内容发布更新时间 : 2024/12/25 3:36:48星期一 下面是文章的全部内容请认真阅读。

一、指标权重的确定

1.综述

目前关于属性权重的确定方法很多，根据计算权重时原始数据的来源不同，可以将这些方法分为三类：主观赋权法、客观赋权法、组合赋权法。

主观赋权法是根据决策者（专家）主观上对各属性的重视程度来确定属性权重的方法，其原始数据由专家根据经验主观判断而得到。常用的主观赋权法有专家调查法（Delphi法）、层次分析法（AHP ）[106-108]、二项系数法、环比评分法、最小平方法等。本文选用的是利用人的经验知识的有序二元比较量化法。

主观赋权法是人们研究较早、较为成熟的方法，主观赋权法的优点是专家可以根据实际的决策问题和专家自身的知识经验合理地确定各属性权重的排序，不至于出现属性权重与属性实际重要程度相悖的情况。但决策或评价结果具有较强的主观随意性，客观性较差，同时增加了对决策分析者的负担，应用中有很大局限性。

鉴于主观赋权法的各种不足之处，人们又提出了客观赋权法，其原始数据由各属性在决策方案中的实际数据形成，其基本思想是：属性权重应当是各属性在属性集中的变异程度和对其它属性的影响程度的度量，赋权的原始信息应当直接来源于客观环境，处理信息的过程应当是深入探讨各属性间的相互联系及影响，再根据各属性的联系程度或各属性所提供的信息量大小来决定属性权重。如果某属性对所有决策方案而言均无差异（即各决策方案的该属性值相同），则该属性对方案的鉴别及排序不起作用，其权重应为0；若某属性对所有决策方案的属性值有较大差异，这样的属性对方案的鉴别及排序将起重要作用，应给予较大权重.总之，各属性权重的大小应根据该属性下各方案属性值差异的大小来确定，差异越大，则该属性的权重越大，反之则越小。

常用的客观赋权法[109-110]有：主成份分析法、熵值法[111-112]、离差及均方差法、多目标规划法等。其中熵值法用得较多，这种赋权法所使用的数据是决策矩阵，所确定的属性权重反映了属性值的离散程度。

客观赋权法主要是根据原始数据之间的关系来确定权重，因此权重的客观性强，且不增加决策者的负担，方法具有较强的数学理论依据。但是这种赋权法没有考虑决策者的主观意向，因此确定的权重可能与人们的主观愿望或实际情况不一致，使人感到困惑。因为从理论上讲，在多属性决策中，最重要的属性不一定使所有决策方案的属性值具有最大差异，而最不重要的属性却有可能使所有决策方案的属性值具有较大差异。这样，按客观赋权法确定权重时，最不重要的属性可能具有最大的权重，而最重要的属性却不一定具有最大的权重。而且这种赋权方法依赖于实际的问题域，因而通用性和决策人的可参与性较差，没有考虑决策人的主观意向，且计算方法大都比较繁锁。

从上述讨论可以看出，主观赋权法在根据属性本身含义确定权重方面具有优势，但客观性较差；而客观赋权法在不考虑属性实际含义的情况下，确定权重具有优势，但不能体现决策者对不同属性的重视程度，有时会出现确定的权重与属性的实际重要程度相悖的情况。针对主、客观赋权法各自的优缺点，为兼顾到决策者对属性的偏好，同时又力争减少赋权的主观随意性，使属性的赋权达到主观与客观的统一，进而使决策结果真实、可靠。因此,合理的赋权方法应该同时基于指标数据之间的内在规律和专家经验对决策指标进行赋权。目前，这种确定权重的主客观信息集成方法的研究已经引起了重视，并且得到了一些初步的研究成果[113]-[115]。

本文在权重的选取上采用了第三类赋权法，即主客观综合赋权法（或称组合赋权法）。主客观组合赋权法的两种常用方法是：“乘法”集成法、“加法”集成法。其公式分别是

wi?aibi?ab

iii?1mwi??ai?(1??)bi，(0???1) （4-3）

其中wi表示第i个指标的组合权重；ai，bi分别为第i各属性的客观权重和主观权重。前者的组合实质上是乘法合成的归一化处理，该方法使用于指标个数较多、权重分配比较均匀的情况。后者实质上是线性加权，称为线性加权组合赋权方法。当决策者对不同赋权方法存在偏好时，?能够根据决策者的偏好信息来

确定。

2有序二元比较量化法

本文选用的方法是利用人的经验知识的二元比较量化原理与方法（二元对比模型）去确定主观权重[116]-[120]。

对于定量目标相对优属度的求解，权重的确定需要将方案集X换成目标集G，模糊概念优越性变换为重要性，人的经验知识换成决策者的意向。但多目标系统决策要求系统目标权重值之和等于“1”，故在系统目标对重要性的相对隶属度的基础上还需要进行归一化。

将m个目标进行二元比较重要性定性排序，经过一致性检验判断与调整得到排序一致性二元对比标度矩阵E。根据标度矩阵E各行元素值之和，从大到小排列，得到关于优的排序次数，再以排序第1位的目标作为标准，与其他目标进行重要性程度的比较，可得非归一化目标权向量w'?(w1',w2',然后进行归一化计算，即可得目标权向量式：w?(w1,w2,,wm')。

,wm)满足?wi?1

i?1m3熵值法

在信息论中，熵是对不确定性的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。根据熵的特性，我们可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响越大。

人们在决策中获得信息的多少和质量，是决策的精度和可靠性大小的决定因素之一。信息论中，信息熵是系统无序程度的度量，信息是系统有序程度的度量，两者绝对值相等，符号相反。熵是信息论中最重要的基本概念，它表示从一组不确定事物中提供信息量的多少。在多指标决策问题中，某项指标的变异程度越大，信息熵越小，该指标提供的信息量就越大，那么在方案评价中所取得的作用就越大，该指标的权重也就越大；反之，某指标的变异程度越小，信息熵越大，该指标所提供的信息量越小，那么该指标的权重也就越小。根据各指标值的变异

程度，利用信息熵计算各指标的权重[121]-[125]。

熵技术就是利用决策矩阵和各指标的输出熵来确定各指标的权系数的一种方法。

若考虑n个方案，m个指标的多指标决策问题的决策矩阵X?(xij)m?n。 首先，为了便于计算和优选分析，消除指标间由于量纲不同而带来比较上的困难，可利用标准化公式（4-1）（4-2）将决策矩阵X转变成为标准化决策矩阵R=(rij)m?n。

定义1（评价指标的熵）：在有n个被评价对象，m个评价指标的评估问题中，第i个评价指标的熵定义为：Hi??K?fijlnfij i＝1,2,…,m ；j＝1,2,…,n

j?1n其中K=?lnn?，fij??1rij?rj?1n；并假定，当fij＝0，fijlnfij?0。

ij由于0?fij?1，所以0???fijlnfij?lnn，也由此可知，0?Hi?1

j?1n定义2（评价指标的熵权）：在（m，n）评价问题中，第i个评价指标的熵权wi定义为：wi?1?Him??Hii?1m

由上述定义以及熵函数的性质可以得到如下熵权的性质：

（1）各被评价对象在指标i上的值完全相同时，熵值达到最大值1，熵权为0。这也意味着该指标向决策者未提供任何有用信息，该指标可以考虑被取消。

（2）当各被评价对象在指标i上的值相差较大、熵值较小、熵权较大时，说明该指标向决策者提供了有用的信息。同时还说明在该问题中，各对象在该指标上有明显差异，应重点考察。

（3）指标的熵越大，其熵权越小，该指标越不重要，而且满足

0?wi?1且?wi?1

i?1m（4）作为权数的熵权，有其特殊意义。它并不是在决策或评估问题中某指标的实际意义上的重要性系数，而是在给定被评价对象集后各种评价指标值确定的情况下，表示各指标的在竞争意义上的相对激烈程度系数。

（5）从信息角度来考虑，它代表了该指标在该问题中，提供有用信息量的多寡程度。

（6）熵权的大小与被评价对象有直接关系。 熵值法确定各指标的权系数步骤如下： 1）数据的非负数据化处理：

由于熵值法计算采用的是各个方案某一指标占同一指标值总和的比值，因此不存在量纲的影响，不需要进行标准化处理，若数据中有负数，就需要对数据进行非负化处理！此外，为了避免求熵值时对数的无意义，需要进行数据平移：

对于越大越好的指标：rij?xij?ximinximax?ximinximax?xijximax?ximin+1 （4-1）

对于越小越好的指标：rij?+1 （4-2）

为了方便起见，仍记非负化处理后的数据为rij。

2）由R=(rij)m?n计算第i项指标下第j个方案占该指标的比重fij

fij?rij?ri?1m i＝1,2,…,m；j＝1,2,…,n； （4-4）

ij3）第i个评价指标fi输出的熵

Hi??K?fijlnfij j＝1,2,…,n； （4-5）

j?1n