一种属性变量为Vague集的多属性决策方法.docx

一种属性变量为Vague集的多属性决策方法
一种属性变量为Vague集的多属性决策方法
多属性决策问题是一类涉及多个决策因素和多个评价指标的决策问题，其目的是在多个可选的方案中选择出最优的方案。传统的多属性决策方法通常将评价指标视为确定的真实值，而在许多实际应用中，评价指标往往存在一定的模糊性和不确定性。因此，针对此类问题，基于Vague集的多属性决策方法被提出。
Vague集是1975年由法国数学家DidierDubois和HenriPrade首次提出的一种模糊集合概念。Vague集是模糊和不确定性的一种数学表达方式，它是一种广义的模糊集合，其成员的隶属程度不仅仅是0或1，而是介于0和1之间的实数。与传统的模糊集合相比，Vague集更加灵活和普适，能够更好的应对决策过程中各种类型的模糊性和不确定性。因此，基于Vague集的多属性决策方法具有很强的应用价值和实际意义。
基于Vague集的多属性决策方法分为两个步骤：Vague评价和Vague排序。在这两个步骤中分别运用了Vague集相关的理论和方法。
Vague评价是指在多属性决策过程中对于每个方案的多个评价指标给出相应的Vague表达式。具体而言，对于一个决策方案，在每个评价指标上，有可能存在若干种不同的评价意见。这些评价意见不仅可能来自多名专家，还可能来自不同的专业领域，各自呈现出不同的主观性和客观性。因此，在给出Vague表达式时，需要综合考虑所有的评价意见和相关的不确定性因素。
假设有n个方案和m个评价指标，则对于方案i和指标j，可以表示为Vague二元组(u_ij,v_ij)，其中u_ij代表该方案在该指标下的下限值，v_ij代表该方案在该指标下的上限值。可以将u_ij和v_ij看作是方案i在评价指标j下的模糊值的下限值和上限值。根据不同的评价指标和相关的Vague二元组，可以构造出一个Vague矩阵，其中每一行表示一个方案在所有指标下的Vague评价情况。
通过对Vague矩阵的计算和分析，可以得到Vague排序结果。Vague排序是指根据每个方案的Vague评价，在综合考虑不确定性因素的基础上，给出相应的方案排序。具体而言，在Vague排序中，需要进行模糊聚类分析、Vague加权平均和Vague距离计算等多个步骤，以解决多属性决策问题。
首先，需要进行模糊聚类分析，将所有的方案划分到若干个模糊等级集合中。该过程可以采用基于密度的聚类方法或基于分治法的聚类方法。聚类分析的目的是将相似的方案划分到同一个等级集合中，以便后续的Vague加权平均和Vague距离计算。
其次，需要进行Vague加权平均，计算出每个方案在所有指标下的加权平均值。该过程需要根据Vague评价情况计算出每个方案在不同评价指标上的权重，并进行加权平均计算。具体而言，可以利用Vague加权平均算法将每个方案的Vague评价转化为标量值，并通过权重计算得到每个方案的加权平均值。
最后，需要进行Vague距离计算，计算出每个方案与最优方案之间的相对距离。该过程需要计算出每个方案与其他方案之间的距离，并根据该距离进行排序。具体而言，可以利用Vague距离算法计算出每个方案与最优方案之间的相对距离，并通过比较得到最优方案的排名。
基于Vague集的多属性决策方法能够有效地解决决策问题中的模糊性和不确定性问题，为决策者提供一种有效的决策支持工具。该方法还有待进一步完善和实验验证，以更好地适应不同的应用场景和多样化的评价指标。