云模型与TOPSIS结合的多属性群决策新方法

"这篇论文研究了一种将云模型与TOPSIS（Technique for Order of Preference by Similarity to Ideal Solution，逼近理想解排序法）相结合的多属性群决策方法。在处理定性概念的不确定性时，该方法利用云模型进行定性定量信息的转换，并通过云的合成对不同专家的评价进行集成，构建云决策矩阵。为解决传统云模型在衡量优劣、大小等方面的不足，论文提出了基于云滴分布的云距离测度算法，用于计算决策指标的离散程度以及方案与正、负理想解之间的距离。进而，该方法运用这些距离测度来实现云-TOPSIS的方案排序。论文通过实例验证了这种方法的可行性和有效性。" 本文的研究主要围绕以下几个核心知识点展开： 1. 云模型：云模型是一种模拟人类模糊认知的数学工具，能有效处理定性信息的不确定性和随机性。在决策过程中，它将定性概念转化为定量数据，为多属性决策提供支持。 2. 多属性群决策：在复杂的决策问题中，往往涉及多个相互关联的属性，且可能有多个决策者参与。多属性群决策考虑所有属性的权值和多个专家的意见，旨在找到最佳决策方案。 3. 云合成：在云模型框架下，云合成用于集成不同专家的评价，通过特定的运算规则将各个专家的“云”合并，形成一个综合的云决策矩阵，从而体现群体的共识。 4. 云距离测度：为克服传统云模型在比较云滴之间的差异时存在的问题，论文提出了一种新的距离测度方法，该方法基于云滴的分布特性，可以量化云滴的相似度或差异。 5. 决策指标的离散程度：通过对决策指标计算其云距离，可以评估各指标的分散程度，帮助决策者理解属性的变异性和一致性。 6. 正、负理想解：在TOPSIS方法中，正理想解代表最优方案，负理想解代表最差方案。通过计算方案与这两个理想解的距离，可以确定方案的相对优劣。 7. 云-TOPSIS：结合云模型和TOPSIS，该方法可以更精确地评估和排序决策方案，尤其是在处理含有定性信息的复杂决策问题时。 8. 实例验证：论文通过具体案例分析，证明了所提出的云-TOPSIS方法在实际应用中的有效性和实用性，进一步证实了其在多属性群决策问题中的价值。 通过上述方法，研究为处理含定性信息的多属性群决策问题提供了一个新途径，有助于提高决策质量和效率。