SAW法

方法概述

SAW（Simple Additive Weighting，简单加权法）是最经典、最直观的多准则决策方法之一。其基本思想是将各方案的每个指标值进行归一化处理，然后乘以相应权重并求和，得到每个方案的综合得分，最后根据得分高低对方案进行排序。

SAW 法的核心步骤包括：

  • 确定指标方向（正向指标越大越好，负向指标越小越好）。
  • 选择归一化方法（最大值归一化或极差归一化）对原始数据进行标准化。
  • 对权重进行归一化（可选，程序默认自动归一化）。
  • 计算每个方案的加权综合得分。
  • 按得分从高到低排序，得分最高者为最优方案。

SAW 方法计算简单、易于理解，适用于指标之间相互独立、偏好可加性的决策问题，如供应商选择、投资方案评估、人才招聘等。

计算步骤

1. 数据准备与验证

输入数据需为 Excel 文件，每个工作表代表一个独立的决策矩阵。数据格式要求：

  • 第 1 行：指标名称（字符串）。
  • 第 2 行：指标方向（“正向”或“负向”）。
  • 第 3 行：指标权重（正数，可未归一化，程序自动归一化）。
  • 第 4 行及以下：第一列为方案名称，其余列为各方案在各指标下的数值。

程序自动验证：

  • 行数 ≥4，列数 ≥2。
  • 指标名称、方向、权重完整且合法。
  • 方案名称不重复。
  • 数值矩阵为数值型，无缺失。

2. 权重归一化（可选）

若选择自动归一化权重，则计算： [ w_j’ = ] 否则直接使用用户提供的权重。

3. 归一化矩阵 R

根据用户选择的归一化方法，对每个指标进行标准化处理。

最大值归一化

  • 正向指标：( r_{ij} = )
  • 负向指标：( r_{ij} = )

极差归一化

  • 正向指标：( r_{ij} = )
  • 负向指标：( r_{ij} = )

若某指标所有值相等（极差为 0），则归一化后所有 ( r_{ij} = 1 )。

4. 加权矩阵

[ v_{ij} = w_j’ r_{ij} ]

5. 综合得分与排序

每个方案的综合得分： [ S_i = {j=1}^{n} v{ij} ]

按 ( S_i ) 从高到低排序，得分最高者最优。

案例分析

案例背景：某公司拟从三个供应商（A、B、C）中选择最优合作伙伴，评价指标包括：价格（负向）、质量（正向）、交货时间（负向）、服务（正向）。数据如下：

方案 价格(万元) 质量(分) 交货时间(天) 服务(分)
方向 负向 正向 负向 正向
权重 0.4 0.3 0.2 0.1
A 120 85 15 90
B 100 90 20 80
C 110 88 18 95

计算过程（最大值归一化）

1. 权重归一化（已归一化，权重和=1）

w = [0.4, 0.3, 0.2, 0.1]

2. 最大值归一化矩阵 R

  • 价格（负向）：min=100，R_A = 100/120 ≈ 0.8333，R_B = 100/100 = 1，R_C = 100/110 ≈ 0.9091
  • 质量（正向）：max=90，R_A = 85/90 ≈ 0.9444，R_B = 90/90 = 1，R_C = 88/90 ≈ 0.9778
  • 交货时间（负向）：min=15，R_A = 15/15 = 1，R_B = 15/20 = 0.75，R_C = 15/18 ≈ 0.8333
  • 服务（正向）：max=95，R_A = 90/95 ≈ 0.9474，R_B = 80/95 ≈ 0.8421，R_C = 95/95 = 1

R 矩阵：

方案 价格 质量 交货时间 服务
A 0.8333 0.9444 1.0000 0.9474
B 1.0000 1.0000 0.7500 0.8421
C 0.9091 0.9778 0.8333 1.0000

3. 加权矩阵 V = R × w

方案 价格(0.4) 质量(0.3) 交货(0.2) 服务(0.1) 综合得分
A 0.3333 0.2833 0.2000 0.0947 0.9113
B 0.4000 0.3000 0.1500 0.0842 0.9342
C 0.3636 0.2933 0.1667 0.1000 0.9236

4. 排序

B (0.9342) > C (0.9236) > A (0.9113)

结论：供应商 B 为最优选择，其综合得分最高。

常见问题

Q1: 最大值归一化和极差归一化有何区别？

A: 最大值归一化将指标值映射到 (0,1] 区间，结果表示每个方案相对于最佳方案的比例，物理意义明确。极差归一化将指标值线性映射到 [0,1] 区间，保持原始数据的分布形状，适合需要消除量纲但保留相对差异的场景。用户可根据实际需求选择。

Q2: 权重需要归一化吗？

A: 程序默认自动归一化，确保权重和为 1。若用户希望保留原始权重比例（例如权重本身具有绝对意义），可取消勾选“自动归一化权重”，但需保证权重均为正数。

Q3: 指标方向如何影响归一化？

A: 正向指标（越大越好）在归一化后值越大越好；负向指标（越小越好）会被转换为正向化值，即原始值越小，归一化后值越大。这样所有指标都统一为“越大越好”的尺度，便于加权求和。

Q4: 如果指标所有值相等，极差归一化如何处理？

A: 极差为 0 时，程序将该指标的归一化值全部设为 1。这是因为所有方案在该指标上表现无差异，不影响最终排序。

Q5: 支持多工作表吗？

A: 支持。Excel 文件中每个工作表可存放一个决策矩阵，程序会逐一分析，并以选项卡形式展示结果。

平台功能

SAW 法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，按指定格式组织（第一行指标名，第二行方向，第三行权重，第四行起为方案数据）。
  • 自动校验数据完整性、方向合法性、数值有效性等。

参数设置

  • 结果保留小数位：1~10，默认5位。
  • 归一化方法：可选“最大值归一化”或“极差归一化”。
  • 自动归一化权重：勾选后自动使权重和为 1，否则使用原始权重。

结果展示

  • 排序结果：各方案的综合得分及排名。
  • 归一化矩阵 R：标准化后的矩阵。
  • 加权矩阵：权重与归一化值的乘积。
  • 可视化：综合得分条形图（得分排序）。
  • 计算过程：原始矩阵、权重列表。
  • AI 智能分析：基于 DeepSeek API 自动解读最优方案及其优势，分析权重影响，提供决策建议（每日限 3 次）。
  • 多格式导出：支持 Excel 和 HTML 报告下载，包含所有工作表的完整结果。

多工作表支持

  • 自动检测所有工作表，并为每个工作表独立执行 SAW 分析。
  • 结果以选项卡形式展示，便于切换。
  • 汇总报告包含各工作表的最优方案对比。

使用建议

  1. 数据准备：
    • 按照模板格式准备 Excel 文件，确保方向填写“正向”或“负向”，权重为正数。
    • 方案名称应简洁明了，避免重复。
    • 数值矩阵中避免空值或文本，若有缺失需提前处理。
  2. 参数选择：
    • 若各指标的量纲差异较大且希望保留原始分布，建议使用极差归一化。
    • 若希望突出各方案与最优方案的差距，可使用最大值归一化。
    • 权重设置应反映决策者的真实偏好，可通过德尔菲法或 AHP 获得。
  3. 结果解读：
    • 综合得分最高的方案即为最优方案。
    • 可结合得分差异判断方案之间的差距是否显著。
    • 利用 AI 分析获得更专业的解读和管理建议。
  4. 报告导出：
    • Excel 报告包含汇总表及每个工作表的排序、归一化矩阵、加权矩阵、原始矩阵、权重表。
    • HTML 报告便于在浏览器中查看和分享。
  5. 故障排除：
    • 若上传文件后无预览，检查文件格式是否正确，大小是否超过 5MB。
    • 若分析报错，查看错误提示（如数据验证失败），修正 Excel 后重新上传。
    • 若 AI 分析失败，检查是否配置了有效的 DeepSeek API 密钥（环境变量 DEEPSEEK_API_KEY）。

平台界面

官方地址：https://superr.online

SAW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、分析结果选项卡和 AI 分析模块

参考文献：

  1. Churchman C W, Ackoff R L. An approximate measure of value[J]. Journal of the Operations Research Society of America, 1954, 2(2): 172-187.
  2. Hwang C L, Yoon K. Multiple attribute decision making: methods and applications[M]. Springer-Verlag, 1981.
  3. 徐玖平，吴巍. 多属性决策的理论与方法[M]. 清华大学出版社，2006.