属性关联的TOPSIS语言群决策方法研究

"考虑属性关联的TO PSIS语言群决策方法 (2010年) 是一篇关于多属性语言群决策问题的研究论文，由许永平等作者发表于2010年的《湖南大学学报（自然科学版）》。该方法旨在解决在实际决策中属性之间存在相互关联的问题。在TO PSIS（Technique for Order of Preference by Similarity to Ideal Solution，理想解法）的基础上，引入了λ模糊测度和二元语义概念，以更准确地处理决策者给出的语言评价信息。通过计算方案与理想点的距离，确定最优方案，并能考虑属性关联对权重的影响，提高决策的合理性和可信度。" 在这篇论文中，作者首先指出在多属性语言群决策中，属性之间的关联性是常见的现象，但传统的决策方法往往忽视了这一点。他们提出的新方法结合了决策者对各个方案的非精确语言评价，这些评价通常用模糊语言词汇来表达，如“好”、“非常好”等。为了处理这种语言评价，他们运用了二元语义的概念，这是一种用于表示和处理模糊和不确定信息的技术。 接着，论文引入了λ模糊测度，这是一种度量属性间关联程度的工具。通过λ模糊测度，可以依据属性之间的关联性来动态调整每个属性的权重，形成加权决策矩阵。这一步骤确保了在计算方案优劣时，相关属性的影响力能够得到适当的反映。 在构建了加权决策矩阵之后，作者应用了TOPSIS法的核心思想，即计算每个方案与理想解（正理想点）和负理想解（反理想点）之间的距离。不过，这里的距离不是普通的欧氏距离，而是二元语义空间中的二元语义欧氏距离。这种方法保证了在处理语言评价信息时不会发生扭曲，同时考虑了属性关联对决策结果的影响。 通过这种方法，可以计算出每个方案相对于理想解的相对贴近度，从而确定最佳决策方案。论文通过一个实例展示了新方法的有效性和实用性，证明了其在处理具有属性关联的决策问题时的优势。 这篇论文提出的考虑属性关联的TO PSIS语言群决策方法，是对传统TOPSIS法的改进，它不仅能够处理模糊和语言化的评价信息，还能考虑属性之间的关联，提高了决策过程的准确性和决策结果的可靠性。这种方法对于处理复杂、不确定的多属性决策问题具有重要的理论价值和实践意义。