一种对多决策方案甄选的数据处理方法与装置

技术领域

本发明涉及信息处理领域，具体涉及一种对多决策方案甄选的数据处理方法与装置。

背景技术

多决策方案甄选，一般是利用已有的原始决策信息，通过一定的方式对一组(有限个)备选方案进行排序并选择，在工程设计、经济、管理和军事等许多领域中具有广泛的应用意义。原始决策信息基本采用群体决策完成，群体决策是基于有限名决策者并根据自己的专业水平、知识面、经验和综合能力对备选方案的重要性程度进行评价，而且与决策时的个体情绪、态度、偏好等密切相关。

在多方案决策过程中，一般需要事先确定方案的属性和权重，决策者依据方案属性和指标进行评分，通过加权求和的方式得出各个方案的最终值，并根据最终值的大小顺序进行排序，从而实现优选过程，这种方式在实际操作中会产生很多问题，最常见的就是权重值设定不准确而导致最终结果出现较大的偏差。

长久以来，国外很多研究人员对多决策方案的分析评估也做了深入的研究，主要集中在权重指标算法方面，目前比较成熟的包括层次分析法、环比系数法、专家赋权法、离差最大化法、因子分析定权法、熵权法、加权平均法等，这些权重计算方案一般都只针对单因素进行分析，在解决方案指标权重方面，各自都具有相应的适用范围，也解决了很多应用场景在科学排序上从无到有的理论基础，但同时，单独适用任何一类方案都具有一定的局限性，在解决影响因素较多的方案决策中无法从全局进行分析。

基于以上背景，本发明综合考虑多方案决策在实际实施的各种因素，包括决策方案材料数据、原始属性权重数据、决策者给出的初评数据，充分发掘这些数据的隐藏信息，利用大数据分析的思想，模拟现实中对方案优选的过程，通过对离差最大化法和熵权法进行改进和优化，全面利用上述数据内容及隐藏信息，并进行综合分析，使得实现多决策方案的自动甄选时，权重分配更为科学有效。

发明内容

有鉴于此，本发明提供的一种对多决策方案甄选的数据处理方法和装置，主要目的在于利用先期采集的原始方案数据、初始指标权重数据、决策者初评数据，通过改进的离差最大化法和双重优化的熵权法，结合数值分析、运筹学以及高等代数等相关计算理论，对数据进行合理加工和分析，从而能够较好的降低决策方案甄选结果与真实结果的偏差，为方案的最终决策者提供更加合理和科学的依据。

根据本发明一个方面，提供了一种对多决策方案甄选的数据处理方法，该方法包括步骤：

S1、获得多决策方案相关的原始数据，所述原始数据包括t名决策者对m个方案的n个属性决策的综合值组成t×m×n矩阵Z，以及属性的原始权重向量W＝{ω

其中λ

作为本发明的进一步改进，对所述决策矩阵X＝(x

对于正向属性值的数据处理：

对于逆向属性值的数据处理：

作为本发明的进一步改进，使用离差最大化法优化所述原始权重向量W＝{ω

所述第二优化权重向量ω

作为本发明的进一步改进，获取所述第一熵权系数矩阵的步骤包括：

定义第s个决策者对第i个方案进行决策后所得的加权向量的综合值

作为本发明的进一步改进，获取所述第二熵权系数矩阵的步骤包括：

S51、第s个决策者对第i个方案的熵值矩阵H

作为本发明的进一步改进，获取所述m个方案的总离差R

根据本发明另一个方面，提供了一种对多决策方案甄选的数据处理装置，其包括：获取原始数据模块：被配置为获得多决策方案相关的原始数据，所述原始数据包括t名决策者对m个方案的n个属性决策的综合值组成t×m×n矩阵Z，以及属性的原始权重向量W＝{ω

其中，y

第一熵权系数矩阵模块：被配置为对所述第一优化权重向量

其中λ

作为本发明的进一步改进，所述极差变换模块包括：

正向处理子模块：被配置为对于正向属性值的数据处理：

逆向处理子模块：被配置为对于逆向属性值的数据处理：

作为本发明的进一步改进，所述离差最大化模块包括：获取第二优化权重向量模块：定义第二优化权重向量

所述第二优化权重向量ω

作为本发明的进一步改进，获取所述第一熵权系数的步骤包括：

定义第s个决策者对第个i方案进行决策后所得的加权向量的综合值

籍由上述技术方案，本发明提供的有益效果如下：

采用一种基于改进的权重算法组合在解决多决策方案甄选的数据处理方法，解决了单一权重计算方法的局限性问题，综合考虑了多方案决策过程的各主要因素，将离差最大化法和熵权法进行合理改进和组合应用，从而有效实现多决策方案的优选。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举例说明本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了多决策方案基础分析结构模型；

图2示出了本发明实施例提供的一种对多决策方案甄选的数据处理方法整体流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

可以理解的是，本发明的说明书和权利要求书及附图中的方法与装置中的相关特征可以相互参考。另外，本发明的说明书和权利要求书及附图中的“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

首先，在对本发明实施例进行描述的过程中出现的部分名词或者术语适用于如下解释：

离差最大化法(MDM)：一种客观赋权法，该方法求解属性权重遵循的基础思想是使所有决策对象的总离差最大，通过多次迭代达到总离差最大化为止，此时得到的属性权重为最佳解。

熵权法(EWM)：又叫熵值法，熵作为某事件不确定度的量度，信息量越大，体系结构越规则，功能越完善，熵就越小。熵权法是利用多决策方案中样本信息来进行权系数的确定，从而反映某项指标对于其上层指标的重要度及提供的信息量。熵权法主要从指标数值间的差异触发，其权重系数通过熵值确定，可较客观的求出权重系数，为决策评价提供依据。

本发明要解决的核心技术问题为，通过改进的离差最大化法和双重优化的熵权法进行组合，以提升多决策方案甄选和排序的可信性问题。

实施例1

请参考图2，其示出了本发明实施例提供的一种对多决策方案甄选的数据处理方法的整体流程图。

本发明实施例方法主要包括以下步骤：

S1获得多决策方案相关的原始数据，原始数据包括t名决策者对m个方案的n个属性决策的综合值组成t×m×n矩阵Z，以及属性的原始权重向量W＝{ω

第i个方案对应的第j个属性的决策值记为x

示例性的，当前有m个候选方案，方案集记为A＝{A

S2对决策矩阵X＝(x

数据归一化处理主要采用极差变换法，转化思路为对决策矩阵X＝(x

对于正向属性值(加分项)的数据处理：

其中，x

对于逆向属性值(扣分项)的数据处理：

其中，x

从而，得到归一化的分值标准矩阵Y＝(y

S3使用离差最大化法优化原始权重向量W＝{ω

y

通过离差最大化法确定得到某项方案各属性所对应的各指标项权重，上述离差最大化法是一种客观权重赋值法，其基础思想是使所有指标对所有决策方案的总离差最大，若某一属性下的指标的权重差异越小，则说明该属性的权重对方案决策所起到的作用越小，反之亦然。因此从对方案进行优选决策的角度考虑，方案属性指标值偏差越大的，应该赋予较大的权重。但权重向量仅考虑评价指标原始数据的差异性大小，忽略了评价指标的权重的作用，因此会产生指标权重过大或者过小，有可能脱离客观事实，所以，本步骤通过增加评价指标本身的权重属性对权重进行改进优化。具体来说，步骤包括：

S31针对决策数据利用离差最大化法确定第二优化权重向量W

定义权重属性向量

计算W

其中，y

S32结合上述原始权重向量获取第一优化权重向量W

构建相对于决策方案而言的指标权重优化的离差最大化模型方法，步骤如下：

决策方案A

其中，y

在

其中y

对于属性G

其中y

基于离差最大化原理，第二优化权重向量W

求解向量W

对L(ω

求得

S4对第一优化权重向量W

本步骤目的为经过一次优化熵权法，优化了决策者对多属性(指标)决策的权重向量，削弱个别决策者主观评价对群决策的影响。通过对f

实施步骤如下：

定义第s个决策者对第个i方案进行决策后所得的加权向量的综合值

S41计算在对m个方案n个属性的决策中，第j个加权向量

S42计算第s个决策者对第j个属性的权重的熵值

S43计算第s个决策者对第i个属性的熵权系数

S44利用公式

S5对归一化决策矩阵(y

本步骤目的是对决策者的归一化决策矩阵(y

通过公式计算熵权的步骤如下：

S51计算为第s个决策者对第i份方案的熵值矩阵H

y

如原始决策数据集差异过于分散或者巨大，s

S52计算第s个决策者对决策矩阵的熵权

S53计算决策者在第j个指标的决策矩阵熵值s

S6计算第s个决策者对第i个方案的经过两次优化熵权后的综合值EWM

S61计算第s个决策者对第i个方案的经过两次优化熵权后的综合值EWM

EWM

由于λ′

S62计算所有方案的综合值(E

S63对E

实施例2

进一步的，作为对上述实施例所示方法的实现，本发明另一实施例还提供了一种对多决策方案甄选的数据处理装置。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。在该实施例的装置中，具有以下模块：

获取原始数据模块：被配置为获得多决策方案相关的原始数据，原始数据包括t名决策者对m个方案的n个属性决策的综合值组成t×n×m矩阵Z，以及属性的原始权重向量W＝{ω

极差变换模块：被配置为对决策矩阵X＝(x

离差最大化模块：被配置为使用离差最大化法优化原始权重向量W＝{ω

第一熵权系数矩阵模块：被配置为对第一优化权重向量W

第二熵权系数矩阵模块：被配置为对归一化决策矩阵(y

排序结果输出模块：被配置为计算第s个决策者对第i个方案的经过两次优化熵权后的综合值EWM

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。