针对多属性决策问题中评价存在混合异质信息的情况,提出了模块化随机折中解决排序法(modular random measurement alternatives and ranking according to compromise solution,Mo-RMARCOS),该方法无须将信息统一,减少了信息处理中的损...针对多属性决策问题中评价存在混合异质信息的情况,提出了模块化随机折中解决排序法(modular random measurement alternatives and ranking according to compromise solution,Mo-RMARCOS),该方法无须将信息统一,减少了信息处理中的损失。考虑到属性值为随机变量的情形,将随机变量分解为随机向量,由随机向量不同阶段的概率分布确定整体随机变量的概率分布;针对不确定性的其他定性信息,采用直觉模糊数进行表达和处理,采用改进离差最大化法确定不同属性的权重并利用MARCOS有效客观的优势对方案排序,最后以某新能源汽车锂电池供应商选择为例验证了所提方法的有效性。展开更多
针对权重已知且属性值为精确实数型、区间型和模糊型的混合型多属性决策问题,提出了一种基于模糊偏序关系的混合型多属性决策方法。该方法利用混合型评估值模型来描述多属性决策问题;在对属性值预处理后,通过构建混合型模糊偏序关系模型...针对权重已知且属性值为精确实数型、区间型和模糊型的混合型多属性决策问题,提出了一种基于模糊偏序关系的混合型多属性决策方法。该方法利用混合型评估值模型来描述多属性决策问题;在对属性值预处理后,通过构建混合型模糊偏序关系模型,将决策问题转化为评估关系模型;然后对偏序关系进行集结,得到全序关系,从而获取所有方案的优劣排序。算例验证了方法的有效性。计算过程表明,该方法计算简单,且避免了逼近理想解的排序方法(technique for order preference by similarity to ideal solution,TOPSIS)难以合理定义距离函数的局限性。展开更多
文摘针对多属性决策问题中评价存在混合异质信息的情况,提出了模块化随机折中解决排序法(modular random measurement alternatives and ranking according to compromise solution,Mo-RMARCOS),该方法无须将信息统一,减少了信息处理中的损失。考虑到属性值为随机变量的情形,将随机变量分解为随机向量,由随机向量不同阶段的概率分布确定整体随机变量的概率分布;针对不确定性的其他定性信息,采用直觉模糊数进行表达和处理,采用改进离差最大化法确定不同属性的权重并利用MARCOS有效客观的优势对方案排序,最后以某新能源汽车锂电池供应商选择为例验证了所提方法的有效性。
文摘针对权重已知且属性值为精确实数型、区间型和模糊型的混合型多属性决策问题,提出了一种基于模糊偏序关系的混合型多属性决策方法。该方法利用混合型评估值模型来描述多属性决策问题;在对属性值预处理后,通过构建混合型模糊偏序关系模型,将决策问题转化为评估关系模型;然后对偏序关系进行集结,得到全序关系,从而获取所有方案的优劣排序。算例验证了方法的有效性。计算过程表明,该方法计算简单,且避免了逼近理想解的排序方法(technique for order preference by similarity to ideal solution,TOPSIS)难以合理定义距离函数的局限性。
