内容发布更新时间 : 2024/12/24 2:08:29星期一 下面是文章的全部内容请认真阅读。

龙源期刊网 http://www.qikan.com.cn

基于信息熵和TOPSIS法的不同主体评价不同客体改进算法

作者：夏丽也

来源：《价值工程》2017年第10期

摘要：针对不同主体评价不同客体存在不公平的缺陷，提出一种改进的评价算法。该算法首先根据同类主体不同成员给评价客体的评价分数的信息熵计算同类主体每一个成员的评价分数权重，并根据该权重改进TOPSIS方法，计算该类评价主体给出客体的评价分数距离该类主体给出的正、负理想解的相对贴近度。然后，根据每个客体在同类评价主体评价分数方差确定客体在该类评价主体的权重，并根据每一个客体在其被评价的不同类评价主体相对贴近度和权重计算每一名客体的总贴近度。根据所有客体的总贴近度进行排序。实例计算验证了本算法的有效性。

Abstract： Aiming at the defect about the unfairness of the assessment of different object evaluated by different subject， an improved assessment algorithm was proposed. Firstly， the weight of subject for assessing the object for this class was calculated according to the information entropy of the scores about the each subject， and the TOPSIS method was improved with above weight of objects. Then， the relative closeness of positive and negative ideal solution of the all object for this class was calculated by the above improved TOPSIS method. Finally the weight of the object about the class was calculated according to the assessment scores given by the all subjects about the class. And the total relative closeness was calculated by the weight of the object about the class and the relative closeness about the same class. All subjects were sorted by the total relative closeness， and then the effectiveness of this proposed algorithm is validated. 关键词：信息熵；理想解；贴近度；权重

Key words： information entropy；ideal solution；closeness；weight

中图分类号：TP274 文献标识码：A 文章编号：1006-4311（2017）10-0045-03 0 引言

目前，各种不同类主体对不同客体的评价数据处理的方法基本上是先对主体提交的评价分数做预处理，去掉最高分和最低分，再进行求和平均[1，2]。但这种处理过程中会产生以下2种的不公平性。一是每个主体成员参与评价的权重一样。但有的主体成员很认真负责根据每个客体的实际工作情况进行打分。而有的主体成员会很随机的给所有客体都打比较接近的分数。显然这种不太认真打分的主体也也获得了相同的权重，会影响评价的公平性。二是将不同主体评价的客体分数放在一起对比排序会产生不公平性。在实际评价过程中有的主体类A会认为90分数已经是对客体很高的评价了，而有的主体类B给客体的最低分就是91分，最高分甚至

龙源期刊网 http://www.qikan.com.cn

有100分。虽然客体C很认真，但由于是主体A评价的，所以最高只有90分。而客体D虽然很不认真，但是主体B评价的，最低都有91分。而对客体进行统计排序时，确是简单的根据分数的高低来进行排序和评价的。因此，这样不认真的客体D却排在很优秀的客体C前面。对客体的评价是很不公平的。不同类主体评价不同客体分数偏差很大，但却在一个平台上排序，不能客观公正体现客体成绩[2，3]。

针对上述评价不公平性，文献[4]利用TOPSIS方法作规避偏好信息集结的难点，对上述的第二种不公平性有了一定的改进，但对第一种不公平性没有考虑。同时在将文献[4]所提出的评价算法应用于实际中，发现该评价算法要求不同的评价主体都需要对所有的评价客体进行评价。而在实际的评价过程中，如教学评价过程中，每个班的学生只会对本班的任课老师进行教学评价，不会对所有的教师进行评价。由于不同的评价主体无法对所有的评价客体进行评价。所以，张发明提出的评价算法的应用受到限制。

龙源期刊网 http://www.qikan.com.cn

针对上述存在的不公平性和实际应用存在的限制，本文在文献[4]的基础上，先是以同一类评价主体为单位，根据同类评价主体每个成员给所有该主体评价的客体的评价分数的信息熵[5，6]计算每个成员的评价分数权重，并根据该权重改进文献[4]中TOPSIS方法，计算该类评价主体所评价客体距离正、负理想解的相对贴近度[7]，作为该类评价主体所评价客体的评价排序。然后，根据每个客体在同类评价主体评价分数方差确定客体在该类评价主体的权重，并根据每一个客体在其被评价的不同类评价主体相对贴近度和权重计算每一名客体的总贴近度[8，9]。根据所有客体的总贴近度进行排序。具体内容安排如下：第1节，建立不同类主体评价不同客体评价模型的数学描述。第2节，给出基于信息熵和改进TOPSIS评价算法。第3、4节，根据学生的评教分数实例进行仿真计算，验证算法的有效性。