简介
VIKOR方法 是一种多标准决策（MCDM）或多标准决策分析方法。它最初由 Serafim Opricovic 开发，用于解决具有冲突和不可通约（不同单位）标准的决策问题，假设冲突解决可以接受妥协，决策者想要一个最接近理想的解决方案，并根据符合所有既定标准。 VIKOR 对备选方案进行排名，并确定最接近理想的名为折衷的解决方案。
折衷解决方案的思想是由 Po-Lung Yu 于 1973 年[1]和 Milan Zeleny 在 MCDM 中引入的。[2]
S. Opricovic 在他的博士学位中发表了 VIKOR 的基本思想。 1979年发表论文，1980年发表应用。[3] VIKOR这个名字出现于1990年[4]，来自塞尔维亚语：VIseKriterijumska Optimizacija I Kompromisno Resenje，意思是：多标准优化和妥协解决方案，发音：vikor。真正的应用是在1998年提出的。[5] 2004年的论文为VIKOR方法的国际认可做出了贡献。[6]（经济学领域被引用次数最多的论文，《科学观察》，2009 年 4 月）。
MCDM 问题表述如下：从 J 个可行替代方案 A1、A2、...AJ 集合中确定多准则意义上的最佳（折衷）解决方案，并根据 n 个准则函数集合进行评估。输入数据是性能（决策）矩阵的元素 fij，其中 fij 是替代 Aj 的第 i个准则函数的值。
案例
VIKOR方法是一种用于解决多标准决策问题的技术，特别是在有多重冲突标准时。它的目的是**通过综合各种标准，找到一个接近理想解的解决方案。**为了更好地理解这个概念，我们可以用一个简单的例子来说明。
示例：选择最佳手机
假设你要买一部新手机，有以下几个评价标准：
- 价格（越低越好）
- 电池寿命（越长越好）
- 相机质量（越高越好）
- 内存容量（越大越好）
你正在比较三款手机：A、B和C。
-
构建决策矩阵：首先，列出每个手机在各个标准上的表现。
scss
复制代码
手机 价格(元) 电池寿命(小时) 相机质量(分) 内存容量(GB)
A 3000 20 8 128
B 3500 22 9 256
C 4000 18 7 512 -
确定理想解和反理想解：
-
- 理想解是每个标准的最佳值。
- 反理想解是每个标准的最差值。
例如：
-
- 价格：理想解 = 3000，反理想解 = 4000
- 电池寿命：理想解 = 22，反理想解 = 18
- 相机质量：理想解 = 9，反理想解 = 7
- 内存容量：理想解 = 512，反理想解 = 128
- 计算每个选项与理想解和反理想解的距离： 使用公式计算每个手机的综合距离。
- 综合评价： 通过VIKOR公式计算每个手机的综合得分，并按得分排序。得分越低，表示该选项越接近理想解。
步骤
方法案例
VIKOR方法是一种用于解决**多标准决策问题（MCDM）**的技术，特别适用于在冲突标准下选择和排序多个可选方案。VIKOR方法的全称是"VlseKriterijumska Optimizacija I Kompromisno Resenje"，来源于塞尔维亚语，意思是"多标准优化和妥协解决方案"。VIKOR的核心思想是通过多标准综合评价，寻找一个妥协解，该解能够平衡多个评价标准，尽可能接近理想解。
VIKOR方法的步骤
-
构建决策矩阵 ： 决策矩阵列出所有候选方案在各个评价标准下的表现。
方案 标准1 标准2 ... 标准n
A f1A f2A ... fnA
B f1B f2B ... fnB
C f1C f2C ... fnC
其中，fij 表示方案 i 在标准 j 下的表现。
- 确定理想解和反理想解：
-
- 理想解（𝑓∗）：每个标准的最佳值，记为𝑓𝑗∗。
- 反理想解（𝑓−）：每个标准的最差值，记为𝑓𝑗−。
对于每个标准j：
f_j^* = max(fij)（如果是收益型标准，例如：越大越好）
f_j^- = min(fij)（如果是成本型标准，例如：越小越好）
- 计算每个方案的S值和R值：
-
-
S值：综合距离，表示方案i与理想解之间的综合距离。
S_i = ∑ ( w_j * (f_j^* - f_ij) / (f_j^* - f_j^-) ) // w_j 是标准 j 的权重。
-
-
-
R值：个体最大距离，表示方案 i 在最不利标准下与理想解的距离。
R_i = max ( w_j * (f_j^* - f_ij) / (f_j^* - f_j^-) )
-
-
计算每个方案的Q值 ： Q值是综合考虑S值和R值的指标，通过VIKOR公式计算：
Q_i = v * (S_i - S^) / (S^- - S^) + (1 - v) * (R_i - R^) / (R^- - R^)
其中：
-
- S^* 和 S^- 分别是所有S值中的最小值和最大值。
- R^* 和 R^- 分别是所有R值中的最小值和最大值。
- v 是一个在0到1之间的权重，通常取0.5，表示S值和R值的平衡。
- 对方案进行排序 ： 根据S值、R值和Q值对方案进行排序，得到三种排序方式：S排序、R排序和Q排序。最终的排序结果主要根据Q值确定，但同时考虑S值和R值。
- 提出妥协方案： 根据Q值的排序，选择Q值最小的方案作为妥协方案。如果有多个方案的Q值接近，还需要通过以下两个条件进行验证：
-
- 条件1：Q值最小的方案与第二小方案的Q值差异要显著。
- 条件2：Q值最小的方案在S排序和R排序中也必须表现良好。
示例：选择最佳手机
假设你要买一部新手机，有以下几个评价标准：
- 价格（越低越好）
- 电池寿命（越长越好）
- 相机质量（越高越好）
- 内存容量（越大越好）
你正在比较三款手机：A、B和C。
-
构建决策矩阵：
手机 价格(元) 电池寿命(小时) 相机质量(分) 内存容量(GB)
A 3000 20 8 128
B 3500 22 9 256
C 4000 18 7 512 -
确定理想解和反理想解：
理想解：价格 = 3000，电池寿命 = 22，相机质量 = 9，内存容量 = 512
反理想解：价格 = 4000，电池寿命 = 18，相机质量 = 7，内存容量 = 128 -
计算每个手机的S值和R值： 假设所有标准的权重均为1：
S_A = (1 * (4000 - 3000) / (4000 - 3000)) + (1 * (22 - 20) / (22 - 18)) + (1 * (9 - 8) / (9 - 7)) + (1 * (512 - 128) / (512 - 128))
= 1 + 0.5 + 0.5 + 1
= 3R_A = max( (4000 - 3000) / (4000 - 3000), (22 - 20) / (22 - 18), (9 - 8) / (9 - 7), (512 - 128) / (512 - 128) )
= max(1, 0.5, 0.5, 1)
= 1
类似地计算B和C的S值和R值。
-
计算每个手机的Q值： 假设 v = 0.5：
Q_A = 0.5 * (S_A - S^) / (S^- - S^) + 0.5 * (R_A - R^) / (R^- - R^)
= 0.5 * (3 - S^) / (S^- - S^) + 0.5 * (1 - R^) / (R^- - R^)
类似地计算B和C的Q值。
- 对手机进行排序： 根据Q值排序，找出Q值最小的手机。
- 提出妥协方案： 验证Q值最小的手机是否符合两个条件，然后确定最终的妥协方案。