EDP Sciences logo
Submit your paper
Search
Menu
All issues Volume 38 / No 5 (October 2020) JNWPU, 38 5 (2020) 1068-1073 Full HTML
Open Access
Issue
JNWPU
Volume 38, Number 5, October 2020
Page(s) 1068 - 1073
DOI https://doi.org/10.1051/jnwpu/20203851068
Published online 08 December 2020

© 2020 Journal of Northwestern Polytechnical University. All rights reserved.

Licence Creative CommonsThis is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by/4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.

自Zadeh[1]提出模糊集之后，学者们陆续提出了各种类型的模糊集拓展形式[2-4]。例如直觉模糊集[3]、正交模糊集[5]等。随后，Yager[6]又提出了q-Rung orthopair模糊集(q-ROF)的概念，q-ROF比IFS与PFS有更加广泛且更强表达模糊信息的能力。学者针对基于q-ROF的多属性决策问题，提出了许多决策方法[7-14]。例如，但上述决策方法没有考虑决策者的心理行为，影响了决策结果的有效性。经典TODIM方法[15]借鉴了前景理论的思想，重点考虑了决策者参照依赖和损失规避行为。随后，在研究实际多属性决策问题过程中，许多学者发展了经典TODIM方法[16-18]。其中，Liamazares[19]在分析经典TODIM方法的2个悖论的基础上，建立了广义的TODIM方法。刘熠等[20]将广义TODIM应用到q-ROF，提出一种广义的q-ROF TODIM方法。该方法能够有效解决q-ROF多属性决策问题，但它仅针对属性相互独立的情形。在实际多属性决策问题中，属性之间存在着相关性。梁霞等[21]和张永政等[22]将经典TODIM方法与Choquet积分相结合，分别解决了基于模糊数的多属性决策问题和基于犹豫模糊的多属性决策问题。

为了解决属性相关条件下的q-ROF多属性决策问题，同时考虑到决策者的心理因素，提出了一种属性相关条件下广义q-ROF TODIM决策方法。该方法应用广义TODIM方法建立收益损失矩阵，再应用Choquet积分思想集成属性关联情形下方案关于所有属性的收益或损失值，最后通过方案的总体感知优势度对方案进行排序。将所提方法应用于投资公司筛选中，并对参数的灵敏度进行分析，试验结果验证了该方法的可行性和稳定性。

1 基本理论

1.1 q-ROF集

定义1[6]  设X是任意一个非空集合, X上q次orthopair模糊集q-ROF定义如下

式中：up(x), vp(x):x→[0, 1], 对任意的x∈X, 使得upq(x)+vpq(x)≤1(q≥1)。up(x), vp(x)分别是x隶属于X和非隶属于X的程度。为了方便起见, 称p=(u, v)为q-ROFN。其犹豫度记为γ, 表达式为γ=。

定义2  设p=(u, v)是q-ROFN, 则p的记分函数定义为: 。

定义3  设p=(u, v)是q-ROFN, 则p的准确函数定义为:H(p)=uq+vq。

定义4  设p1, p2是2个q-ROFN, 则

1) 如果S(p1) < S(p2), 则p1 < p2;

2) 如果S(p1)=S(p2),

(1) 当H(p1) < H(p2), 则p1 < p2;

(2) 当H(p1)=H(p2), 则p1=p2。

定义5  设p1=(u1, v1), p2=(u2, v2)是2个q-ROFN, 则p间的距离定义为

1.2 模糊测度和Choquet积分理论

定义6  设有限集X上的幂集P(X), 定义在P(X)上的模糊测度ψ:P(X)→[0, 1], 满足

1) ψ(ø)=0, ψ(X)=1;

2) 如果A, B∈P(X), A⊆B则ψ(A)≤ψ(B)。

3) ψ(A∪B)=ψ(A)+ψ(B)+λψ(A)ψ(B), 其中-1 < λ。则称ψ是X上的λ-模糊测度。

若λ=0, 有ψ(A∪B)=ψ(A)+ψ(B), 则属性A, B相互独立; 若-1 < λ < 0, 有ψ(A∪B) < ψ(A)+ψ(B), 则属性A, B具有冗余关联; 若λ>0, 有ψ(A∪B)>ψ(A)+ψ(B), 则属性A, B具有互补关联。

在多属性决策问题中, λ-模糊测度能够更精确地描述指标间相互关系。对∀A∈P(X), A的模糊测度由(2)式计算

当A=X时, ψ(A)=ψ(X)=1。则有

定义7  非负函数f在X上关于模糊测度ψ的离散Choquet积分为

或者

式中, (i)为向量f(x(i))的任意一个置换, 使得f(x(1))≤…≤f(x(n)), A(i)=(x(i), …, x(n)), 且A(n+1)=0。

1.3 广义TODIM方法

Liamazares给出了广义的TODIM方法

式中, g1, g2:(0, 1)→(0, +∞), 且f1, f2:(0, 1)→(0, +∞)。

当g1, g2, f1, f2为不同函数时, 可得到一些特殊的TODIM方法。例如:若g1=g2=x,

1) f1(x)=xα, f2(x)=0

2) f1(x)=0, f2(x)=θxβ

3) f1(x)=xα, f2(x)=θxβ

式中, α, β∈(0, 1), θ>0。

2 决策应用

2.1 问题描述

决策方案集为A={ai|i=1, …, m}, 属性集为C={cj|j=1, …, n}; 决策者用q-ROF模糊数pij=(uij, vij)表示方案ai关于属性cj的属性值, 得到决策矩阵P=[(uij, vij)]m×n。设ψ(C)=(ψ(c1), ψ(c2), …, ψ(cn))为属性集C的权重向量, 且ψ(cj)∈[0, 1]。当属性间存在关联性时, 如何评价方案的优劣性。

2.2 决策方法

为了解决属性相关条件下的q-ROF多属性决策问题, 同时考虑到决策者的心理因素, 提出了一种属性相关条件下广义q-ROF TODIM决策方法, 具体步骤如下:

Step 1  决策矩阵规范化处理

将决策矩阵P规范化处理, 得到标准决策矩阵P=(pij)m×n, 这里

式中：D1为效益型属性集合；D2为成本型属性集合。

Step 2  对每个属性cj, 计算收益损失矩阵Yj=[yitj]m×m, 其中元素yitj计算公式如下

式中：yitj表示两方案ai和at中, ai相对于at在属性cj的收益或损失；s(·)表示q-ROFN的记分函数, d(·)表示2个q-ROFN间的距离。

Step 3  应用公式(3)计算模糊测度λ, 再应用公式(2)计算属性集C的所有子集对应的权重。

Step 4  将yit1, yit2, …, yitn 按由小到大顺序排列, 假设排序结果为:yit(1)≤yit(2)≤yit(q)≤0≤yit(q+1)≤…≤yit(n); 再应用(11)式计算方案ai相对于方案at的优势度

式中：α, β∈(0, 1), θ>0为损失衰退系数；θ越小表示决策者的损失规避程度越大; U(i)=(c(i), c(i+1), …, c(n)), 且U(n+1)=0。

Step 5  方案ai相对于方案at关于所有属性的个体感知优势度ϕit由下述计算

在此基础上, 方案ai总体感知优势度δi定义如下

方案优劣排序标准:δi值越大, 表示方案ai。

3 实例分析

3.1 决策实例

某投资公司需对备选公司a1, a2, a3进行评价, 评价指标分别为Risk analysisc1, growth conditionsc2, social and political impactc3, environmental impactc4 and social developmentc5, 其中指标c, c3, c4, c5存在冗余关系, 决策者给出属性的权重向量为ψ=(0.45, 0.4, 0.35, 0.38, 0.42), 决策矩阵P如下

Step 1  获得规范化决策矩阵

由于风险分析c1是成本型指标, 需对决策矩阵P规范化处理, 得到规范化决策矩阵

Step 2  计算指标cj(j=1, 2, 3, 4, 5)下的收益-损失矩阵Yj, 其中, q=3。

Step 3  应用公式(3)得到模糊测度λ=-0.89, 表明属性间存在冗余关联, 这与实际分析相符。再应用公式(2)计算属性集C={c1, c2, c3, c4, c5}幂集的模糊测度, 见表 1所示。

表1

属性幂集的权重

Step 4  应用公式(11)和公式(12)得到个体感知优势度矩阵Φ=[ϕit]3×3, 其中α=β=0.5, θ=1

再应用公式(13)计算方案ai(i=1, 2, 3)的总体感知优势度δi为:δ1=0.715, δ2=0.428 5, δ3=-0.163 7。根据δi的大小, 得到方案的排序结果为:a1≻a2≻a3。

3.2 灵敏度分析

本节讨论参数θ, α, β, q改变时, 该方法对决策结果的影响。

1) 当q=3, α=β=0.5时, 表 2为θ改变时方案的排序。

表2

θ改变时方案排序

2) 当q=3, θ=1, β=0.5时, 表 3为α改变时方案的排序。

表3

α的改变时方案排序

3) 当q=3, θ=1, α=0.5时, 表 4为β改变时方案的排序。

表4

β的改变时方案排序

4) 当α=β=0.5, θ=1时, 表 5为q改变时方案的排序。

表5

q的改变时方案排序

通过表 2至表 5可知:随着θ越大, 备选项的总体感知优势度在减小, 表明决策者是风险偏爱的; 随着α增大, 各方案的总体感知优势度在减小, 这是因为q-ROF的距离测度介于0, 1之间, 且α∈[0, 1], 由公式(11)知, 总体感知优势度随着α的增大在减少; 随着β增大, 各方案的总体感知优势度在增加, 同理, 由公式(11)知, 总体感知优势度随着β的增大而增大; 随着q的增大, 各方案的总体感知优势度大致在减小。该试验表明:参数θ, α, β, q的改变, 不影响排序的稳定性。

3.3 对比分析

为了说明该算法的有效性, 下面将基于广义q-ROF TODIM决策方法和q-ROF TOPSIS决策方法对比分析。利用TOPSIS方法对第3.1节示例进行计算, 得到各备选方案的相对贴近度和排序结果见表 6。

表6

相对贴近度和排序

从表 6可以看出, 备选方案的排序为a1≻a3≻a2。虽然2个方法的最优方案均为a1, 但方案a2, a3的排序相反, 且基于TOPSIS方法获得的评价值区分度比较低。从实际分析可知, 基于广义TODIM方法更优。其主要原因在于, 广义TODIM方法是基于决策者的心理行为特征, 符合决策者的实际需要, 更具有说服力。

4 结论

q-ROF是模糊集更一般的形式，用于描述决策问题中的不确定性。本文在考虑决策者参照依赖和损失规避心理行为的情形下，对属性具有关联关系的多属性决策问题，提出了一种属性相关条件下广义q-ROF TODIM决策方法。该方法通过q-ROF距离公式计算各方案的收益损失矩阵，结合广义TODIM方法和Choquet积分的思想得到方案的感知优势度，通过感知优势度对方案进行排序。并以投资公司筛选为例，通过本文算法的仿真结果和灵敏度分析表明方法的有效性和适用性，既能充分考虑决策者的心理因素，也能解决属性之间的关联性。

References

  1. Zadeh L A. Fuzzy Sets[J]. Information and Control, 1965, 8 (3): 338– 353 [Article] [Google Scholar]
  2. Turksen I B. Interval Valued Fuzzy Sets Based on Normal Forms[J]. Fuzzy Sets and Systems, 1986, 20: 191– 210 [Article] [CrossRef] [Google Scholar]
  3. Atanassov K T. Intuitionistic Fuzzy Sets[J]. Fuzzy Sets and Systems, 1986, 20 (1): 87– 96 [Article] [CrossRef] [Google Scholar]
  4. Hu J H, Xiao K L, Chen X H, et al. Interval Type-2 Hesitant Fuzzy Set and Its Application in Multi-Criteria Decision Making[J]. Computers & Industrial Engineering, 2015, 87: 91– 103 [Article] [CrossRef] [Google Scholar]
  5. Yager R. Pythagorean Membership Grades in Multicriteria Decision Making[J]. IEEE Trans on Fuzzy Systems, 2014, 22 (4): 958– 965 [Article] [CrossRef] [Google Scholar]
  6. Yager R. Generalized Orthopair Fuzzy Sets[J]. IEEE Trans on Fuzzy Systems, 2017, 25 (5): 1222– 1230 [Article] [CrossRef] [Google Scholar]
  7. Wei G W, Wei C, Wang J, et al. Some Q-Rung Orthopair Fuzzy Maclaurin Symmetric Mean Operators and Their Applications to Potential Evaluation of Emerging Technology Commercialization[J]. Int J Intell Syst, 2019, 34: 50– 81 [Article] [CrossRef] [Google Scholar]
  8. Yang W, Pang Y F. New Q-Rung Orthopair Fuzzy Partitioned Bonferroni Mean Operators and Their Application in Multiple Attribute Decision Making[J]. Int J Intell Syst, 2019, 34: 439– 476 [Article] [CrossRef] [Google Scholar]
  9. Wang J, Gao H, Wei G W, et al. Methods for Multiple-Attribute Group Decision Making with Q-Rung Interval-Valued Orthopair Fuzzy Information and Their Applications to the Selection of Green Suppliers[J]. Symmetry, 2019, 11: 1– 27 [Article] [Google Scholar]
  10. Liu P D, Liu W Q. Multiple-Attribute Group Decision-Making Based on Power Bonferroni Operators of Linguistic Q-Rung Orthopair Fuzzy Numbers[J]. Int J Intell Syst, 2019, 34: 652– 689 [Article] [CrossRef] [Google Scholar]
  11. Wang P, Wang J, Wei G, Wei C. Similarity Measures of Q-Rung Orthopair Fuzzy Sets Based on Cosine Function and Their Applications[J]. Mathematics, 2019, 7: 1– 23 [Google Scholar]
  12. Xu Yue, Liu Lianzhen. Q-Rung Hesitant Fuzzy Sets and Its Application to Multi-Criteria Decision-Making[J]. Pattern Recognition and Artificial Intelligence, 2018, 31 (9): 816– 836 (in Chinese) [Google Scholar]
  13. Liu Peide, Wang Peng. Multiple-Attribute Decision Making Based on Archimedean Bonferroni Operators of Q-Rung Orthopair Fuzzy Numbers[J]. IEEE Trans on Fuzzy Systems, 2019, 27 (5): 834– 848 [Article] [CrossRef] [Google Scholar]
  14. Jie W, Wei G W, Wei C, et al. MABAC Method for Multiple Attribute Group Decision Making under Qrung Orthopair Fuzzy Environment[J]. Defence Technology, 2019, 16: 208– 216 [Article] [Google Scholar]
  15. Gomes L, Lima M. TODIM:Basic and Application to Multicriteria Ranking of Projects with Environmental Impacts[J]. Foundations of Computing and Decision Sciences, 1991, 16 (3): 113– 127 [Google Scholar]
  16. Huang Y H, Wei G W. TODIM Method for Pythagorean 2-Tuple Linguistic Multiple Attribute Decision Making[J]. Journal of Intelligent and Fuzzy Systems, 2018, 35 (1): 901– 915 [CrossRef] [Google Scholar]
  17. Li Y W, Shan Y Q, Liu P O. An Extended TODIM Method for Group Decision Making with the Interval Intuitionistic Fuzzy Sets[J]. Math Probl Eng, 2015, 6: 1– 9 [Article] [Google Scholar]
  18. Liang Xia, Liu Zhengmin, Liu Peide. Pythagorean Uncertain Linguistic TODIM Method Based on Generalized Choquet Integral and Its Application[J]. Control and Decision, 2018, 33 (7): 1303– 1312 [Article] (in Chinese) [Google Scholar]
  19. Liamazares B. An Analysis of the Generalized TODIM Method[J]. European Journal of Operational Research, 2018, 269 (3): 1041– 1049 [Article] [CrossRef] [Google Scholar]
  20. Liu Yi, Qin Ya, Liu Haobin, et al. Generalized q-ROF TODIM Method and Its Application[J]. Control and Decision, 2020, 35 (8): 2021– 2028 (in Chinese) [Google Scholar]
  21. Liang Xia, Jiang Yanping, Liang Haiming. C-TODIM Decision Making Method Considering Correlated Attributes[J]. Operations Research and Management Science, 2015, 24 (2): 101– 107 [Article] (in Chinese) [Google Scholar]
  22. Zhang Yongzheng, Ye Chunming, Ceng Xiuli, et al. A Risky Supplier Selection Approach Based on Hesitant Fuzzy Generalized Choquet Integral[J]. Industrial Engineering Management, 2019, 24 (4): 47– 54 [Article] (in Chinese) [Google Scholar]

All Tables

表1

属性幂集的权重

In the text
表2

θ改变时方案排序

In the text
表3

α的改变时方案排序

In the text
表4

β的改变时方案排序

In the text
表5

q的改变时方案排序

In the text
表6

相对贴近度和排序

In the text

Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.

Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.

Initial download of the metrics may take a while.