SAISM夹逼对抗解释结构模型

方法概述

SAISM（Squeeze Adversarial Interpretive Structure Modeling，夹逼对抗解释结构模型）在传统对抗解释结构模型（AISM）基础上引入多方案夹逼（Squeeze）机制：当存在多个决策矩阵或对象的方案需要聚合时，通过“交集 / 并集 / 平均”三种夹逼算子合并，从而在对抗性与不确定性情境下获得稳健的层次结构。结合 TOPSIS 或 PQ 距离推导等综合评价时，SAISM 会先构造“距正理想解距离 D+ / 距负理想解距离 D-”的偏序决策矩阵，再完成对抗分层。

该方法的核心思想是：

  • 以决策矩阵（对象 × 指标）为输入，根据指标优劣方向构造两两对象间的偏序关系。
  • 支持正向指标（越大越好）与负向指标（越小越好）混合的多指标比较。
  • 可先用 TOPSIS 或 PQ 距离推导将多指标综合为 D+ / D- 两个距离指标，形成统一的偏序决策矩阵。
  • 存在多个决策矩阵时，通过夹逼（交集、并集、平均）算子聚合为单一邻接矩阵。
  • 基于聚合邻接矩阵计算可达矩阵、可达集、前因集、交集，进行 UP 型 / DOWN 型对抗分层。
  • 构建对抗层级结构图，同时展示“结果层 / 中间层 / 原因层”，识别驱动因素与结果因素。

该方法适用于需要同时处理多方案、多指标、且存在对抗或不确定信息，既要排序又要刻画系统层级结构的复杂决策场景。

计算步骤

1. 构造偏序决策矩阵

设有 \(n\) 个对象、\(m\) 个指标，决策矩阵 \(X=[x_{ij}]_{n\times m}\)。对象 \(i\) 与对象 \(j\) 的优劣关系定义如下：

  • 正向指标（数值越大越好，列为 \(P\)）：对象 \(i\) 严格劣于 \(j\)（\(i\prec j\)）当且仅当 \[x_{ik} \le x_{jk}, \quad \forall k\in P\]
  • 负向指标（数值越小越好，列为 \(N\)）：对象 \(i\) 严格劣于 \(j\) 当且仅当 \[x_{ik} \ge x_{jk}, \quad \forall k\in N\]

偏序约定 \(A[i,j]=1\) 表示 “\(i\) 劣于 \(j\)”（即 \(j\) 支配 \(i\)），箭头由劣指向优。

2. （可选）TOPSIS 预处理

当需要将多指标综合为一个排序维度时，先用 TOPSIS 计算每个对象的：

  • 距正理想解距离 \(D_i^{+}\)（越小越好，负向）
  • 距负理想解距离 \(D_i^{-}\)（越大越好，正向）

由此得到两列的决策矩阵 \(D=[D^{+},\, D^{-}]\)，作为后续偏序构造的唯一输入。此时必须以 \(D^{-}\) 为正向列，否则“严格更优”对象无法被正确识别。

2’. （可选）PQ 距离推导

当决策矩阵为普通的对象 × 指标形式（非方阵）且不希望使用欧氏距离时，可按 PQ 距离推导流程构造 D+ / D- 决策矩阵：

  1. 归一化：对每个指标按所选方法归一化，支持六种方法：极差归一化、向量归一化、Z-score 标准化、反三角函数（反正切 atan）、对数压缩（log）、sigmoid 函数。对数压缩遇非正值时自动做坐标平移。
  2. 加权：对各指标归一化值乘以权重（默认等权，权重之和需为 1）。
  3. 理想点：对正向指标取最大值 / 负向指标取最小值构成正理想点 P，反之构成负理想点 Q。
  4. 距离计算：按所选距离公式计算每个对象到 P 的距离 \(D^{+}\)（越小越好）与到 Q 的距离 \(D^{-}\)（越大越好）。支持欧几里得、平方欧几里得、曼哈顿、闵可夫斯基（p=2）、切比雪夫、余弦、堪培拉等常用距离公式。

由此同样得到两列的决策矩阵 \(D=[D^{+},\, D^{-}]\)，且必须以 \(D^{-}\) 为正向列。该模式使普通非方阵决策矩阵也能参与 SAISM 对抗分层。

3. 夹逼聚合（多决策矩阵时）

设有 \(K\) 个待聚合的偏序邻接矩阵 \(A^{(1)},\dots,A^{(K)}\)，夹逼算子按元素作用：

  • 交集：\(A[i,j]=\prod_{k} A^{(k)}[i,j]\)
  • 并集：\(A[i,j]=\max_{k} A^{(k)}[i,j]\)
  • 平均：\(A[i,j]=\mathbf{1}\{\text{mean}_k A^{(k)}[i,j]\ge 0.5\}\)

单矩阵时直接采用该矩阵。夹逼机制保证了聚合结果不会放大不确定性的任意一端。

4. 计算可达矩阵

在邻接矩阵基础上添加自反性（\(r_{ii}=1\)），利用 Warshall 布尔传递闭包得到可达矩阵 \(R\)：

\[R = R \lor (R \circ R)\]

直至矩阵不再变化。

5. 对抗层级划分

对每个要素 \(i\) 计算可达集 \(R(i)\)、前因集 \(Q(i)\) 与交集 \(C(i)=R(i)\cap Q(i)\)：

  • UP 型分层：自顶层向下，选取满足 \(R(i)=C(i)\) 的要素逐层剥离，形成 UP 型层级（结果优先）。
  • DOWN 型分层：自底层向上，选取满足 \(Q(i)=C(i)\) 的要素逐层剥离，形成 DOWN 型层级（原因优先）。

两者共同刻画系统的对抗性结构，UP 顶层对应结果因素，DOWN 底层对应根本原因。

6. 结果可视化

根据层级与骨架矩阵绘制对抗层级结构图，可直观比较 UP 型与 DOWN 型层级归属的差异。

案例分析

案例背景：某企业需对 4 个候选方案（F1–F4）进行综合评价，每个方案按两个正向指标（得分越高越好）与两个负向指标（成本越低越好）打分，决策矩阵如下：

对象 指标1(正) 指标2(正) 指标3(负) 指标4(负)
F1 0 4 3 2
F2 3 0 4 2
F3 2 3 0 4
F4 3 2 3 0

计算过程

1. TOPSIS 综合

对各指标做向量归一化并计算 \(D^{+}\)、\(D^{-}\)，得到两列偏序决策矩阵（列顺序为对象、D+、D-）。

2. 构造偏序邻接矩阵

以 \(D^{-}\)（第 3 列）为正向列，按“严格更优”原则比较任意两对象。若对象 \(i\) 在所有比较维度均不优于 \(j\) 且至少一处严格更优，则令 \(A[j,i]=1\)（\(i\) 劣于 \(j\)）。

3. 对抗分层

对聚合后的邻接矩阵计算可达矩阵并执行 UP / DOWN 分层。通常评价越优的方案层级越高（越接近结果层），越劣的方案层级越低（越接近原因层）。

4. 结果解读

  • UP 型顶层：综合表现最优的方案，作为系统输出的优先选项。
  • DOWN 型底层：综合表现最差的方案，是需要重点改进或淘汰的对象。
  • UP 与 DOWN 层级可交叉验证方案排序的稳定性。

结论

SAISM 在 TOPSIS 排序结果之上叠加了对抗层级结构，既能给出方案优劣排名，又能刻画“优→劣”的偏序传导路径，辅助决策者理解方案间的支配关系。

常见问题

Q1: SAISM 与 AISM 有何区别？

A: AISM 针对单一邻接矩阵做对抗分层；SAISM 在此基础上支持多决策矩阵的夹逼聚合（交集 / 并集 / 平均），并集成 TOPSIS 预处理的偏序构造，更适合多指标、多方案的综合排序与结构建模。

Q2: 指标方向如何指定？

A: 通过“正向指标列”参数指定数值越大越好的列，其余列视为负向（越小越好）。若不指定，则以 TOPSIS 或 PQ 距离推导模式自动构造 D+ / D- 决策矩阵。

Q3: PQ 距离推导与 TOPSIS 有何区别？

A: 两者都先综合出 D+ / D- 决策矩阵再走偏序与对抗分层。区别在于：(1) TOPSIS 固定使用欧氏距离与向量归一化，而 PQ 推导可选 7 种距离公式与 6 种归一化方法；(2) PQ 推导显式区分正 / 负理想点（P / Q）；(3) PQ 推导同样接受普通非方阵决策矩阵，无需人工预构造方阵。

Q4: 三种夹逼算子如何选择？

A: 交集最保守（仅保留所有矩阵一致的关系），并集最宽松（任一矩阵存在即保留），平均取多数意见，介于两者之间。不确定性高时建议用交集或平均以增强稳健性。

Q5: 偏序方向为什么以 D- 为正向？

A: D-（距负理想解距离）越大代表方案越优，因此必须作为正向列；若误用 D+ 会导致“严格更优”对象无法被识别，层级失真。

Q6: 支持多工作表吗？

A: 支持。每个工作表可作为一个决策矩阵，多个工作表可通过夹逼算子聚合后统一分层。

平台功能

SAISM 分析平台提供以下核心功能：

数据输入

  • 支持 Excel（.xlsx、.xls）格式。
  • 每个工作表为一个决策矩阵，首列（或首行）为对象 / 因素名称，其余列为指标值。
  • 自动校验矩阵维度、指标数值类型等。

参数设置

  • 正向指标列：指定数值越大越好的列号（逗号分隔）。
  • 综合评价方法：可选 TOPSIS 预处理或 PQ 距离推导（自动构造 D+ / D- 决策矩阵）。
  • PQ 距离公式：欧几里得 / 平方欧几里得 / 曼哈顿 / 闵可夫斯基 / 切比雪夫 / 余弦 / 堪培拉。
  • PQ 归一化方法：极差 / 向量 / Z-score / 反三角函数（atan）/ 对数压缩（log）/ sigmoid。
  • 夹逼方法：交集 / 并集 / 平均。
  • 小数位数：控制结果精度（默认 4 位）。
  • 选择分析的工作表：从上传的工作表中选取。
  • 绘图参数：图形标题、字体大小、节点大小、层间距、节点间距、箭头大小、边线颜色、节点颜色等。

结果展示

  • 因素分级结果：各对象的 UP 型 / DOWN 型层级。
  • 矩阵展示：偏序邻接矩阵、可达矩阵、骨架矩阵。
  • 对抗层级图：UP 型与 DOWN 型层次结构图，支持交互式调整绘图参数。
  • 层级对比分析：并排对比 UP / DOWN 层级归属差异（可开关）。
  • AI 智能分析：基于 DeepSeek API 解读层级结构与方案排序（每日限 3 次）。
  • 多格式导出：支持 Excel 和 HTML 报告下载。

使用建议

  1. 数据准备：整理对象 × 指标决策矩阵，明确各指标的正负方向，放入 Excel 工作表。
  2. 方向设定：正确填写正向指标列；若方案数较多、指标维度高，建议启用 TOPSIS 或 PQ 距离推导预处理。
  3. 公式选择：PQ 模式下按指标量纲与分布选择归一化方法（Z-score / atan 对异常值更稳健），按几何意义选择距离公式（欧氏适合连续量、曼哈顿适合绝对偏差、切比雪夫适合最坏偏差）。
  4. 夹逼选择：单矩阵直接分析；多矩阵时按不确定性程度选择交集 / 平均 / 并集。
  5. 结果解读：结合 UP 顶层（优选方案）与 DOWN 底层（需改进方案）理解偏序传导，并结合 AI 分析获得管理建议。
  6. 稳健性检验：切换夹逼算子、距离公式或改变指标方向设置，观察层级结果是否稳定。

平台界面

官方地址：https://superr.online

SAISM法工具界面

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

参考文献：

  1. 汪应洛. 系统工程理论、方法与应用[M]. 高等教育出版社，1998.
  2. 张雷，等. 对抗解释结构模型（AISM）方法研究[J]. 系统工程与电子技术.
  3. Hwang C L, Yoon K. Multiple Attribute Decision Making: Methods and Applications[M]. Springer, 1981.