基于熵和風險態度的二型模糊多屬性決策方法

王翠翠　姚登寶　李寶萍

摘要：

針對屬性權重信息完全未知的二型模糊多屬性決策問題，提出了一種基于二型模糊熵和決策者風險態度的決策方法。首先，為了準確測度二型模糊集（T2FS）的不確定性，通過引入模糊因子和猶豫因子建立了二型模糊熵的公理化準則，并基于距離測度給出了對應的計算公式。其次，為了減少整體不確定信息對決策結果的影響，結合二型模糊熵構建非線性規劃模型來確定屬性權重。同時，將決策者的風險態度引入二型模糊信息的得分函數中并給出具體的決策步驟。最后，通過實例分析驗證了該決策方法的可行性，并與現有文獻對比發現該決策方法更具有靈活性。

關鍵詞：

二型模糊集；二型模糊熵；風險態度；得分函數；多屬性決策

中圖分類號：

TP18

文獻標志碼：A

Abstract：

In order to deal with the type2 fuzzy decisionmaking problem that the attribute weights are unknown， a decisionmaking method based on type2 fuzzy entropy and decisionmakers risk attitude was proposed. Firstly， the axiomatic principles of type2 fuzzy entropy were constructed by introducing fuzzy factor and hesitancy factor to measure the uncertainty of Type2 Fuzzy Set （T2FS）， and some formulas were also given based on different distance measures. Secondly， in order to decrease effects of decision results caused by uncertain information， a nonlinear programming model combined with type2 fuzzy entropy was constructed to determine the attribute weights. Meanwhile， a score function was proposed by considering decisionmakers risk attitude and the specific decisionmaking processes were also given. Finally， the feasibility of the proposed method was verified through an example analysis，and the flexibility of the proposed method was also been reflected by comparing with existed references.

英文關鍵詞Key words：

Type2 Fuzzy Set （T2FS）； type2 fuzzy entropy； risk attitude； score function； multiple attribute decisionmaking

0引言

隨著互聯網、大數據等新信息技術的發展和應用，數據信息日益呈現出模糊性、復雜性、猶豫性等不確定特征，傳統數學工具已難以對其進行精確刻畫。1965年Zadeh[1] 提出模糊集理論，成為描述不確定問題的重要工具之一。隨后，眾多學者將模糊集理論不斷拓展，逐漸建立了包含直覺模糊集[2]、區間直覺模糊集[3] 和猶豫模糊集[4] 等模糊系統理論。在模糊理論演變過程中最難理解的便是二型模糊理論[5]，它將經典模糊集中的隸屬度再次進行模糊化，整個隸屬度函數由主、次隸屬度聯合表示，從而能夠更加清晰和準確地刻畫客觀事物的不確定性本質。二型模糊理論在建立伊始并未得到學術界的普遍關注，直到近幾年，該理論才開始不斷地應用于故障診斷[6]、資源管理[7]、詞計算[8] 等領域。很多學者的研究不斷豐富了二型模糊集的理論基礎，如文獻[9]通過構建二型模糊集的表示定理使得分析其不確定信息變得更加便捷，文獻[10]給出了二型模糊集的一些集成算子，文獻[11]對近年來二型模糊理論的發展進行了總結。

實際中，信息的不確定性常常代表風險、成本等負面因素，如何量化客觀事物的不確定信息成為學術界研究的重要課題。為了測度模糊信息的不確定性，Zadeh[12] 首次提出了模糊熵的概念，從此便成為了量化不確定信息的主要方法。為了拓廣模糊熵的應用范圍，該概念被引入到了模糊集的其他拓展理論中，如直覺模糊熵[13-15]、猶豫模糊熵[16-17]等。但是目前只有少部分學者開始研究二型模糊集的不確定測度問題，雖然文獻[18-21]給出了一些構造二型模糊集的模糊熵公理，但都過分關注次隸屬度的模糊性而忽略了主隸屬度的模糊性和主、次隸屬度之間的交叉影響，也未考慮主隸屬度分布的分散性所產生的不確定信息。通過深入分析二型模糊集的內部結構發現，二型模糊信息的不確定性主要由兩部分構成：模糊性和猶豫性，前者主要取決于主、次隸屬度的模糊性，而后者基本上由主隸屬度分布的分散程度所決定。因此，本文通過引入模糊因子和猶豫因子，克服了現有文獻的不足，進一步完善了二型模糊熵的公理化準則，并根據距離測度與二型模糊熵的內在聯系，給出了一些二型模糊熵的具體計算公式。

目前，大多數學者都以區間值二型模糊信息為數據環境，建立了一系列的多屬性決策方法，如文獻[22]針對機器人選擇問題提出一類多屬性決策方法，文獻[23]將TOPSIS方法引入區間值二型模糊決策問題，文獻[24]通過利用綜合排序值方法解決區間值二型模糊信息的群決策問題。這些文獻一方面缺乏對一般二型模糊信息的決策問題進行深入探討，另一方面所建立的決策方法大多依賴于集成算子，沒有考慮決策者的風險態度因素。文獻[25]雖然討論了二型模糊的決策方法，但其屬性權重確定方法有些粗糙，且沒有考慮決策者的風險態度問題。因此，本文針對屬性權重信息完全未知的二型模糊信息決策問題，基于二型模糊熵構建非線性規劃模型求解屬性權重公式，并結合決策者的風險態度提出一類新的得分函數，從而建立一套系統完整的二型模糊多屬性決策方法，并通過反艦導彈武器系統的方案選擇問題驗證了該決策方法的有效性和可行性。

2二型模糊熵

自從模糊集理論提出以后，對其不確定信息的度量成為理論界研究的基礎性問題之一，為此，Zadah將信息論中的“熵”的概念引入模糊集中，作為度量其模糊性的一種重要工具。隨后，模糊熵又被推廣到直覺模糊集和猶豫模糊集等理論中，用以量化其不確定信息。文獻[18-20]在二型模糊集中引入了二型模糊熵，但他們只考慮了次隸屬度的模糊性而忽略了主隸屬度的模糊性，同時也沒有考慮因主隸屬度的分散性所引發的不確定性。為了克服這些不足，需要重新分析二型模糊集中產生不確定性信息的內在因素，由此提出一個構造二型模糊熵的公理化準則。

2.1不確定性因子

只有深刻理解二型模糊集的不確定性才能建立一個合理有效的二型模糊熵。通過分析發現二型模糊集的不確定性主要由其模糊性和猶豫性兩方面組成，其中模糊性又可以分為主隸屬度的模糊性和次隸屬度的模糊性，主隸屬度的模糊性可以用主隸屬度與1/2的加權平均接近程度來測度，而次隸屬度的模糊性則可以用次隸屬度與1/2的算術平均接近程度來描述；二型模糊集的猶豫性主要體現在主隸屬度的分散性方面，可以用其平均離散程度來刻畫。為了量化二型模糊集的模糊性和猶豫性，這里參考文獻[15]的方法，引入模糊因子和猶豫因子。

不失一般性，這里先考慮單元素論域，即X={x}。對任意的A∈T2FS（X），不妨記ΔA（x）和σA（x）分別為A的模糊因子和猶豫因子，并分別用來刻畫A的模糊性和猶豫性的強弱。ΔA（x）和σA（x）可按照以下公式計算：

通過與文獻[25]對比發現，上述決策方法主要具有兩個優點：第一，屬性權重的確定方法更加客觀和精細，更符合具體問題具體分析的原則；第二，文獻[26]的得分函數只是上述風險態度參數θ=0的情形，實際上本文決策方法考慮了決策者的風險態度，決策過程更具靈活性。雖然文獻[22-24]的決策方法不適用于一般形式的二型模糊信息環境，但從決策思想上來說，上述決策方法突破了這些文獻利用集成算子進行信息融合的分析框架，而是通過得分函數將復雜的二型模糊信息轉換為簡單的單值實數信息，從而避免了集成算子的不同選取對決策結果的影響。

4結語

本文將二型模糊信息的不確定性分解為模糊性和猶豫性兩類，通過引入模糊因子和猶豫因子構建二型模糊熵的公理化準則，并結合熵測度與距離測度之間的內在聯系，給出了三類二型模糊熵的計算公式。為了減少各屬性不確定信息對決策結果的不利影響，針對屬性權重信息完全未知的情形，利用二型模糊熵建立非線性規劃模型，從而確定屬性權重的計算公式。考慮到決策者的風險態度會對決策結果產生影響，通過設置不同的風險態度參數值將其區分為風險偏好型、風險中性和風險厭惡型三類，并提出了一類新的得分函數。最后，通過將所構建的二型模糊多屬性決策方法應用于反艦導彈武器系統的方案選擇問題中，從而驗證了該決策方法的可行性，并與現有文獻進行了對比分析以體現其靈活性。

參考文獻：

[1]

ZADEH L A. Fuzzy sets [J]. Information and Control， 1965， 8（3）： 338-353.

[2]

ATANASSOV K T. Intuitionistic fuzzy sets [J]. Fuzzy Sets and Systems， 1986， 20（1）： 87-96.

[3]

ATANASSOV K， GARGOV G. Interval valued intuitionistic fuzzy sets [J]. Fuzzy Sets and Systems， 1989， 31（3）： 343-349.

[4]

TORRA T. Hesitant fuzzy sets [J]. International Journal of Intelligent Systems， 2010， 25（6）： 529-539.

[5]

ZADEH L A. The concept of a linguistic variable and its application to approximate reasoning [J]. Information Sciences， 1975， 8（3）： 199-249.

[6]

AGERO J R， VARGAS A. Calculating functions of interval type2 fuzzy numbers for fault current analysis [J]. IEEE Transactions on Fuzzy Systems， 2007， 15（1）： 31-40.

[7]

GILAN S S， SEBT M H， SHAHHOSSEINI V. Computing with words for hierarchical competency based selection of personnel in construction companies [J]. Applied Soft Computing， 2012， 12（2）： 860-871.

[8]

MENDEL J M. Computing with words and its relationship with fuzzistics [J]. Information Sciences， 2007， 177（4）： 988-1006.

[9]

MENDEL J M， JOHN R I B. Type2 fuzzy sets made simple [J]. IEEE Transactions on Fuzzy Systems， 2002， 10（2）： 117-127.

[10]

KARNIK N N， MENDEL J M. Operations on type2 fuzzy sets [J]. Fuzzy Sets and Systems， 2001， 122（2）： 327-348.

[11]

MENDEL J M. Advances in type2 fuzzy sets and systems [J]. Information Sciences， 2007， 177（1）： 84-110.

[12]

ZADEH L A. Probability measures of fuzzy events [J]. Journal of Mathematical Analysis and Applications， 1968， 23（2）： 421-427.

[13]

SZMIDT E， KACPRZYK J. Entropy for intuitionistic fuzzy sets [J]. Fuzzy Sets and Systems， 2001， 118（3）： 467-477.

[14]

HUNG W L， YANG M S. Fuzzy entropy on intuitionistic fuzzy sets [J]. International Journal of Intelligent Systems， 2006， 21（4）： 443-451.

[15]

MAO J， YAO D， WANG C. A novel crossentropy and entropy measures of IFSs and their applications [J]. KnowledgeBased Systems， 2013， 48（2）： 37-45.

[16]

XU Z， XIA M. Hesitant fuzzy entropy and crossentropy and their use in multiattribute decisionmaking [J]. International Journal of Intelligent Systems， 2012， 27（9）： 799-822.

[17]

ZHAO N， XU Z， LIU F. Uncertainty measures for hesitant fuzzy information [J]. International Journal of Intelligent Systems， 2015， 30（7）： 818-836.

[18]

HWANG C M， YANG M S， HUNG W L， et al. Similarity， inclusion and entropy measures between type2 fuzzy sets based on the Sugeno integral [J]. Mathematical and Computer Modelling， 2011， 53（9/10）： 1788-1797.

[19]

HWANG C M， YANG M S， HUNG W L. On similarity， inclusion measure and entropy between type2 fuzzy sets [J]. International Journal of Uncertainty， Fuzziness and KnowledgeBased Systems， 2012， 20（3）：433-449.

[20]

TAKC Z. Inclusion and subsethood measure for intervalvalued fuzzy sets and for continuous type2 fuzzy sets [J]. Fuzzy Sets and Systems， 2013， 224（4）： 106-120.

[21]

鄧廷權，王占江，王培培，等.二型模糊集的模糊熵研究[J].控制與決策，2012，27（3）：408-412.（DENG T Q， WANG Z J， WANG P P， et al. Study on fuzzy entropy of type2 fuzzy sets [J]. Control and Decision， 2012， 27（3）： 408-412.）

[22]

GHORABAEE M K. Developing an MCDM method for robot selection with interval type2 fuzzy sets [J]. Robotics and ComputerIntegrated Manufacturing， 2016， 37（C）： 221-232.

[23]

CHEN T Y. An interval type2 fuzzy technique for order preference by similarity to ideal solutions using a likelihoodbased comparison approach for multiple criteria decision analysis [J]. Computers and Industrial Engineering， 2015， 85（C）： 57-72.

[24]

QIN J D， LIU X W. Multiattribute group decision making using combined ranking value under interval type2 fuzzy environment [J]. Information Sciences， 2015， 297（C）： 293-315.

[25]

YAO D， LIU X， ZHANG X， et al. Type2 fuzzy crossentropy and entropy measures and their applications [J]. Journal of Intelligent and Fuzzy Systems， 2016， 30（4）： 2169-2180.