第三章 多属性决策分析

多属性决策分析案例 结果

多属性决策分析案例 (分析过程文件见文件夹“分析过程”) 第一步：利用MATLAB求综合属性值M-FILE源文件见“multiattribute.m” 代码： %first import the data for A!!! %首先输入数组A（即文件“多属性决策”）! 源数据顺序经过了调整，把逆指标放在前23列，正指标放在后八列 R=zeros(60,31); R1=zeros(60,31); E=zeros(1,31); W=zeros(1,31); Z=zeros(60,1); B=ones(1,31);%把B变成全为1的数组 k=1:23; B(1,k)=1./[max(A(:,k))-min(A(:,k))]; %确定MAX(a(i,j))-MIN(a(i,j))数组 for j=1:23 R(:,j)=(max(A(:,j))-A(:,j)).*B(1,j);%先把前23个逆指标规范化 end B=ones(1,31);%再次把B变成全为1的数组 k=24:31; B(1,k)=1./[max(A(:,k))-min(A(:,k))]; for j=24:31 R(:,j)=(A(:,j)-min(A(:,j))).*B(1,j)%再把后八个正指标规范化 for j=1:31 R1(:,j)=R(:,j)./(sum(R(:,j)));%将矩阵R列归一化 end e=0; for j=1:1:31 for i=1:1:60 if R1(i,j)==0 s=0; else s=R1(i,j)*log(R1(i,j)); end e=s+e; end E(j)=(-1/log(60))*e;%得出信息熵 end sK=sum(1-E(1,:)); for j=1:31 W(j)=(1-E(j))./sK;%得出权重 end for i=1:60;z=0; for j=1:31

多属性决策问题分析

第十章 多属性决策问题(Multi-attribute Decision-making Problem) 即: 有限方案多目标决策问题 主要参考文献: 68， 112， 152 §10.1概述 MA MC MO 一、决策矩阵(属性矩阵、属性值表) 方案集 X = {x x x m 12,,, } 方案 x i 的属性向量 Y i = {y i 1,…,y in } 当目标函数为f j 时, y ij = f j (x i ) 各方的属性值可列成表(或称为决策矩阵): y 1 … y j … y n x 1 y 11 … y j 1 … y n 1 … … … … … … x i y i 1 … y ij … y in … … … … … … x m y m 1 … y mj … y mn 例: 学校扩建 例： 表10.1 研究生院试评估的部分原始数据

二、数据预处理 数据的预处理(又称规范化)主要有如下三种作用。 首先，属性值有多种类型。有些指标的属性值越大越好，如科研成果数、科研经费等是效益型；有些指标的值越小越好，称作成本型。另有一些指标的属性值既非效益型又非成本型。例如研究生院的生师比，一个指导教师指导4至6名研究生既可保证教师满工作量，也能使导师有充分的科研时间和对研究生的指导时间，生师比值过高，学生的培养质量难以保证；比值过低；教师的工作量不饱满。这几类属性放在同一表中不便于直接从数值大小来判断方案的优劣，因此需要对属性表中的数据进行预处理，使表中任一属性下性能越优的值在变换后的属性表中的值越大。 其次是非量纲化。多目标评估的困难之一是指标间不可公度，即在属性值表中的每一列数具有不同的单位(量纲)。即使对同一属性，采用不同的计量单位，表中的数值也就不同。在用各种多目标评估方法进行评价时，需要排除量纲的选用对评估结果的影响，这就是非量纲化，亦即设法消去(而不是简单删去)量纲，仅用数值的大小来反映属性值的优劣。 第三是归一化。原属性值表中不同指标的属性值的数值大小差别很大，如总经费即使以万元为单位，其数量级往往在千(103)、万(104)间，而生均在学期间发表的论文、专著的数量、生均获奖成果的数量级在个位(100)或小数(101 )之间，为了直观，更为了便于采用各种多目标评估方法进行比较，需要把属性值表中的数值归一化，即把表中数均变换到［0，1］区间上。 此外，还可在数据预处理时用非线性变换或其他办法来解决或部分解决目标间的不完全补偿性。

第十七章 多目标决策法

第十七章多目标决策法 基本内容 一、多目标决策概述 多目标决策:统计决策中的目标通常不会只有一个，而是有多个目标，具有多个目标的决策问题的决策即称为多目标决策。多目标决策的方法有多属性效用理论、字典序数法、多目标规划、层次分析、优劣系数法、模糊决策法等。 多目标决策的特点： 1、目标之间的不可公度性，即众多目标之间没有一个统一标准。 2、目标之间的矛盾性。某一目标的完善往往会损害其他目标的实现。 常用的多目标决策的目标体系分类：单层目标体系；树形多层目标体系；非树形多层目标体系。 多目标决策遵循的原则： 1、在满足决策需要的前提下，尽量减少目标个数。 2、分析各目标重要性大小，分别赋予不同权数。 二、层次分析法 层次分析法，简称AHP法，是用于处理有限个方案的多目标决策方法。 （一）层次分析的基本原理 层次分析法的基本思想：是把复杂问题分解为若干层次，在最低层次通过两两对比得出各因素的权重，通过由低到高的层层分析计算，最后计算出各方案对总目标的权数，权数最大的方案即为最优方案。 层次分析法的基本假设：层次之间存在递进结构，即从高到低或从低到高递进。 （二）层次分析法的步骤 1、明确问题，搞清楚涉及的因素以及因素相互之间的关系。 2、建立层次结构模型。将决策问题层次化，划分为总目标层、分目标层和方案层。 2、通过对各层元素的重要性进行两两比较，构造判断矩阵。 3、由各层判断矩阵确定各层权重。用特征向量法中的和积法求解判断矩阵的最大特征值和归一化后的特征向量。 4、对各层判断矩阵的一致性进行检验。一致性检验通过后，按归一化处理过的特征向量作为某一层次对上一层次某因素相对重要的排序加权值。否则，对判断矩阵进行调整。

多目标决策方法20页word文档

多目标决策方法 一．多目标决策方法简介 1．多目标决策问题及特点 （１） 案例 个人：购物；买房；择业．．．．．． 集体或社会：商场，医院选址；水库高度选择．．．．．． （２） 要素 行动方案集合X;目标和属性；偏好结构和决策规则 （3） 多目标决策有如下几个特点： 决策问题追求的优化目标多于一个；目标之间的不可公度性：指标量纲的不一致性； 目标之间的矛盾性； 定性指标与定量指标相混合：有些指标是明确的,可以定量表示出来,如：价格、时间、产量、成本、投资等。有些指标是模糊的、定性的,如人才选拔时候选人素质考察时往往会以：思想品德、学历、能力、工作作风、市场应变能力等个性指标作为决策依据。 2． 多目标决策问题的描述 决策空间：}0)({≤=x g x X i 目标空间 })({X x x f F ∈= 两个例子： 离散型；连续型 3． 多目标决策问题的劣解与非劣解 非劣解的寻找连续型有时较难

4．多目标决策主要有以下几种方法： （１）化多为少法：化成只有二个或一个目标的问题； （２）直接求非劣解法：先求出一组非劣解，然后按事先确定好的评价标准从中找出一个满意的解。 （３）分层序列法：将所有目标按其重要性程度依次排序，先求出第一个最重要的目标的最优解，然后在保证前一目标最优解的前提下依次求下一目标的最优解，一直求到最后一个目标为止。（ （４）目标规划法：对于每一个目标都事先给定一个期望值，然后在满足系统一定约束条件下，找出与目标期望值最近的解。 （５）重排序法：把原来的不好比较的非劣解通过其他办法使其排出优劣次序来。 （６）多属性效用法：各个目标均用表示效用程度大小的效用函数表示，通过效用函数构成多目标的综合效用函数，以此来评价各个可行方案的优劣。 （７）层次分析法：把目标体系结构予以展开，求得目标与决策方案的计量关系。 （８）多目标群决策和多目标模糊决策。 （９）字典序数法和多属性效用理论法等。 二、几种常见方法简介及应用 1．加性加权法 （1）基本假设：1.属性描述用基数定量描述，且相互独立； 2.价值函数的形式是加性的。

多目标决策

单目标决策问题前三章已经进行了较为详细的探讨。从合理行为假设引出的效用函数，提供了对这 类问题进行合理分析的方法 和程序。 但在实际工作中所遇到的的决策分析问题， 却常常要考虑多个目标。 这些目标有的相互联系，有的相互制约，有的相互冲突，因而形成一种异常复杂的结构体系，使得决策 问题变得非常复杂。 总之，多目标决策问题正愈来愈多的受到人们的重视，尤其是在经济、管理、系统工程、控制论和 运筹学等领域中得到了更多 的研究和关注。 13.1基本概念 多目标决策和单目标决策的根本区别在于目标的数量。单目标决策，只要比较各待选方案的期望效 用值哪个最大即可，而多目 标问题就不如此简单了。 例13.1房屋设计 某单位计划建造一栋家属楼，在已经确定地址及总建筑面积的前提下，作出了三个设计方案，现要 求根据以下5个目标综合 选出最佳的设计方案： 低造价（每 平方米造价不低于 抗震性能 建造时间 结构合理 造型美观 这三个方案的具体评价表如下。 表13.1 三种房屋设计方案的目标值 具体目标 方案1 (A 1) 方案2 (A 2) 方案3 (A 3) 低造价（元/平方米） 500 700 600 抗震性能（里氏级） 6.5 5.5 6.5 建造时间（年） 2 1.5 1 结构合理（定性） 中 优 良 造型美观（定性） 良 优 中 由表中可见，可供选择的三个方案各有优缺点。某一个方案对其中一个目标来说是最优者，从另一 个目标角度来看就不见得是最优，可能是次优。比如从造价低这个具体目标出发，则方案 1较好；如从 合理美观的目标出发，方案 2就不错；但如果从牢固性看，显然方案 3最可靠等等。 1. 多目标决策问题的基本特点 例13.1就是一个多目标决策问题。类似的例子可以举出很多。多目标决策问题除了目标不至一个 这一明显的特点外，最显 着的有以下两点：目标间的不可公度性和目标间的矛盾性。 目标间的不可公度性 是指各个目标没有统一的度量标准，因而难以直接进行比较。例如房屋设计 问题中，造价的单位是元/平 方米，建造时间的单位是年，而结构、造型等则为定性指标。 500元，不高于 700元）； （抗震能力不低于里氏 5级不高于7级）； （越快越好）； （单元划分、生活设施及使用面积比例等） ； （评价越高越好） 1) 2) 3) 4) 5)

多属性决策算法对比分析

算法分析 1.TOPSIS（逼近理想解法）：(TOPSIS方法属于经典的多属性决策方法之一，由H.wang.C.L和Yoon，K.S.1981提出). 基本原理:根据评价指标的标准化值与指标的权重共同构成规范化矩阵来确定评价指标的正、负理想解。然后，建立评价指标综合向量与正、负理想解之间距离的二维数据空间。在此基础上对评价方案与最优理想参照点之间的距离进行模糊评判。最后，依据该距离的大小对评价方案进行优劣排序.若某方案为最优方案则此方案最接近最优解，同时又远离最劣解. TOPSIS法最大的优点是:无严格限制数据分布及样本含量指标的多少，小样本资料、多评价单元、多指标的大系统资料都同样适用，同时也不受参考序列选择的干扰。既可用于多单位之间进行对比，也可用于不同年度之间对比分析，该法运用灵活，计算简便同时结果量化也客观[1]。 缺点：（1）规范决策矩阵的求解比较复杂，故不易求出理想解和负理想解；（2）评价缺少稳定性，当评判的环境及自身条件发生变化时，指标值也相应会发生变化，就有可能引起理想解和负理想解向量的改变，使排出的顺序随之变化，评判结果就不具有唯一性；（3）属性权重是事先确定的，其主观性较强。[2] 基本步骤： ○1建立多属性决策问题的决策矩阵

○2决策矩阵的规范化处理 常见的标准化处理方法有:模糊数学法、标准差标准化法、极差标准化法、极大值标准化法和百分比标准法等. ○3构建加权规范化矩阵 确定权重的方法有主观赋权法和客观赋权法。主观赋权法包括层次分析法、Delphi法等。主观权重法土要根据专家判断打分，主观性

太强，其结果对多因素非线性定量关系的反映有一定影响:客观权重法人为因素干扰较小，可以较为客观地确定权重，但该方法也受样本数据数量和质量的制约。权重确定的方法：主成分分析法、变异系数法。 ○4确定正理想点和负理想点 所谓正理想点是设想得到的最好的解，它的各个指标值都达到各候选方案中最好的值。而负理想点是另一设想的最坏的解，它的各个指标都达到各候选方案中最坏的值。 ○5计算各方案到正负理想点的距离 ○6计算各方案与理想点的相对贴近度，相对贴近度的取值越大则表示该方案越优。贴近度的计算公式为：[3]

多目标决策问题

第十五章多標準決策問題本章內容： 15.1 目標規劃:建立模式及圖解法 15.2 目標規劃:解更複雜的問題 15.3 計分模式 15.4 層級分析法 15.5 用AHP建立優先權 15.6 用AHP建立整體優先順序

線性規劃的基本假設： 1.可加性(Additivity)：目標函數或限制式變數之衡量單位必須相同，如此才能相加減 2.比例性(Proportionality)：就限制式而言，每單位產出所需之資源投入數均為固定，一定倍數的投入可以得到相同倍數的產出 3.確定性(Determinitic)：目標函數係數及限制條件中之技術系數以及擁有資源數量等均為已知且確定的數字，而不含

任何機率分配 4.可分割性(Divisibility)：線性規劃模型解答不一定是整數，可以是任意實數 ▓15.1 目標規劃：建立模型及圖解法 例： 尼可投資顧問公司考慮某顧客有80,000元要投資，投資組合限於以下兩種股票： 美國石油$25 $3 0.50

休伯不動產 50 5 0.25 這個顧客第一目標是風險最高水準為700，第二目標是要年回收至少9,000元，試以目標規劃找出最接近滿足所有目標的投資組合。 根據優先順序的說明，本例題“目標”可表示如下：主要目標（優先等級1） 目標1：找一個投資組合，它的風險在700以下。 次要目標（優先等級2） 目標2：找一個投資組合，它所提供的年回收至少9,000元。 建立限制式及目標方程式 1.先決定決策變數 X1＝購買美國石油股的數目 X2＝購買休柏不動產股的數目

2.建立限制條件 25X 1＋50X 2≦80,000（可用資金） 3.建立目標方程式 （1）目標1之目標方程式(組合風險)： 風險指標可小於等於或大於目標值700，目標方程式如下： 0.5X 1＋0.25X 2－d 1+ ＋d 1- ＝700 d 1+ ＝組合風險指標超過目標值700的部份 d 1- ＝組合風險指標少於目標值700 的部份 （2）目標2之目標方程式(年回收)： 年收入指標可大於等於或小於目標值9000，目標方程式如下： 9000532221=+-+- +d d x x

多目标决策作业

多目标决策理论及应用作业

1.1 多目标决策方法发展及的国内外研究现状 1.1.1 多目标决策理论发展 综合评价是多目标决策理论研究的重要内容，由于其在工程系统和社会、经济、管理等各个领域的普遍存在性，因而在社会经济的各个领域得到极为广泛的应用，如投资决策、项目评估、方案选优、工厂选址、产业部门发展排序和经济效益综合评价等等。 多目标决策问题是对具有多个目标的有限方案进行排序与优选的问题。人们常常要对有限个方案集的备选方案进行综合评价，比如在水利水电工程建设的过程中，要进行施工导流，由于导流方案直接影响着施工导流工程的规模、主体工程施工安全、施工总工期及工程投资，因此，要考虑工程所在河段的地形、地质条件、河流水文特性等自然因素和主体工程枢纽布置特点、施工导流方式选择要求、施工工期限制条件、施工技术力量、施工设备及物资、资金等等。众多工程因素，确定一个合理的导流方案，可见，多目标决策作为一个工具在解决工程技术经济管理、军事和系统工程等众多方面的问题也越来越显示出它的强大生命力。但是多目标决策作为一门学科，还是在近五十多年来才真正形成为一门完整独立的的科学体系。最早是在1896年，V.Pareto 提出的向量优化的概念涉及到了多目标概念，他从经济学的角度把本质上不可比较的多个目标化成单个目标进行优化求解，即现在使用的Pareto 最优概念。直到1944 年，多目标决策的理论和方法才逐步发展起来，J.v.Neumaee 和0.Morgenstem 从对策论角度提出了彼此矛盾情况下的多目标决策问题，标志着近代意义

上多目标决策的诞生。1951年，美国经济学家Koopmans从有限资源的合理分配与使用问题中提出了多目标决策问题，首次使用了有效向量的概念，这就是现代多目标决策非劣解概念。1961年，Chames 和CooPer 引入了目的规划法，其准则是使目标值和实际值两者之差的绝对值达到最小。1964年，Aumann对多目标决策问题提出了效用函数的概念。1968年，多目标学科自学者Johnson 系统地提出了多目标决策模型的研究报告以后开始迅速发展。到了二十世纪七十年代，1972 年第一次多目标决策会议在美国South Carolina大学召开，会议出版的论文集成为多目标决策研究的经典文献；1976年，R.L.Keeny 和H.Raifats对发展多属性效用理论做了很大贡献；与此同时，美国学者Satty提出了著名的层次分析(AHP)法，多目标决策技术的发展加快，为这一学科体系的建立打下坚实的基础。 1.1.2 多目标决策方法及其研究现状 多目标投资决策是目前决策活动中人们经常遇到的一类决策问题。方案决策结果的好坏，直接关系到各投资目标能否实现，也直接关系到方案实施的综合效益。目前多目标决策大多采用的方法为模糊数学法、目标规划法、AHP 法、属性评价、灰色理论等方法。从二十世纪九十年代开始，随着电脑技术的发展，研究人员又提出了基于人工智能技术、神经网络、遗传算法和粗集理论的决策方法。如1993年 C.M.Fonseca 在第五届国际遗传学会议上提出了基于遗传算法的多属性决策问题；YangJ.B.和WangJin等人提出了用证据推理理论来处理不确定性混合多属性决策问题的重要方法，即ER法；2002年，

多目标决策

第13章多目标决策 单目标决策问题前三章已经进行了较为详细的探讨。从合理行为假设引出的效用函数，提供了对这类问题进行合理分析的方法和程序。但在实际工作中所遇到的的决策分析问题，却常常要考虑多个目标。这些目标有的相互联系，有的相互制约，有的相互冲突，因而形成一种异常复杂的结构体系，使得决策问题变得非常复杂。 总之，多目标决策问题正愈来愈多的受到人们的重视，尤其是在经济、管理、系统工程、控制论和运筹学等领域中得到了更多的研究和关注。 13.1 基本概念 多目标决策和单目标决策的根本区别在于目标的数量。单目标决策，只要比较各待选方案的期望效用值哪个最大即可，而多目标问题就不如此简单了。 例房屋设计 某单位计划建造一栋家属楼，在已经确定地址及总建筑面积的前提下，作出了三个设计方案，现要求根据以下5个目标综合选出最佳的设计方案： 1）低造价（每平方米造价不低于500元，不高于700元）； 2）抗震性能（抗震能力不低于里氏5级不高于7级）； 3）建造时间（越快越好）； 4）结构合理（单元划分、生活设施及使用面积比例等）； 5）造型美观（评价越高越好） 这三个方案的具体评价表如下。 表三种房屋设计方案的目标值 具体目标方案1（A1）方案2（A2）方案3（A3） 低造价（元/平方米）500 700 600 抗震性能（里氏级） 建造时间（年） 2 1 结构合理（定性）中优良 造型美观（定性）良优中 由表中可见，可供选择的三个方案各有优缺点。某一个方案对其中一个目标来说是最优者，从另一个目标角度来看就不见得是最优，可能是次优。比如从造价低这个具体目标出发，则方案1较好；如从合理美观的目标出发，方案2就不错；但如果从牢固性看，显然方案3最可靠等等。 1．多目标决策问题的基本特点 例就是一个多目标决策问题。类似的例子可以举出很多。多目标决策问题除了目标不至一个这一明显的特点外，最显着的有以下两点：目标间的不可公度性和目标间的矛盾性。 目标间的不可公度性是指各个目标没有统一的度量标准，因而难以直接进行比较。例如房屋设计问题中，造价的单位是元/平方米，建造时间的单位是年，而结构、造型等则为定性指标。 目标间的矛盾性是指如果选择一种方案以改进某一目标的值，可能会使另一目标的值变坏。如房屋设计中造型、抗震性能的提高可能会使房屋建造成本提高。

多属性决策问题分析

第十章多属性决策问题(Multi-attribute Decision-making Problem) 即: 有限方案多目标决策问题 主要参考文献: 68，112，152 §10.1概述 MA MC MO 一、决策矩阵(属性矩阵、属性值表) 方案集X = {} 方案的属性向量= {,…, } 当目标函数为时, = () 各方的属性值可列成表(或称为决策矩阵): …… …… ……………… …… ……………… …… 例: 例：

二、数据预处理 数据的预处理(又称规范化)主要有如下三种作用。 首先，属性值有多种类型。有些指标的属性值越大越好，如科研成果数、科研经费等是效益型；有些指标的值越小越好，称作成本型。另有一些指标的属性值既非效益型又非成本型。例如研究生院的生师比，一个指导教师指导4至6名研究生既可保证教师满工作量，也能使导师有充分的科研时间和对研究生的指导时间，生师比值过高，学生的培养质量难以保证；比值过低；教师的工作量不饱满。这几类属性放在同一表中不便于直接从数值大小来判断方案的优劣，因此需要对属性表中的数据进行预处理，使表中任一属性下性能越优的值在变换后的属性表中的值越大。 其次是非量纲化。多目标评估的困难之一是指标间不可公度，即在属性值表中的每一列数具有不同的单位(量纲)。即使对同一属性，采用不同的计量单位，表中的数值也就不同。在用各种多目标评估方法进行评价时，需要排除量纲的选用对评估结果的影响，这就是非量纲化，亦即设法消去(而不是简单删去)量纲，仅用数值的大小来反映属性值的优劣。 第三是归一化。原属性值表中不同指标的属性值的数值大小差别很大，如总经费即 使以万元为单位，其数量级往往在千(103)、万(104)间，而生均在学期间发表的论文、专著的数量、生均获奖成果的数量级在个位(100)或小数(101 )之间，为了直观，更为了便于 采用各种多目标评估方法进行比较，需要把属性值表中的数值归一化，即把表中数均变换到［0，1］区间上。 此外，还可在数据预处理时用非线性变换或其他办法来解决或部分解决目标间的不完全补偿性。 常用的数据预处理方法有下列几种。 (1)线性变换 效益型属性：z ij= y ij/y j max(10-1) 变换后的属性值最差不为0，最佳为1 成本型属性z ij= 1 - y ij/y j max(10-2) 变换后的属性值最佳不为1，最差为0 或z ij’ = y j min/ y ij(10-2’) 变换后的属性值最差不为0，最佳为1, 且是非线性变换 (2) 标准0-1变换

对方案有偏好的多属性决策的灰色关联分析法

对方案有偏好的多属性决策的灰色关联分析法 卫贵武1,2 1西南交通大学经济管理学院，四川成都（610031） 2川北医学院数学系，四川南充（637007） E-mail ：weiguiwu@https://www.wendangku.net/doc/8a4332324.html, 摘 要：针对只有部分权重信息且对方案有偏好的多属性决策问题，提出了一种灰色关联分析的决策方法。该方法依据一般的灰色关联分析方法的基本思路，给出了该问题的计算步骤，其核心是通过构建并求解一个单目标最优化模型，可得到属性权重信息，进而得到每个方案客观偏好值与主观偏好值的灰色关联系数，然后计算出每个方案客观偏好与主观偏好的关联度，根据关联度对所有方案进行排序。最后给出了一个数值例子，结果表明方法简单，有效和易于计算。 关键词：多属性决策，属性权重;灰色关联分析，单目标最优化 中图分类号：O212.6 文献标识码：A 1. 引言 多属性决策是决策理论研究的重要内容，现已广泛应用于投资决策、项目评估、方案优选、工厂选址、经济效益评价等诸多领域[1-7]。由于客观事物、不确定性及决策者的积极参与，对方案有偏好的不确定多属性决策问题引起人们的关注[4 ，8-15] 。目前关 于这类方法的研究成果主要有：给出方案偏好程度条件概率的方法[8]；给出方案优先序的方法[9]；给出方案偏爱度的方法[10]；文献[11]在属性权重信息不能完全确知且对方案有偏好的多属性决策问题，提出一种基于方案达成度和综合度的交互式决策方法；文献[12]在属性权重信息完全未知的情况下，讨论了决策者对方案的偏好信息以互补判断矩阵形式给出的多属性决策问题；文献[13]研究了只有部分权重信息且对方案的偏好信息以互补判断矩阵和互反判断矩阵两种形式给出的多属性决策问题，提出了一种基于目标规划模型的多属性决策方法；文献[14]研究了只有部分权重信息且对方案的偏好信息以实数形式给出的多属性决策问题，提出了一种基于投影模型的多属性决策方法。文献[15]对权重信息完全未知且对方案的偏好信息为互补判断矩阵的多属性决策方法进行了研究，利用线性转化函数将决策信息一致化，然后建立一个优化模型，进而给出了相应的决策方案排序方法。 灰色关联分析法由邓聚龙教授首先提出[16-18]，它是灰色系统最普遍的分析方法之一，是分析不同数据项之间相互影响、相互依赖的关系，它是根据事物序列曲线几何形状的相似程度，用量化的方法评判事物(因素)间的关联程度。两条曲线的形状彼此越相似，关联度就越大，反之，则关联度就越小[16-22]。近年来，灰色关联分析法在多属性决策中得到了广泛的应用[16-28]。本文对已知部分属性权重信息且对方案有偏好的多属性决策问题进行了研究，提出了解决该问题的灰色关联分析法。最后以实际的例子说明了本文提出的方法。 2. 对方案有偏好的多属性决策的灰色关联分析法 假设某多属性决策问题，有m 个可行方案12A ,A ,,A m L ，n 个评价属性 12G ,G ,,G n L ，评价属性j G 的权重j ω不能完全确定，但是知道,L R j j j w w ω??=? ?，