多属性决策方法：序关系分析、熵权法与反熵权法实现

1. 多属性决策方法概述

在工程管理、经济分析和科研评价等领域，我们经常面临需要综合考虑多个指标的决策问题。这类多属性决策(MCDM)问题通常涉及相互冲突的评价标准，传统的主观赋权方法往往难以客观反映各指标的真实重要性。本文将系统介绍三种具有代表性的客观赋权方法：序关系分析法、熵权法及其改进版本反熵权法，并展示它们在MATLAB和Python中的实现方案。

2. 序关系分析法原理与实现

2.1 方法理论基础

序关系分析法(G1法)是一种基于专家经验判断的赋权方法，通过建立指标间的序关系来推导权重。其核心思想是：专家只需确定各指标的重要性排序和相邻指标间的相对重要程度比，即可计算出各指标的权重值。

具体计算步骤如下：

1. 确定指标重要性排序：x1 > x2 > ... > xn
2. 专家给出相邻指标重要性比值：rk = wk-1/wk (k=2,3,...,n)
3. 计算权重系数：
   • wn = (1 + Σ(rk))^-1
   • wk-1 = rk * wk

2.2 MATLAB实现代码

matlab复制function weights = G1_method(r)
    n = length(r) + 1;
    w = zeros(1,n);
    w(n) = 1/(1 + sum(r));
    for k = n:-1:2
        w(k-1) = r(k-1)*w(k);
    end
    weights = w/sum(w); % 归一化
end

2.3 Python实现方案

python复制import numpy as np

def g1_method(r):
    n = len(r) + 1
    w = np.zeros(n)
    w[-1] = 1 / (1 + sum(r))
    for k in range(n-1, 0, -1):
        w[k-1] = r[k-1] * w[k]
    return w / sum(w)  # 归一化

注意事项：序关系分析法对专家的经验判断依赖较强，建议至少由3-5位领域专家独立给出排序和比值，最后取平均值作为最终输入参数。

3. 熵权法原理与应用

3.1 熵权法数学模型

熵权法是一种基于信息熵理论的客观赋权方法，其核心思想是：指标的离散程度越大，提供的信息量越多，其权重也应越大。具体计算过程如下：

1. 数据标准化处理：

   • 对于效益型指标：x' = (x - min)/(max - min)
   • 对于成本型指标：x' = (max - x)/(max - min)

2. 计算第j项指标下第i个样本的比重：
   pij = x'ij / Σx'ij

3. 计算第j项指标的熵值：
   ej = -k * Σ(pij * ln(pij)), 其中k=1/ln(n)

4. 计算差异系数：
   gj = 1 - ej

5. 确定权重：
   wj = gj / Σgj

3.2 MATLAB实现代码

matlab复制function weights = entropy_weight(X, type)
    [m,n] = size(X);
    % 数据标准化
    X_normalized = zeros(m,n);
    for j = 1:n
        if type(j) == 1 % 效益型
            X_normalized(:,j) = (X(:,j)-min(X(:,j)))/(max(X(:,j))-min(X(:,j)));
        else % 成本型
            X_normalized(:,j) = (max(X(:,j))-X(:,j))/(max(X(:,j))-min(X(:,j)));
        end
    end
    % 计算比重
    p = X_normalized./sum(X_normalized);
    % 计算熵值
    e = -1/log(m) * sum(p .* log(p), 1);
    e(isnan(e)) = 0; % 处理log(0)情况
    % 计算权重
    g = 1 - e;
    weights = g / sum(g);
end

3.3 Python实现方案

python复制import numpy as np

def entropy_weight(X, types):
    m, n = X.shape
    # 数据标准化
    X_norm = np.zeros((m, n))
    for j in range(n):
        if types[j] == 1:  # 效益型
            X_norm[:, j] = (X[:, j] - X[:, j].min()) / (X[:, j].max() - X[:, j].min())
        else:  # 成本型
            X_norm[:, j] = (X[:, j].max() - X[:, j]) / (X[:, j].max() - X[:, j].min())
    
    # 计算比重
    p = X_norm / X_norm.sum(axis=0)
    # 计算熵值
    e = -1 / np.log(m) * np.nansum(p * np.log(p), axis=0)
    e = np.nan_to_num(e)  # 处理log(0)情况
    # 计算权重
    g = 1 - e
    return g / g.sum()

实操心得：在实际应用中，经常会遇到某个指标值完全相同的情况（熵值为0），此时差异系数为1，会导致权重分配不合理。建议对这种情况进行特殊处理，如设置最小熵值阈值。

4. 反熵权法改进与应用

4.1 方法改进原理

传统熵权法存在两个主要缺陷：

1. 对指标值微小变化过于敏感
2. 当熵值接近1时，权重计算结果不稳定

反熵权法通过引入反熵概念进行改进：

1. 计算反熵：d = e/(1-e)
2. 计算权重：w = d/Σd

4.2 MATLAB实现代码

matlab复制function weights = anti_entropy_weight(X, type)
    % 先计算传统熵权
    e = entropy_weight(X, type);
    % 计算反熵
    d = e./(1-e);
    d(isinf(d)) = 0; % 处理除0情况
    weights = d / sum(d);
end

4.3 Python实现方案

python复制def anti_entropy_weight(X, types):
    # 先计算传统熵权
    e = entropy_weight(X, types)
    # 计算反熵
    d = e / (1 - e)
    d = np.nan_to_num(d, posinf=0)  # 处理除0情况
    return d / d.sum()

5. 综合应用案例分析

5.1 案例背景

假设我们需要评估5个方案的优劣，考虑4个评价指标：

1. 成本（万元，成本型）
2. 收益（万元，效益型）
3. 实施难度（1-5评分，成本型）
4. 环境影响（1-5评分，成本型）

原始数据矩阵如下：

5.2 MATLAB综合实现

matlab复制% 输入数据
X = [120 80 3 2;
     150 95 2 3;
     90 70 4 1;
     200 120 1 4;
     180 105 2 2];
types = [0 1 0 0]; % 指标类型：0成本型，1效益型

% 计算三种权重
w_g1 = G1_method([1.2, 1.5, 1.8]); % 假设序关系比值
w_entropy = entropy_weight(X, types);
w_anti = anti_entropy_weight(X, types);

% 显示结果
disp('G1法权重:'); disp(w_g1);
disp('熵权法权重:'); disp(w_entropy);
disp('反熵权法权重:'); disp(w_anti);

5.3 Python综合实现

python复制import numpy as np

# 输入数据
X = np.array([
    [120, 80, 3, 2],
    [150, 95, 2, 3],
    [90, 70, 4, 1],
    [200, 120, 1, 4],
    [180, 105, 2, 2]
])
types = np.array([0, 1, 0, 0])  # 指标类型：0成本型，1效益型

# 计算三种权重
w_g1 = g1_method(np.array([1.2, 1.5, 1.8]))  # 假设序关系比值
w_entropy = entropy_weight(X, types)
w_anti = anti_entropy_weight(X, types)

print("G1法权重:", w_g1)
print("熵权法权重:", w_entropy)
print("反熵权法权重:", w_anti)

6. 方法比较与选择建议

6.1 三种方法特性对比

6.2 实际应用建议

1. 专家经验丰富场景：优先考虑序关系分析法，结合专家判断可以更好地反映指标间的真实重要性关系。

2. 数据质量较高场景：传统熵权法通常能给出合理结果，计算过程直观易懂。

3. 数据存在微小波动场景：推荐使用反熵权法，其对数据微小变化不敏感，结果更稳定。

4. 重要决策场景：建议同时使用多种方法计算，比较权重结果的一致性。如果差异较大，需要深入分析原因。

避坑指南：在实际应用中，经常遇到权重分配过于极端（某个指标权重接近1）的情况。这时可以：

1. 检查数据是否存在异常值
2. 考虑组合使用主观赋权和客观赋权方法
3. 对权重结果进行合理性检验

7. 常见问题与解决方案

7.1 熵值为0或1时的处理

当某个指标的熵值接近0或1时，传统熵权法会产生不合理结果。解决方案：

1. 设置熵值下限和上限（如0.001和0.999）
2. 使用反熵权法改进
3. 考虑该指标是否应该保留在评价体系中

7.2 指标相关性处理

当评价指标间存在较强相关性时，会导致信息重复计算。解决方法：

1. 先进行指标聚类分析
2. 使用主成分分析等方法降维
3. 对高度相关指标进行合并

7.3 数据标准化方法选择

不同标准化方法会影响最终权重结果。建议：

1. 对于分布未知的数据，使用min-max标准化
2. 对于正态分布数据，考虑z-score标准化
3. 对于存在极端值的数据，使用小数定标标准化

8. 扩展应用与进阶方向

8.1 组合赋权方法

将主观赋权法（如AHP、G1）与客观赋权法（熵权法）结合，常见组合方式：

1. 乘法合成：w = w_sub * w_obj / Σ(w_sub * w_obj)
2. 线性加权：w = αw_sub + (1-α)w_obj

8.2 动态权重调整

对于时间序列数据，可以考虑：

1. 滑动窗口熵权法
2. 基于时间衰减系数的权重调整
3. 考虑指标间随时间变化的耦合关系

8.3 与其他决策方法集成

1. 与TOPSIS法结合进行方案排序
2. 与灰色关联分析结合处理不确定信息
3. 与模糊数学结合处理定性指标

在实际项目中，我通常会先使用熵权法进行初步分析，再结合专家意见用序关系分析法进行修正，最后用反熵权法验证结果的稳定性。这种组合策略在多个工程项目中取得了不错的效果，特别是在处理既有定量指标又有定性指标的综合评价问题时。