加权乘积法——多标准决策
加权乘积法是一种多标准决策方法,其中会有多个备选方案,我们必须根据多个标准确定最佳备选方案。还有其他可用的方法,包括加权总和法 (WSM)、与理想解相似的偏好排序技术 (TOPSIS)、VIKOR、MOORA、GTMA 等。让我们通过一个例子来了解加权乘积法的工作原理。
考虑这样一种情况,我们必须在 5 名参加面试的候选人中选择最佳候选人。表 1 包含 5 名学生的详细信息,包括他们的 CGPA、他们期望的每月工资、他们在技术考试中的分数以及他们在能力测试中取得的成绩。
表 1:样本数据集
Attribute | CGPA | Expected Stipend | Technical Exam Score | Aptitude Test Grade |
---|---|---|---|---|
Student 1 | 9 | 12000 | 72 | B1 |
Student 2 | 7.6 | 8500 | 68 | B1 |
Student 3 | 8.2 | 9500 | 63 | B2 |
Student 4 | 8.5 | 10000 | 70 | A2 |
Student 5 | 9.3 | 14000 | 72 | A2 |
考虑面试小组假设的权重如下:
CGPA = 30%, Expected Stipend = 20%, Technical Exam Score = 25%, Aptitute Test Grade = 25%
表 2:每个属性的权重
Attribute | CGPA | Expected Stipend | Technical Exam Score | Aptitude Test Grade |
---|---|---|---|---|
Weight | 0.3 | 0.2 | 0.25 | 0.25 |
Student 1 | 9 | 12000 | 72 | B1 |
Student 2 | 7.6 | 8500 | 68 | B1 |
Student 3 | 8.2 | 9500 | 63 | B2 |
Student 4 | 8.5 | 10000 | 70 | A2 |
Student 5 | 9.3 | 14000 | 72 | A2 |
两种类型的属性:
- 有益的属性是一个人希望获得最大价值的属性。在这里,CGPA、技术考试分数和能力测试分数是有益的属性,因为公司希望学生拥有更多这些属性。
- 无益属性是需要最小值的属性。在这种情况下,预期的津贴是一个无益的属性。该公司为愿意以低薪工作更多的人加薪。
现在让我们看看公司将使用加权乘积法选择哪个学生。
为此,我们必须标准化表 2 中的值。
- 对于有益的属性,
- 对于无益的属性,
表 3:确定有益属性的最大值和非有益属性的最小值
Attribute | CGPA | Expected Stipend | Technical Exam Score | Aptitude Test Grade |
---|---|---|---|---|
Weight | 0.3 | 0.2 | 0.25 | 0.25 |
Student 1 | 9 | 12000 | 72(max) | B1 |
Student 2 | 7.6 | 8500(min) | 68 | B1 |
Student 3 | 8.2 | 9500 | 63 | B2 |
Student 4 | 8.5 | 10000 | 70 | A2(max) |
Student 5 | 9.3(max) | 14000 | 72 | A2 |
We will consider the following points for the grade system
A1 – 5
A2 – 4
B1 – 3
B2 – 2
C1 – 1
表 4:更新能力倾向测试成绩
Attribute | CGPA | Expected Stipend | Technical Exam Score | Aptitude Test Grade |
---|---|---|---|---|
Weight | 0.3 | 0.2 | 0.25 | 0.25 |
Student 1 | 9 | 12000 | 72(max) | 3 |
Student 2 | 7.6 | 8500(min) | 68 | 3 |
Student 3 | 8.2 | 9500 | 63 | 2 |
Student 4 | 8.5 | 10000 | 70 | 4(max) |
Student 5 | 9.3(max) | 14000 | 72 | 4 |
根据有益和无益的属性对相应属性的值进行标准化。
表 5:归一化
Attribute | CGPA | Expected Stipend | Technical Exam Score | Aptitude Test Grade |
---|---|---|---|---|
Weight | 0.3 | 0.2 | 0.25 | 0.25 |
Student 1 | 9/9.3 | 8500/12000 | 72/72 | 3/4 |
Student 2 | 7.6/9.3 | 8500/8500 | 68/72 | 3/4 |
Student 3 | 8.2/9.3 | 8500/9500 | 63/72 | 2/4 |
Student 4 | 8.5/9.3 | 8500/10000 | 70/72 | 4/4 |
Student 5 | 9.3/9.3 | 8500/14000 | 72/72 | 4/4 |
表 6:权重归一化决策矩阵
Attribute | CGPA | Expected Stipend | Technical Exam Score | Aptitude Test Grade |
---|---|---|---|---|
Weight | 0.3 | 0.2 | 0.25 | 0.25 |
Student 1 | 0.9677 | 0.7083 | 1 | 0.75 |
Student 2 | 0.8172 | 1 | 0.9444 | 0.75 |
Student 3 | 0.8817 | 0.8947 | 0.875 | 0.5 |
Student 4 | 0.9134 | 0.85 | 0.9722 | 1 |
Student 5 | 1 | 0.6071 | 1 | 1 |
为了计算加权乘积,我们取每个分量具有各自权重的幂,如下所示
表 7:计算属性的幂
Attribute | CGPA | Expected Stipend | Technical Exam Score | Aptitude Test Grade |
---|---|---|---|---|
Weight | 0.3 | 0.2 | 0.25 | 0.25 |
Student 1 | 0.96770.3 | 0.70830.2 | 10.25 | 0.750.25 |
Student 2 | 0.81720.3 | 10.2 | 0.94440.25 | 0.750.25 |
Student 3 | 0.88170.3 | 0.89470.2 | 0.8750.25 | 0.50.25 |
Student 4 | 0.91340.3 | 0.850.2 | 0.97220.25 | 10.25 |
Student 5 | 10.3 | 0.60710.2 | 10.25 | 10.25 |
为了计算加权乘积,我们将逐行乘以每一列中每个属性的值。具有最高加权产品的值被赋予更高的等级。
表 8:计算加权乘积并求排名
Attribute | CGPA | Expected Stipend | Technical Exam Score | Aptitude Test Grade | Performance Score | Rank |
---|---|---|---|---|---|---|
Weight | 0.3 | 0.2 | 0.25 | 0.25 | ||
Student 1 | 0.96770.3 | 0.70830.2 | 10.25 | 0.750.25 | 0.860064 | 4 |
Student 2 | 0.81720.3 | 10.2 | 0.94440.25 | 0.750.25 | 0.863481 | 3 |
Student 3 | 0.88170.3 | 0.89470.2 | 0.8750.25 | 0.50.25 | 0.765907 | 5 |
Student 4 | 0.91340.3 | 0.850.2 | 0.97220.25 | 10.25 | 0.935451 | 1 |
Student 5 | 10.3 | 0.60710.2 | 10.25 | 10.25 | 0.905007 | 2 |
您可以参考下面的链接来了解此处的加权总和方法。