PROMETHEE法-IV

方法概述

PROMETHEE IV 是 PROMETHEE 家族中基于模糊集理论的扩展方法，专门用于处理决策信息具有模糊性和不确定性的多准则决策问题。与传统 PROMETHEE 方法要求精确数值不同，PROMETHEE IV 允许决策者以模糊数（三角模糊数或梯形模糊数）的形式表达各方案在各准则下的评价值，从而更真实地反映现实决策中的不精确信息。该方法通过模糊数运算计算方案的模糊偏好流，并结合 α-cut 水平集分析和蒙特卡洛模拟，提供方案的模糊排序和确定性排序，同时评估排序的稳定性。PROMETHEE IV 尤其适用于专家判断具有主观性、数据难以精确获取或存在测量误差的场景，如风险评估、项目筛选、供应商评价等。

计算步骤

1. 模糊决策矩阵的构建

设有 \(m\) 个方案 \(A_i\)（\(i=1,\dots,m\)）和 \(n\) 个准则 \(C_j\)（\(j=1,\dots,n\)）。每个方案在准则 \(j\) 下的评价值是一个模糊数，根据用户选择可以是三角模糊数或梯形模糊数：

  • 三角模糊数：表示为 \((l_{ij}, m_{ij}, u_{ij})\)，其中 \(l_{ij} \le m_{ij} \le u_{ij}\)，分别代表最小值、最可能值和最大值。
  • 梯形模糊数：表示为 \((l_{ij}, m1_{ij}, m2_{ij}, u_{ij})\)，其中 \(l_{ij} \le m1_{ij} \le m2_{ij} \le u_{ij}\)。

数据矩阵的第一列为方案名称，后续每三列（三角）或四列（梯形）对应一个指标，分别存储模糊数的各分量。

2. 模糊偏好函数的计算

对于每一准则 \(j\)，用户选择一种偏好函数类型（六种经典偏好函数），并设定相应阈值（基于标准化后的数据）。对于任意两个方案 \(i\) 和 \(k\)，其在该准则下的偏好程度是一个模糊数，由三个（或四个）关键点的偏好值构成：

  • 计算差值的最小可能值：\(d_{ik}^{min} = l_{ij} - u_{kj}\)（最悲观）
  • 计算差值的最可能值：\(d_{ik}^{ml} = m_{ij} - m_{kj}\)（三角）或 \(d_{ik}^{ml1}, d_{ik}^{ml2}\)（梯形）
  • 计算差值的最大可能值：\(d_{ik}^{max} = u_{ij} - l_{kj}\)（最乐观）

将上述三个（或四个）差值分别代入选定的偏好函数 \(P_j(d)\)，得到模糊偏好值 \((\pi_{ik}^{min}, \pi_{ik}^{ml}, \pi_{ik}^{max})\)（三角）或梯形。

3. 全局模糊偏好指数

利用各准则权重 \(w_j\)（\(\sum w_j = 1\)），将各准则的模糊偏好进行加权求和（模糊数加法与标量乘法），得到全局模糊偏好指数 \(\Pi_{ik} = \sum_j w_j \cdot \pi_{ik}^{(j)}\)。该指数仍为模糊数，表示方案 \(i\) 整体优于方案 \(k\) 的强度。

4. 模糊偏好流的计算

定义方案 \(i\) 的模糊正偏好流（出流）\(\Phi_i^+\)、模糊负偏好流（入流）\(\Phi_i^-\) 和模糊净偏好流 \(\Phi_i\)：

  • \(\Phi_i^+ = \frac{1}{m-1} \sum_{k \ne i} \Pi_{ik}\) （模糊数平均）
  • \(\Phi_i^- = \frac{1}{m-1} \sum_{k \ne i} \Pi_{ki}\)
  • \(\Phi_i = \Phi_i^+ \ominus \Phi_i^-\) （模糊数减法）

每个 \(\Phi_i\) 仍为模糊数，反映方案 \(i\) 的综合偏好程度。

5. 去模糊化与确定性排序

采用重心法（Centroid）对模糊净偏好流进行去模糊化，得到确定性数值 \(\phi_i^{def}\)：

  • 三角模糊数重心：\(\phi_i^{def} = (\Phi_i^{min} + \Phi_i^{ml} + \Phi_i^{max}) / 3\)
  • 梯形模糊数重心：\(\phi_i^{def} = (\Phi_i^{min} + \Phi_i^{ml1} + \Phi_i^{ml2} + \Phi_i^{max}) / 4\)

按 \(\phi_i^{def}\) 从大到小排序，得到方案的确定性排名。

6. α-cut 水平集分析

用户可指定 α-cut 水平（\(0 \le \alpha \le 1\)），对每个模糊数取 \(\alpha\) 截集，得到区间 \([\Phi_i^{L}(\alpha), \Phi_i^{U}(\alpha)]\)，用于分析方案净偏好流的可能范围。

7. 蒙特卡洛模拟与稳定性评估

为了评估排序的稳健性，采用蒙特卡洛模拟：从每个方案的模糊数分布中（三角分布或梯形分布）重复抽样 \(N\) 次（用户指定），每次抽样后计算各方案的确定性净流并排名，统计每个方案获得各排名的频率，从而衡量排序的稳定性。

案例分析

案例背景：某投资公司拟从三个项目（P1、P2、P3）中选择最优投资项目，考虑三个准则：预期收益（效益型）、风险水平（成本型）、市场潜力（效益型）。专家以三角模糊数形式给出各项目在各准则下的评分（1~10分制），数据如下：

项目 预期收益_min 预期收益_ml 预期收益_max 风险_min 风险_ml 风险_max 市场潜力_min 市场潜力_ml 市场潜力_max
P1 6 7 8 5 6 7 7 8 9
P2 8 9 10 4 5 6 6 7 8
P3 5 6 7 6 7 8 8 9 10

权重设定：收益 0.4，风险 0.3，市场 0.3。所有指标采用 Type V（线性无差别区）偏好函数，\(q=0.1, p=0.5\)，三角模糊数，α-cut=0.5，蒙特卡洛样本数 1000。

计算过程（简略）

  1. 方向调整：风险为成本型，在模糊运算中其差值计算方向相反。
  2. 模糊全局偏好矩阵：计算每对方案的模糊偏好指数（三角模糊数）。
  3. 模糊偏好流（示例值）：
    • P1: \(\Phi = (0.12, 0.18, 0.25)\)
    • P2: \(\Phi = (0.20, 0.28, 0.35)\)
    • P3: \(\Phi = (0.08, 0.14, 0.20)\)
  4. 去模糊化（重心法）：
    • P1: (0.12+2*0.18+0.25)/4 = 0.1825
    • P2: (0.20+2*0.28+0.35)/4 = 0.2775
    • P3: (0.08+2*0.14+0.20)/4 = 0.1400
  5. 确定性排序：P2 (0.2775) > P1 (0.1825) > P3 (0.1400)
  6. 蒙特卡洛模拟：P2 在 95% 的抽样中排名第一，表明排序稳定。

结论：项目 P2 为最优选择，且排序具有较高稳健性。

常见问题

Q1: 三角模糊数与梯形模糊数如何选择？

A: 若专家能给出最可能值且认为分布对称，三角模糊数足够；若认为中间值存在一个区间而非单点，则梯形模糊数更合适。一般而言，三角模糊数使用更广泛，梯形模糊数提供更高的灵活性。

Q2: 数据为何需要按三列或四列组织？

A: 每个模糊数由多个分量构成，分别代表最小值、最可能值和最大值（三角）或更多点（梯形）。程序要求每个指标占用连续的多列，以便正确解析模糊信息。列名通常带 _min、_ml、_max 等后缀，用于识别。

Q3: α-cut 水平如何影响结果？

A: α-cut 截集用于观察模糊数在特定置信水平下的区间范围，帮助决策者理解方案净偏好流的不确定性。较高的 α 值截取较窄的区间，反映更接近核心的估计；较低的 α 值截取较宽的区间，反映更保守的估计。

Q4: 蒙特卡洛模拟的作用是什么？

A: 蒙特卡洛模拟通过重复抽样，评估排序结果对模糊信息随机波动的敏感性。若某方案在多数抽样中都排名靠前，说明排序稳健；若不同抽样下排名变化剧烈，则说明决策需谨慎，可能需要收集更多信息。

Q5: 偏好函数的阈值应如何设定？

A: 由于数据会经过标准化处理，阈值应基于标准化后的范围（0~1）设定。通常 \(q\) 取 0.05~0.15，\(p\) 取 0.2~0.6，\(s\) 取 0.1~0.3。具体值需结合决策者对差异敏感度的判断。

Q6: 该工具支持多工作表吗？

A: 当前版本仅处理第一个工作表，但可上传包含多个工作表的 Excel 文件，后续可扩展为批量处理。

平台功能

  • 数据输入：支持 CSV、Excel、TXT 格式，自动识别模糊数结构（三角或梯形），要求每个指标的三列或四列连续排列。
  • 参数设置：
    • 模糊数类型（三角/梯形）
    • α-cut 水平（0~1）
    • 蒙特卡洛模拟样本数（100~10000）
    • 六种偏好函数类型及对应阈值（q, p, s）
    • 每个准则的权重（可一键等权，自动归一化）
    • 每个准则的方向（效益/成本）
    • 小数位数（1~10）
  • 结果展示：
    • 模糊排序结果：模糊净偏好流（min, ml, max）及确定性净流与排名
    • 确定性排序表（按排名排序）
    • 模糊正、负、净偏好流明细表
    • 可视化：模糊净流分布柱状图、排名稳定性分析（各方案获得各排名的频率）
    • 中间过程：原始模糊数据矩阵、α-cut 水平集矩阵、蒙特卡洛模拟统计（均值、标准差、最小/最大值）
  • AI 智能分析：基于大语言模型自动解读最优方案、排序合理性及稳定性，并提供决策建议（每日限 3 次，需配置 API 密钥）。
  • 报告导出：
    • Excel 报告：包含所有结果表、参数设置、原始数据
    • HTML 报告：包含所有表格，样式清晰，便于存档与分享

使用建议

  1. 数据准备：确保每个指标的模糊数三列（或四列）按顺序排列，列名清晰，避免缺失值。建议先以三角模糊数试算，若需更精细可改用梯形。
  2. 偏好函数选择：若决策者能明确区分无差异和偏好阈值，推荐 Type V（线性无差别区）；若仅需粗略排序，Type I（常用准则）足够；若差异呈连续变化，可选用 Type VI（高斯）。
  3. 蒙特卡洛模拟：样本数建议 1000 以上，若计算时间允许可增至 5000 以增强稳定性评估的可靠性。
  4. 结果解读：重点关注确定性排序，同时参考蒙特卡洛模拟的排名频率分布。若某方案的排名频率分散，说明该方案的评价信息不确定性较高，应审慎决策。
  5. 敏感性分析：可尝试调整 α-cut 水平、偏好函数阈值或权重，观察排序变化，以检验结果的稳健性。

平台界面

官方地址：https://superr.online

PROMETHEE法工具界面

平台界面包含：数据上传区、偏好函数参数设置区、权重设置区、多工作表预览、分析结果展示和AI分析模块

参考文献

  1. Brans, J. P., & Vincke, P. (1985). A preference ranking organisation method. Management Science, 31(6), 647-656.
  2. Goumas, M., & Lygerou, V. (2000). An extension of the PROMETHEE method for decision making in fuzzy environment. European Journal of Operational Research, 123(3), 606-613.
  3. Behzadian, M., et al. (2010). PROMETHEE: A comprehensive literature review. European Journal of Operational Research, 200(1), 198-215.
  4. 李荣钧. 模糊多准则决策理论与应用. 科学出版社, 2002.