多属性决策
《运筹学Ⅱ》课程教案第1次多属性决策1.1 多属性决策基本概念与数据整理技术 1.1.1 多属性决策问题及其解的形式设有一组可能的方案12.....M A A A ，需要考察的属性记为12,....n C C C ，各属性的重要程度即权值用12,....n ωωω表示，0j ω≥，j ∀，且符合归一化条件12....1n ωωω+++=。
将决策后果即方案的属性值记为,ij x 1,2,.....i m =，1,2,.....j n =。
旨在找出其中的最优方案，记为max A 。
上述多属性决策间题可以写成表1-1的决策矩阵在多属性决策问题中，由于属性指标之间的相互矛盾与制衡，因而不存在通常意义下的最优解。
取而代之的是有效解（也称非劣解）、满意解、优先解、理想解、负理想解和折衷解，它们被分别定义如下：有效解（Efficient Solution ）：不被任何其它可行解所支配的可行解被称为有效解。
这里，所谓支配应理解为在所有属性上得到的结果都不比对方差，而且至少在一个属性上得到的结果比对方好。
满意解（Satisficing Solution ）在所有属性上都能满足决策者要求的可行解披称为满意解。
显然，满意解可以不是有效解。
优先解（Preferred Solution ）：最能满足决策者指定条件的有效懈被称为优先解 理想解（Ideal Solution ）：由各属性在现有方案中可能具有的最好结果组合而成的解被称为理想解。
一般来说，理想解是不存在的。
否则，理想解必是最优解，决策分析便不复存在。
其数学表示式为1(....,....,)J n A c c c ++++=其中，max (),1,2.....j j ij ic U x j n +==这里的()j ij U x 表示第i 个方案在第j j 个属性上基于ij x 的效用函数值。
理想解的概念在多属性决策的理论和实践中都有着重要的意义，关于多属性决策的折衷模型及算法便是以它为基础建立起来的。
反理想解（Anti-ideal Solution ）：由各属性在现有方案中可能具有的最坏结果组合而成的解被称为反理想解。
一般来说，反理想解也是不存在的。
否则，它必可作为劣解而被淘汰。
其数学裹示式为1(....,....,)J n A c c c ----=式中 min (),1,2.....j j ij ic U x j n -==与理想解一样，反理想解也是折衷算法的参照基准之一。
折衷解（Compromise Solution ）：距离理想解最近或距离反理想解最远或以某种方式将二者结合在一起的可行解被称为折衷解。
在一般情形下，这3种折衷解给出的结果并不总是一致的，决策者应具体情况具体考虑。
1.1.2属性指标的量化与转换在对决策问题的属性值进行综合运算之前，首先要解决下面的两个问题。
1语言类属性指标的量化在多属性决策问题中，方案的属性值通常有定量和定性两种不同的表示形式。
为了便于对属性值进行必要的数学处理，普遍采用MacCrimimon 提出的双向比例标尺（Bipolar Scaling ）将定性指标转换为定量指标。
其标尺形式见10-12属性值的规范化处理由于不同属性的量纲通常是不同的，而且是同一量纲的属性值在大小上也相差悬殊，因而不同属性之间便少有或没有可比性。
所谓属性值的规范化处理就是要消除量纲的影响，并将所有数值的大小全部统一到单位区间内，这样才有比较的基础。
虽然不是所有的多属性决策方法都要求属性值规范化，但对于一大类基数型决策方法来说．如常见的极大－极大型决策。
极大极小型决策、赫威斯型决策和简单加权型决策等，这一步骤却是必烦的。
在多属性决策分析中，最常用的数据规范化方法主要有以下两种。
1） 向量法。
该方法的数值转换公式为：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。
2）比例法。
该方法对干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， 其转换公式为而对于成本性属性值，其转换公式为：其中，max 12max ,,....j j j mj x x x x =，min12min ,....,jj j mj x x x x = 属住值经过规范化处理之后的决策矩阵称为规范矩阵。
1.1.3属性权值的比较与分配在多属性决策问题中，相对于决策者来说，不同属性的重要程度往往是不一样的。
因此，在进行多属性决策分析之前，应首先确定每一属性的权值。
常用的权值确定方洼主要有两类：第一类是基于决策者自身认识和经验的主观比较法，第二类是基于属性值特征的客观分析法。
前者适用于决策矩阵未知的情况；后者适用于决策矩阵已知的情况。
现就这两类方法中最具代表性的判断矩阵法和墒法分别介绍如下。
1） 判断矩阵法最低 1很低3 低5 平均7 高9 很高10 最高最高 0 很高 1 高 3 平均 5 低 7 很低 9 最低 10这一方法要求决策者将属性两两之间作成对的比较，给出每对同性的权重比ij ωω，,1,2,....i j n =比值的确定方式参见表1-2依据上述比较结果可构造权重比炬阵显然．在矩阵R 中1ii r =，1ij jir r =，0ij r ≥。
如果决策者对权重比的估计是一致的，则还应有ij ik kj r r r =⨯。
R 被称为判断矩阵，而满足一致性要求的判断矩阵被称为相容矩阵。
理论上，相容矩阵的任意一列都可以视为属性的权向量。
但实际上，由决策者给出的判断矩阵R 很难满足一致性的要求。
为此．需采用某种特定方法在R 的基础上对权向量进行估汁。
常用的估计方法有算术平均法，几何平均法、特征向量法和最小二乘法4种（1） 算术平均法。
由于判断矩阵R 中的每一列都近似地反映了权值的分配精形，故可采用全部列向量的算术乎均值来估汁权向量。
即（2） 几何平均法：与算术平均法类似，几何平均法是采用判断矩阵R 中全部列向量的几何平均值作为权向量的估什。
即（3） 特征向量法将权重向量右乘权重矩阵，则有：或者：()0R nI w -=如果判断矩阵见是相容矩阵，由矩阵理论可知，n 是R 的唯一非零的也是最大的特征根，记为，而w 是n 所对应的特征向量。
如果判断矩阵不完全具有相容性，则上面的等式并不成立．但矩阵R 元素的微小变动则意味着根的微小变动．故可先求解R 最大特怔根，即求解以下用行列式形式表示的方程组的最大解且；1112121222120n n m m mnr r r r r r r r r λλ--=将求出的最大特征根max λ带入其次线性方程组max ()0R I w λ-=从而解出max λ对应的特征向量12(,,)T n w ωωω=如果判断矩阵R 是相容矩阵，将特征向量w 作归一化处理后即可作为属性的权向量。
但一般来说，R 未必是相容矩阵，为了度量判断矩阵R 的相容性，Saaty 定义了下面的不相容指标：当()0.1C R ≤时，认为判断矩阵R 的相容性良好，可采用特征向量W 作为权向量，否则，需要对判断矩阵R 重新调整。
由于特怔根对应的特怔向量一般不是惟一的，为了确切起见，可采用归一化的特征向量作为权向量。
即12111,,n n n ni i i i i i w ωωωωωω===⎡⎤⎢⎥⎢⎥=⎢⎥⎢⎥⎣⎦∑∑∑ （4）最小二乘法。
由于判断矩阵R 的相容性很难保证；故一般情形下。
但可i ij r j ωω≠ 以根据最小二乘法原理选择一组权值{}12,,n ωωω，使其误差的平方和最小。
即2111min Z=(). 10 1,2,n nij ji j ni i i r i s t i nωωωω===-=>=∑∑∑例题1已知判断矩阵R 为：113123132131R ⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦解：如果采用算术平均法，因为111n iji n j kjk r n r ω===∑∑，其中，分母部分为列向量的和，所以，其权值分配为：111133132(,,)1131231311312313113313122ω=++++++++++++++++ 从以上分析可以看出，其权值为：每行数据除以列的和，然后取平均值。
第一行的平均值为1ω，第二行的平均值为2ω如果采用几何平均法，由于11111()()nnij j i nnnkjk j r rω====∏∑∏，所以，其权值的计算方式为：采用特征向量法，计算过程如下： 首先求得相应矩阵的特征值：1131211312313313021312131E λλλλ-⎡⎤⎢⎥-=-=⎢⎥⎢⎥-⎣⎦，解得最大特征根为： 3.0536λ= 3.05363()0.02680.131C R -==≤≤-相容性好，。
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-
多属性群决策方法的研究的开题报告
多属性群决策方法的研究的开题报告1. 研究背景在实际决策中，往往需要考虑多个属性因素来评价决策方案的优劣。
多属性决策是一种重要的决策技术，多属性群决策是其一种应用。
多属性群决策方法针对多个参与者（决策者）之间的意见不同以及复杂的属性关系，尝试找到一种综合性的决策方法，以便支持决策者作出更加合理的决策。
2. 研究目的本文将研究多属性群决策方法，重点探究不同的评估方法，比较其优劣，找到合适的应用场景。
具体研究目标如下：（1）了解多属性群决策的概念和原理；（2）分析不同的多属性群决策方法；（3）比较各个方法的优缺点；（4）研究多属性群决策方法的应用场景。
3. 研究内容（1）多属性群决策的概念和原理本部分主要介绍多属性群决策的定义、特点及其基本原理。
（2）多属性群决策方法本部分将对常用的多属性群决策方法进行介绍，包括熵权法、模糊综合评价法等。
（3）多属性群决策方法的比较本部分将对各种方法进行比较，从适用范围、计算难度等角度进行探讨。
（4）多属性群决策方法的应用场景本部分将分析多属性群决策方法在不同领域和场景中的应用情况，提出相应的建议和解决方案。
4. 研究方法本研究将采用文献综述法和案例分析法相结合的方法进行研究。
首先对多属性群决策方法及其相关理论进行文献综述，了解当前的研究动态和热点；然后选择几个典型的案例进行分析，并对不同的评价方法进行比较，以确定其优缺点；最后结合真实的问题进行应用案例分析，进一步验证各个方法的有效性。
5. 研究意义多属性群决策方法已经成为现代决策科学的重要分支之一，具有广泛的应用前景。
本研究将为决策者提供重要的决策支持和参考依据，促进多属性群决策方法在实际中的应用，进一步推动决策科学的发展。
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。
topsis-模糊综合评判法
TOPSIS与模糊综合评判法：多属性决策方法比较与选择一、引言在决策分析中，多属性决策问题是一个常见的问题类型。
这些问题涉及多个属性或指标，需要对这些属性进行权重分配和综合评价，以确定最优方案。
TOPSIS和模糊综合评判法是两种常用的多属性决策分析方法。
本文将介绍这两种方法，并通过比较它们的优缺点，为实际应用提供选择依据。
二、TOPSIS 方法TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）是一种多属性决策分析方法，它通过计算每个方案与理想解和负理想解的距离，来评估方案的优劣。
理想解是所有方案中最好的解，负理想解是最差的解。
步骤：1.构建属性权重向量，确定各属性的权重。
2.归一化属性值，将各属性的值转换到同一量纲。
3.计算每个方案与理想解和负理想解的距离。
4.计算每个方案的相对接近度，根据相对接近度的大小，对方案进行排序。
优点：1.可以处理不同的属性类型，包括效益型、成本型和区间型。
2.可以考虑属性的不同权重。
3.易于理解和计算。
缺点：1.对数据分布敏感，如果数据分布不均匀，可能导致评价结果失真。
2.对属性值的小幅变化敏感，可能导致评价结果不稳定。
三、模糊综合评判法模糊综合评判法是一种基于模糊逻辑的多属性决策分析方法。
它通过模糊集合和模糊规则来描述属性之间的模糊关系，从而对方案进行综合评价。
步骤：1.确定属性集合和方案集合。
2.确定属性之间的模糊关系，建立模糊矩阵。
3.确定属性权重向量，确定各属性的权重。
4.进行模糊运算，得到每个方案的隶属度和优先度。
5.根据隶属度和优先度对方案进行排序。
优点：1.可以处理不确定性和模糊性。
2.可以考虑属性的不同权重。
3.可以结合专家的经验和知识。
缺点：1.对模糊规则的描述需要较高的专业知识水平。
2.计算复杂度高，需要较高的计算成本。
3.对数据分布的稳定性要求较高。
四、比较与选择通过对TOPSIS和模糊综合评判法的介绍和比较，我们可以发现它们各有优缺点。
TOPSIS_综合评价法
TOPSIS_综合评价法TOPSIS（Technique for Order Preference by Similarity to an Ideal Solution）综合评价法是一种多属性决策方法，用于评价多个方案或决策对象的优劣。
其基本思想是将各个方案与理想解进行比较，根据它们之间的相似性确定最优方案。
以下是对TOPSIS综合评价法的详细介绍。
首先，TOPSIS方法的关键是确定一个参考点，即理想解。
理想解有两个不同的情况，一个是最大化的理想解，即所有属性中最好的值；另一个是最小化的理想解，即所有属性中最坏的值。
通过确定理想解，我们可以将各个方案与其进行比较，从而确定最优方案。
其次，TOPSIS方法需要对各个方案进行属性权重的确定。
属性权重反映了各个属性对决策结果的重要程度，可以通过专家判断、统计分析等方法来确定。
属性权重的确定需要考虑到实际情况和需求，以使得评价结果更加准确和可信。
然后，TOPSIS方法通过计算各个方案与理想解之间的相似性来评价它们的优劣。
相似性可以使用欧几里得距离、闵可夫斯基距离等度量方法来计算。
对于最大化的理想解，相似性越大，方案越优；对于最小化的理想解，相似性越小，方案越优。
通过计算方案与理想解之间的相似性，我们可以得出一个综合评价值，用于比较各个方案的优劣。
最后，TOPSIS方法可以通过综合评价值的大小来确定最优方案。
评价值越大，方案越优；评价值越小，方案越差。
通过对各个方案的综合评价值进行排序，我们可以确定最优方案。
TOPSIS方法的优点是简单易懂，计算简单快速。
其基本思想也符合人们在实际决策中的常识。
此外，TOPSIS方法还可以考虑不同属性的重要程度，对于不同属性给予不同的权重。
这使得TOPSIS方法更加灵活和适应不同的决策问题。
然而，TOPSIS方法也存在一些局限性。
首先，TOPSIS方法对属性值的数据类型要求较高，只能处理数值类型的属性值。
对于其他类型的属性值，需要进行适当的转换才能应用TOPSIS方法。
多属性决策分析
（2）非量纲化
• 多目标评估的困难之一是指标间不可公度， 即在属性值表中的每一列数具有不同的单位( 量纲)。即使对同一属性，采用不同的计量单 位，表中的数值也就不同。
•2、线性比例变化法
•3、极差变换法
（3）最优值为给定区间时的变换
•4、标准样本变换法
•5、定性指标的量化处理 •如一些可靠性、满意度等指标往往具有模糊性，可以将指 标依问题性质划分为若干级别，赋以适当的分值。一般可以 分为5级、7级、9级等。
6、原始数据的统计处理
•三、决策指标权的确定
• 在用各种多目标评估方法进行评价时，需要 排除量纲的选用对评估结果的影响，这就是 非量纲化，亦即设法消去(而不是简单删去)量 纲，仅用数值的大小来反映属性值的优劣。
（3）归一化
• 原属性值表中不同指标的属性值的数值大小 差别很大，如总经费即使以万元为单位，其 数量级往往在千、万间，而生均在学期间发 表的论文、专著的数量、生均获奖成果的数 量级在个位或小数之间。
•1、相对比较法
•相对比较法是一种主观赋权法。将所有指标分别按行和列， 构成一个正方形的表，根据三级比例标度，指标两两比较进行 评分，并记入表中相应位置，再将评分按行求和，最后进行归 一化处理，得到各指标的权重。
•例43
•使用本方法时要注意：1、指标之间要有可比性；2、应满 足比较的传递性（一致性）。
多属性决策分析
2020年5月30日星期六
多属性多指标综合评价特点
• 指标间的不可公度性，指标之间没有统 一量纲，难以用同一标准进行评价；
《基于云模型的多属性决策系统应用研究》
《基于云模型的多属性决策系统应用研究》一、引言随着信息技术的飞速发展，多属性决策问题在各个领域的应用越来越广泛。
传统的决策方法往往依赖于单一的决策因素或几个主要因素的简单叠加，这在面对复杂的、多维度的决策问题时显得力不从心。
而云模型作为一种能够处理复杂、模糊和不确定性的决策方法，具有很高的实用性和灵活性。
本文旨在探讨基于云模型的多属性决策系统在各领域的应用研究，以解决复杂的决策问题。
二、云模型概述云模型是一种用于处理不确定性和模糊性的数学模型，其基本思想是通过云滴的分布来描述一个概念。
在云模型中，每个概念都有一定的外延和内涵，这些外延和内涵通过云滴的分布来体现。
云模型能够有效地处理多属性、多层次的决策问题，将定性和定量分析相结合，提供了一种新的决策思路。
三、多属性决策系统多属性决策系统是一种考虑多种因素的决策系统，它通过综合考虑多个属性的影响来做出决策。
然而，在面对复杂的、多维度的决策问题时，传统的多属性决策方法往往难以准确地描述和处理各种不确定性因素。
因此，将云模型引入多属性决策系统，可以提高决策的准确性和可靠性。
四、基于云模型的多属性决策系统应用1. 农业领域应用：在农业生产中，气候、土壤、品种等多个因素都会影响作物的产量和品质。
基于云模型的多属性决策系统可以通过综合考虑这些因素，为农民提供科学的种植建议，提高作物的产量和品质。
2. 医疗领域应用：在医疗诊断中，医生需要根据患者的各种症状和检查结果进行综合判断。
基于云模型的多属性决策系统可以通过处理大量的医疗数据，为医生提供更准确的诊断结果和治疗方案。
3. 物流领域应用：在物流配送中，需要考虑的因素包括运输距离、运输时间、运输成本等。
基于云模型的多属性决策系统可以通过综合考虑这些因素，为物流企业提供最优的配送方案，提高物流效率。
五、结论基于云模型的多属性决策系统具有很高的实用性和灵活性，能够有效地处理复杂的、多维度的决策问题。
通过将云模型引入多属性决策系统，可以提高决策的准确性和可靠性，为各个领域的决策提供有力的支持。
多属性决策中的TOPSIS法研究
三、结论
本次演示提出了一种基于TOPSIS的混合型多属性群决策方法。该方法将 TOPSIS方法和权重参数相结合，可以更好地反映多属性群决策问题中各属性的重 要性。通过确定理想解和负理想解以及计算距离和综合得分，该方法可以有效地 解决多属性群决策问题。
谢谢观看
因此，本次演示旨在研究TOPSIS法的应用，同时探讨其改进方法，为多属性 决策问题提供更准确的解决方案。
文献综述
TOPSIS法是由韩国学者首次提出的一种多属性决策方法。自提出以来， TOPSIS法在多个领域得到了广泛的应用，并逐渐成为一种主流的多属性决策方法。 在现有研究中，TOPSIS法主要应用于供应商选择、项目评估、投资决策等领域。 与此同时，研究者们也对TOPSIS法进行了一些改进，如通过引入新的评价函数来 减少主观性等。
在实际决策问题中，属性值往往同时具有这两种不确定性。例如，对于一个 产品的质量评价，评价者可能对产品的某些方面有很明确的看法（如使用年限）， 而对其他方面（如外观设计）的看法则可能比较模糊。此外，评价者也可能对产 品的各方面都有一个大致的评价范围（如8-10分）。在这种情况下，我们需要一 种方法能够同时处理这两种不确定性。
二、TOPSIS方法介绍
TOPSIS是一种常用的多属性决策方法，它的基本思想是在理想解和负理想解 之间选择一个最优解。理想解是指所有属性都达到最优值的解，而负理想解则是 所有属性都达到最劣值的解。TOPSIS方法首先计算每个方案到理想解和负理想解 的距离，然后计算每个方案的相对接近度，最后选择相对接近度最大的方案作为 最优解。
2、选择属性和权重：根据问题需求选择适当的属性，并确定各属性的权重。 3、确定理想解和负理想解：计算出各方案与理想解和负理想解之间的距离。
topsis法的优点
topsis法的优点
1.多属性决策的有效性：Topsis法是一种多属性决策方法，可以综合考虑多个因素的影响，得出最终的决策结果。
2. 直观易懂：Topsis法的计算过程比较简单，且结果可通过可视化图表等方式进行展示，使决策者更直观地了解决策结果。
3. 对数据的要求低：Topsis法不需要对数据进行任何假设或统计分析，只需给出各属性的权重和各决策方案的数据即可进行分析。
4. 适用性广泛：Topsis法可以应用于各种决策领域，如市场调查、产品评估和企业管理等，具有广泛的应用前景。
5. 可信度高：Topsis法采用一定的数学模型和算法，可以提高决策的可信度和准确性，减少主观因素对决策的干扰。
- 1 -。
多属性决策方法new
多属性决策方法在多准则决策发展的早期，关于多目标、多属性、多准则问题的研究相继出现，但没有形成一个规范的定义，直到20 世纪80 年代初，学术界对此才达成了共识，并形成了规范。
准则是决策事物或对象有效性的一种度量，是评价的基础，在实际决策问题中有目标和属性两种表现形式，属性是伴随决策对象的某些特点、性能或指标，而目标则是决策者对研究对象的某种追求，要达到的最终目的，表明了决策者针对研究对象所努力的方向。
对于产业决策而言，目标（方案）和属性分别有以下几个代表相：某个时间点和某个地区“几个产业”和“几个产业的指标”；某个地区某个产业“几个时间点”和“该产业的指标”，某个时间点某个产业“几个地区”和“该产业的指标”1.某个时间点和某个地区“几个产业”和“几个产业的指标”某个地区2013年以下哪个行业的经济运行情况更好一些？2. 某个地区某个产业“几个时间点”和“该产业的指标”：3. 某个时间点某个产业“几个地区”和“该产业的指标”：对于2013年“食品制造业”来说，北京、河北、山西、浙江、新疆哪个省份的经济运行状以上几种情况中，企业数、利润总额、企业资产合计、全部从业人员平均人数代表“多属性决策”方案中的“属性”，也即对于产业多属性决策分析来说，属性都是产业指标对应的数值，也就是决策矩阵中的“i x ”；而对于方案来说，可以是行业、时间和地区中的任何一种，也就是决策矩阵中的“j x ”。
下面介绍几种具体的多属性决策方法：以下几种方法都要用到“权重设置”和“属性归一化”处理，先在此说明。
权重设置的方法有：1. 默认权重：选择“系统默认权重”，按所有属性的算术平均法计算的平均值，直接显示权重值；1i w m=，其中m 是属性的量值2. 1-9标度法设定权重：点击属性项，选择“1-9标度法设定权重”，显示属性权重设置，3. 自定义权重： “自定义权重”直接在权重栏中输入自定义权重数值。
归一化处理的方法：下列所示正向指标和反向指标的各种归一化方法： （1）正向指标：方法1：极大化法：maxiix zx=方法2：极差化法：min maxmini i x x z x x-=-方法3：归一化法：1i n iii x zx==∑方法4：标准样本变换法：iix sx z--=，s为样本标准差，s =，11ni i x x n -==∑方法5：向量归一化法：i z =方法6：监测（标杆）法：maxii x z x=，maxx为目标最大值，需要用户自己输入。