协同度灰关联VIKOR决策方法在多属性群决策中的应用

"该文提出了一种基于协同度的灰关联VIKOR决策方法，用于增强指标间的协同效应，提高多属性决策的合理性。通过引入协同度 λ 进行指标值的规范化处理，并构建方案修正因子模型，以解决个别较差指标的影响被中和的问题。在确定属性权重的基础上，应用比TOPSIS更稳定的VIKOR方法进行方案排序，展示其在决策中的有效性和可行性。该研究结合了国家自然科学基金的多个项目，并由李庆胜和刘思峰两位学者进行研究。" 本文关注的是多属性群决策问题，特别是在复杂的决策环境中，如何更合理地考虑各个指标的相对价值和协同作用。现有的决策方法常常只关注指标的绝对值，而忽视了它们对决策者心理的相对影响，以及指标间的相互作用。为了解决这些问题，研究者引入了协同度的概念，这是一种衡量指标间相互关联和影响的度量。 首先，协同度 λ 被用来对原始数据进行规范化处理，以确保每个指标的贡献都被公正地考虑。接着，基于方案修正因子和灰关联确定的属性权重，构建了一个新的综合权重模型。这个模型旨在捕捉指标的相对重要性和它们之间的协同效应。方案修正因子是为了补偿个别较差指标可能被其他指标掩盖的情况，以保证决策结果的客观性。 然后，研究者采用了VIKOR（VlseKriterijumska Optimizacija I Kompromisno Resenje）方法，这是一种多目标决策分析工具，相比TOPSIS方法，它在处理不一致性和模糊性时更为稳健。VIKOR方法通过综合考虑方案的满意度和接近理想解的程度来确定最优方案，从而在各种备选方案中选择最合适的。 通过一个具体的案例分析，研究者展示了这种基于协同度的灰关联VIKOR方法的有效性和实用性。案例表明，这种方法能够准确地识别和评估复杂决策环境中的各种因素，从而提供更加全面和合理的决策支持。 这项研究为多属性群决策提供了新的思考角度和工具，强调了协同度在决策过程中的重要性，并通过改进的VIKOR方法确保了决策的稳定性和可靠性。这对于实际决策问题的解决，尤其是在涉及多个专家和复杂指标的场景下，具有重要的理论和实践意义。