ij 1i 1,2,3 直到最低层目标 相对上一层次目标的各组权全部设定为止。 在求出上述各组权后，只要将上一层次目标的权与该 目标相关的下一层目标的权相乘即得下一层目标关于总 目标的权。例如目标 H 关于总目标的权 H 2 21 ， 这样依次进行即可获得最低层各目标相对于总目标的权。
第九章 多属性决策
《决策理论与方法》
第九章 多属性决策
第二节 确定权的常用方法 第三节 加权和法 第五节 TOPSIS法
第二节 确定权的常用方法
一、权的概念 二、常用的确定各属性权的方法 （一）最小二乘法 （二）本征向量法 三、最底层目标权重的计算
简单回顾
目标间不可公度：各目标没有统一的衡量标准 或计量单位，因而难以进行比较。 目标间的矛盾性：如果采用一种方案去改进某 一目标的值，很可能会使另一目标的值变坏。
多属性决策理论基础和分析方法
2.1.1 MADM的基本概念
一般地，当决策人对候选方案关于属性进行评估之后， 评估数据汇总为下面矩阵形式的决策表：
y11 y12
y21
y22Leabharlann Oym1 ym2y1n
y2n
ymn mn
2.1.2决策表的规范化方法
决策表中的数据的规范化有三种作用： 首先，属性值有多种类型。有些指标的属性值越大越 好，如科研成果数、科研经费等是效益型；有些指标 的值越小越好，称作成本型。这几类属性放在同一表 中不便于直接从数值大小来判断方案的优劣，因此需 要对属性表中的数据进行预处理，使表中任一属性下 性能越优的值在变换后的属性表中的值越大。
4、 ELECTRE方法
ELECTRE(Elimination et choix traduisant laréalité)法首先 1966年被Benayoun等人提出，ELECTRE 最主要的概念是 去处理方案和方案间使用准则做为评估的级别高于关系 (“out ranking relationship”) ,即建立方案和方案间的级 别高于关系以淘汰较差的方案。
1、 加权求和
属性间的矛盾性和各属性值的不可公度性可以通过数据 的规范化得到一定程度的缓解，但前述规范化过程不能 反映目标的重要性。权重，是属性重要性的度量，即衡 量目标重要性的手段。
一般地，权重有三重含义: ① 决策人对目标的重视程度； ②各目标属性值的差异程度；③各目标属性值的可靠程 度。
y
min j
2.1.2决策表的规范化方法
常用的数据预处理方法
最优值为给定区间时的变换
设给定的最优属性区间为
[
y
0 j
,
y
* j
],
1-
《2024年多属性决策理论、方法及其在矿业中的应用研究》范文
《多属性决策理论、方法及其在矿业中的应用研究》篇一一、引言多属性决策理论是决策科学的重要分支，主要涉及多个属性的权衡与评估。
随着社会、经济、科技的发展，多属性决策问题越来越复杂，因此该理论得到了广泛的关注和研究。
特别是在矿业领域，面对多种矿石类型、生产技术、市场需求和生态环境等因素的制约，如何做出有效的多属性决策，直接关系到矿业资源的开采、开发效益和环境安全。
本文将针对多属性决策理论及其在矿业中的应用进行深入研究。
二、多属性决策理论概述多属性决策理论是一种基于多个属性的决策方法，它通过综合考虑各种因素，对备选方案进行全面评估和比较，从而做出最优决策。
该理论主要包括以下几个方面的内容：1. 属性定义与量化：明确决策问题的各个属性，如成本、效益、风险等，并对这些属性进行量化处理，以便进行后续的评估和比较。
2. 权重确定：根据各属性的重要程度，确定其权重。
权重的确定方法有多种，如层次分析法、熵权法等。
3. 决策模型构建：根据决策问题的特点和需求，构建相应的决策模型。
常见的决策模型有多属性效用理论、多目标决策分析等。
4. 方案评估与选择：根据决策模型和各属性的量化值，对备选方案进行评估和比较，选择最优方案。
三、多属性决策方法在矿业中的应用在矿业中，多属性决策方法广泛应用于矿石类型选择、生产技术选择、矿山布局优化、矿产资源评价等方面。
以下将详细介绍多属性决策方法在矿业中的应用：1. 矿石类型选择：针对不同类型矿石的开采价值、开采成本、环境影响等因素，运用多属性决策方法进行综合评估和比较，选择最优的矿石类型进行开采。
2. 生产技术选择：针对不同的采矿技术、加工技术等，从技术可行性、经济效益、环境影响等方面进行综合评估和比较，选择最优的生产技术。
3. 矿山布局优化：针对矿山的地理位置、资源分布、交通状况等因素，运用多属性决策方法进行综合分析，优化矿山布局，提高资源利用效率和经济效益。
4. 矿产资源评价：针对矿产资源的储量、品位、开采条件等因素，运用多属性决策方法进行综合评价和预测，为矿产资源的开发利用提供科学依据。
多属性决策理论方法与应用研究
多属性决策理论方法与应用研究摘要：多属性决策理论是一种重要的决策方式，可以为复杂的决策问题提供科学有效的解决方案。
本文对多属性决策理论的相关理论和应用进行研究，主要探讨了多属性决策理论的基础概念、分类方法、常用模型及其优缺点，以及多属性决策理论在各个领域中的应用实践。
通过对多属性决策理论的研究与分析，本文认为多属性决策理论是一种科学、可靠的决策方式，可为各类决策问题提供较为优质的决策方案。
关键词：多属性决策；理论方法；应用研究；优缺点；决策方案。
一、引言多属性决策理论是一种重要的决策方式，广泛应用于各个领域。
在政府、企业、社会团体等各种机构的决策中，多属性决策理论的应用已经趋于成熟。
多属性决策理论通过对决策对象进行多因素分析，综合考虑多个指标因素，最终得出相对优的决策方案。
本文旨在对多属性决策理论的相关理论和应用进行研究，以期为各种机构提供科学、有效的决策支持。
二、多属性决策理论的基本概念多属性决策理论最基本的概念是“指标”，即决策对象中各项属性的度量值，表示决策对象在不同方面的表现。
每个指标又可以分为“定量指标”和“定性指标”两类。
另外，多属性决策理论还涉及到“权重”、“偏差”、“优化方法”等相关概念。
权重指标的重要性或优先级，偏差表示指标测量误差，优化方法则指在满足各种约束条件的基础上，寻求全局最优决策方案。
三、多属性决策理论的分类方法在多属性决策理论中，存在着多种分类方法，包括基于效用函数的分类方法、基于模糊数学的分类方法、基于层次分析法的分类方法、基于模型建立的分类方法等。
不同的分类方法适用于不同情况下的决策问题，各有优缺点。
需要根据具体的决策问题确定合适的分类方法，并根据需要进行组合应用。
四、多属性决策模型及其优缺点在多属性决策理论中，包含了多种模型，包括加权线性模型、层次分析模型、TOPSIS模型、熵权法模型等。
这些模型各有不同的优缺点，不同模型适用于不同情况，需要根据实际决策问题进行选择。
决策理论与方法教学作者罗党第三章多属性决策
3.1 多属性决策概述
提出 问题 明确问题、确定目标、标识属性
构造模型、估计参数
方案集X
属性集f(x)
评价、优化
决自
价
策然 环状
决策
值 判
境态
断
重
新 评
否
是否满意
价
是
实施
3.1 多属性决策概述
3.1 多属性决策概述
▪ 例3-1-1 设某连锁快餐店在某地区现有6个分店，由于无法完 全满足该地区用餐、送餐需求，需要扩建其中的一个分店。
▪ 出行、不被雨淋湿就是我们的目标，显而易见我们的目标有两个 ；
▪ 而出行有不同的雨具和交通工具可供选择，这两者我们称之为方 案；
▪ 快速、方便快捷、经济等这些指标我们称之为属性（或方案属性 ）；
▪ 像安全、美观、舒适这些是评价目标的指标，我们可以称为目标 的属性。
3.1 多属性决策概述
▪ 经典多属性决策问题可以描述为：给定一组可能的备选方案 ，对于每个方案 ，都需要从若干个属性
3.1 多属性决策概述
▪ (2)数据预处理
▪ 数据预处理又称属性值的规范化，主要有如下三个作用（要求）：
▪ 第一，属性值有多种类型。
▪ 有些指标的属性值越大越好，如人均绿地面积、税收等，称为效益型指标；
▪ 有些指标的值越小越好，如扩建分店的费用、平均送餐距离等，称为成本型指标。
▪ 另有一些指标的属性值，既非效益型又非成本型
3.1 多属性决策概述
▪ 例3-1-2 为了客观地评价某城市5个街区，监管部门组织了一次评 估，选择其中一个作为示范性街区。由于所评价的街区包括商业街 、小型工业园区、城市绿化用地、文化娱乐街、住宅区等，所以有 关部门收集了一些数据作为评价标准。对于评选示范性街区，不是 单凭绿化面积大或者税收收入多就能当选的，而是要综合考虑各街 区的各个属性指标。表3-1-5中所给出的是为了介绍各种数据预处 理方法的需要而选的四种典型属性和经过调整了的数据。
决策理论与方法之多属性决策
决策理论与方法之多属性决策多属性决策是决策理论与方法中的一种重要决策方法，主要用于解决具有多个评价指标的决策问题。
在实际生活和工作中，我们常常需要面对的是多因素影响下的决策问题。
多属性决策方法的应用可以帮助我们全面、客观、科学地对待问题，提高决策的准确性和决策结果的有效性。
多属性决策方法的核心思想是将决策问题中的多个属性进行定量化，并将各个属性的权重进行合理分配，最终得出综合评价结果，从而选择最优的决策方案。
在多属性决策中，常用的方法包括层次分析法、利用等价关系建立模型、TOPSIS方法等。
层次分析法是一种常用的多属性决策方法，其主要思想是将决策问题拆分成若干个子问题，并构建层次结构，通过比较不同层次的准则，得出最终的决策结果。
该方法的优点是能够考虑多个属性的重要性，并将其量化成权重，从而进行综合评估。
但是，层次分析法需要进行一系列的判断和计算，比较繁琐，容易受到主管者主观判断的影响。
利用等价关系建立模型是另一种常用的多属性决策方法，其主要思想是通过对各个属性之间的关系进行建模，从而得出最终的决策结果。
该方法的优点是能够考虑属性之间的相互影响，更加真实地反映决策问题的本质。
但是，建立等价关系模型需要对问题有一定的了解和分析能力，并且需要进行一定的计算，对于一些复杂问题来说，可能会存在一定的困难。
TOPSIS方法（Technique for Order Preference by Similarity to an Ideal Solution）是一种较为常用的多属性决策方法，其主要思想是将各个决策方案与最佳解和最差解进行比较，通过计算得出每个方案与最佳解和最差解的接近程度，并根据接近程度确定优劣排序。
TOPSIS方法具有计算简单、易于理解和应用的优点，但是在实际应用中，需要对决策问题进行一定的约束条件和假设。
综上所述，多属性决策方法是一种重要的决策理论和方法，可以帮助我们解决多因素影响下的决策问题。
决策理论与方法多属性决策多目标及序贯决策
决策理论与方法多属性决策多目标及序贯决策多属性决策是指在决策过程中考虑多个属性或指标，通过对这些属性进行量化和比较，找出最优选择的决策方法。
在实际决策中，我们常常需要考虑多个属性因素，而这些因素往往是相互矛盾甚至相互制约的。
多属性决策的关键是建立合理的评价指标体系，将不同属性进行量化，再通过合适的决策模型或方法进行计算和比较。
常用的多属性决策模型包括加权法、层次分析法和灰色关联法等。
多目标决策是指在决策过程中存在多个决策目标，且这些目标往往是相互冲突或无法同时达到的。
多目标决策的目标是找到一个最佳的折衷方案，使得各个决策目标能够得到尽可能满足。
多目标决策的关键是建立合理的决策模型，将各个决策目标进行量化和比较，再通过适当的优化方法或规划方法寻找最优解。
常用的多目标决策方法包括线性规划、整数规划、动态规划和遗传算法等。
序贯决策是指在决策过程中需要根据不完全的信息和不确定的环境进行连续的决策，即通过一系列的决策步骤逐渐完善和调整决策方案。
序贯决策的关键是建立适当的决策模型，将决策过程分解为多个连续的阶段，每个阶段根据已有的信息和条件做出决策，并根据反馈信息不断调整和优化决策方案。
常用的序贯决策方法包括马尔可夫决策过程、博弈论和贝叶斯决策等。
在实际应用中，多属性决策、多目标决策和序贯决策往往会相互结合使用。
例如，在制定企业的发展战略时，需要考虑多个因素，如市场需求、竞争环境和资源能力等，这涉及到多属性决策的内容。
同时，为了实现企业的长远目标，需要考虑多个决策目标，如利润最大化、成本最小化和风险最小化等，这也涉及到多目标决策的内容。
而在制定战略的实施方案时，可能需要根据不断变化的市场和竞争环境进行序贯的决策，这涉及到序贯决策的内容。
综上所述，多属性决策、多目标决策和序贯决策是决策理论与方法中常用的三个重要方法。
它们分别从不同的角度和需求出发，帮助人们在复杂和不确定的决策环境中做出最佳决策。
这些方法在实际应用中相互结合，能够提供更全面和准确的决策支持。
多属性决策基本理论与方法
多属性决策基本理论与方法多属性决策（Multiple Attribute Decision Making, MADM）是一种基于多个属性或准则来做出决策的方法。
在实际生活和工作中，我们经常需要面对多种选择，并需要在多个属性或准则下进行权衡和评估，才能做出最终的决策。
多属性决策的基本理论和方法主要包括层次分析法（Analytic Hierarchy Process, AHP）、熵权法（Entropy Method）、TOPSIS法（Technique for Order Preference by Similarity to Ideal Solution）、灰色关联法等。
层次分析法（AHP）是一种用于处理具有复杂结构的决策问题的方法。
它通过将决策问题层次化，分解为多个相互关联的准则和子准则，然后通过定量化判断矩阵来评估和比较每个准则的重要性，最终得出最优决策方案。
AHP方法能够将主观判断和定量分析相结合，较好地解决了决策问题中的主观性和复杂性。
熵权法（Entropy Method）是一种基于信息熵理论的权重确定方法。
它通过计算各个准则的信息熵，反映了准则之间的不确定性和随机性程度，从而确定各个准则的权重。
熵权法可以较客观地确定权重，简化了权重确定的过程，适用于信息量多、准则之间相互影响较大的情况。
TOPSIS法是一种常用的多属性决策方法，它通过计算每个备选方案与理想解之间的距离来进行排名。
TOPSIS法假设最佳方案与理想解之间的距离最小，且离其他方案之间的距离最大，从而确定最有优决策方案。
TOPSIS法能够综合考虑多个属性或准则之间的关系，适用于离散型数据和连续型数据。
灰色关联法是一种基于灰色系统理论的多属性决策方法。
它通过将样本之间的关联性转化为相关程度来评估和比较备选方案。
灰色关联法能够处理数据含有不确定性和不完全信息的情况，对于缺乏可靠数据的决策问题较为适用。
总之，多属性决策基本理论与方法提供了一种系统和科学的决策分析框架，能够结合主观判断和定量分析，帮助人们在复杂的决策环境下做出科学、准确的决策。
多属性决策理论基础和分析方法
多属性决策理论基础和分析方法多属性决策理论的基本概念是属性和决策。
属性是用于描述决策对象特征的变量或准则，例如价格、质量、服务等。
决策是选择一个方案或行动来达到一些目标的过程。
多属性决策就是根据各个属性的重要性和得分来进行综合评价和选择。
多属性决策分析方法包括加权求和法、启发式法、模糊数学法和层次分析法等。
其中，加权求和法是最简单和常用的方法，它通过为每个属性分配权重，然后将属性得分与权重相乘再求和，得到决策对象的综合评分。
启发式法是基于经验和直觉的方法，根据决策者的意愿和偏好来进行决策。
模糊数学法是一种处理不确定性和模糊性的方法，它将属性的得分表示为模糊数并进行运算，得到决策对象的模糊评价。
层次分析法是一种层级结构分析的方法，它将决策问题划分为不同层次的准则和子准则，并通过专家判断和比较来确定权重和评价。
多属性决策理论的核心思想是考虑多个属性的影响，避免片面和主观的决策。
它能够全面系统地评估决策对象的特征和优劣，提供更准确和科学的决策依据。
然而，多属性决策也存在一些挑战和局限性，如权重设定和属性评价的主观性、数据不确定性和决策者意愿的影响等。
在实际应用中，多属性决策理论广泛用于工程、经济、环境和管理等领域。
例如，在工程领域，可以利用多属性决策理论来选择最佳供应商或材料，考虑价格、质量、交货期等属性。
在环境领域，可以利用多属性决策理论来评估不同的治理方案，考虑环境效益、经济成本、社会接受度等属性。
综上所述，多属性决策理论是一种处理多个属性的决策方法，通过权重设定和属性评估来进行综合评价和选择。
它能够提供科学和全面的决策支持，但也需要注意主观性、不确定性和意愿性等因素的影响。
在实际应用中，可以根据具体情况选择适合的分析方法，并结合实际经验和专家判断来进行决策。
多属性决策简介
多属性决策简介多属性决策研究简介多属性研究，简称为MADM,，也称有限方案多目标决策，是指在考虑多个属性或者是目标下，选择最佳方案或者是排序有限备选方案的决策问题。
多属性决策问题的组成包括以下5个方面：1、决策单元或者决策人：据侧人可以是一个人或者是一群人，直接或者间接提供价值判断，并据此选择最佳方案或者排雷可行方案；2、属性集P：每个备选方案都需要有若干个属性；3、备选方案集S：每个决策问题都要有若干个可供选择或者排序的方案；4、决策情况：主要是指问题的结构和研究决策环境；5、决策规则：一般可以分为两种：最优化决策和满意决策。
满意决策一般把问题的可行方案分为若干有序子集，牺牲最优性，使问题简化，寻求令人满意的方案。
多属性决策中基础的几个步骤包括：决策矩阵的规范化：为使得各个决策方案在不同的决策属性中具有可比性，需要对决策矩阵进行所谓的规范化操作。
儿规范化的方法有很多种，一般都要求其最后的属性无量纲且各值在[0,1]之间。
其中包括的有效益型属性和成本型属性主要包括：向量归一化方法：各个属性值和相应的指标下的平方和的平方根的比值；极差变换方法：和极差的比值；比重变换：和或者倒数的和之比；线性变换：最大最小直接比；固中变换，通过某个属性上的理想值来做出规范化变换；偏离型规范法：主要用于某些越偏离某个值越好的属性的规范法。
权重的确定目前主要的权重确定方法包括三大类：决策者给出偏好的主观赋权方法和基于决策矩阵的客观赋权方法，以及将两者结合到一起的主客观信息结合方法。
下面简单介绍下我所了解的几种。
主观的赋权方法：特征向量方法、*最小平方和方法和德尔菲法等；客观的赋权方法：主要成分分析、*熵法等主客观赋权方法：在各个赋权方法的目标函数（主要包括加权法和理想点法两种构造方法）中加入相对比例的新目标函数得出的赋权值备选方案S的综合评价计算规范化之后，各个方案在属性上就有了可比性，下一步就是要计算各个属性上的综合值。
决策理论与方法之多属性决策
决策理论与方法之多属性决策多属性决策是决策理论与方法中的一个重要分支，主要用于处理具有多个属性或标准的决策问题。
多属性决策注重综合各个属性或标准的信息，通过量化和加权的方式，对各个选择方案进行评价，从而找到最符合决策者要求的最佳方案。
多属性决策的基本框架包括问题定义、属性权重确定、方案评价和最优方案选择四个主要步骤。
问题定义是多属性决策的起点。
在这一步骤中，决策者需要明确决策的目标和各个属性或标准的要素。
例如，若要选取一家供应商，决策者可以将供应商的价格、品质、交货期等作为属性。
属性权重确定是多属性决策的关键步骤。
由于各个属性可能具有不同的重要性，因此需要对不同属性进行加权处理。
传统的方法包括主观加权法和客观加权法。
主观加权法主要依赖于决策者主观意愿，通过对不同属性进行比较排序来设定权重；客观加权法则基于统计分析或数学建模等方法，通过数据处理来确定各属性权重。
方案评价是对各个选择方案进行量化评价的过程。
在这一步骤中，可以使用评价函数、模型或指标来对各个属性进行量化和评估。
评价函数可以是线性函数、指数函数或对数函数等，可根据具体的决策问题选择适合的函数。
模型方法基于专家判断、经验法则或历史数据等，通过建立模型来对方案进行评价。
指标方法则是利用指标体系来评价方案的好坏。
最优方案选择是多属性决策的最终目标。
在这一步骤中，通常会使用其中一种决策方法或算法来确定最佳方案。
常用的方法包括加权总分法、熵权法、TOPSIS法和灰色关联法等。
加权总分法是最简单直观的方法，将各个属性的分数按权重加总，得到最终的总分，从而选择总分最高的方案。
熵权法则通过考虑属性之间的相关性，将熵指标作为属性权重的度量，从而选择最小熵的方案。
TOPSIS法则将方案与最佳方案和最差方案进行比较，根据各个属性的正负向离差距离，确定每个方案的综合指标，从而选择综合指标最大的方案。
灰色关联法则通过计算各个方案与最佳方案之间的关联度，从而选择关联度最高的方案。