張金波 施明華 李曉然
(皖西學(xué)院 金融與數(shù)學(xué)學(xué)院,安徽 六安 237012)
當(dāng)前,我國(guó)正處在社會(huì)轉(zhuǎn)型和經(jīng)濟(jì)轉(zhuǎn)軌的階段,決策者所面臨的決策信息常帶有較大的不確定性,決策風(fēng)險(xiǎn)也隨之增大。如果能確定發(fā)生狀況的客觀概率或者主觀概率,則稱這樣的決策為風(fēng)險(xiǎn)決策。風(fēng)險(xiǎn)決策廣泛存在于經(jīng)濟(jì)、政治、貿(mào)易活動(dòng)中,并得到越來(lái)越多研究者關(guān)注。一方面,隨著我國(guó)經(jīng)濟(jì)社會(huì)的發(fā)展,決策者很難通過(guò)單個(gè)屬性對(duì)候選對(duì)象進(jìn)行合理評(píng)價(jià),往往需要借助多個(gè)屬性指標(biāo),這便形成了多屬性決策問(wèn)題[1-3]。例如Li MY等[4-7]討論了多屬性風(fēng)險(xiǎn)決策問(wèn)題,Zhou H等[8-10]考慮了灰色多屬性風(fēng)險(xiǎn)決策問(wèn)題,但很少有涉及灰色區(qū)間數(shù)的多屬性風(fēng)險(xiǎn)決策問(wèn)題的研究報(bào)道。Li Z等[11]將決策者的風(fēng)險(xiǎn)偏好劃分為三種不同的類型,然后建立相應(yīng)的區(qū)間灰數(shù)多屬性決策方法,并通過(guò)一個(gè)實(shí)際的投票實(shí)例說(shuō)明了該方法的實(shí)用性和有效性。劉光鳳等[12]定義了灰色隸屬度,解決了概率為區(qū)間數(shù)的灰色多屬性風(fēng)險(xiǎn)決策問(wèn)題。孫麗萍等[13]利用證據(jù)理論得到灰色信息置信矩陣,構(gòu)建風(fēng)險(xiǎn)評(píng)價(jià)模型,并用于度量原油艙的風(fēng)險(xiǎn)。徐選華等[14]基于后悔理論獲取決策信息為區(qū)間數(shù)的決策對(duì)象感知效用,在此基礎(chǔ)上,給出各個(gè)決策對(duì)象的風(fēng)險(xiǎn)熵,進(jìn)而給出一種應(yīng)急方案的排序。
另一方面,區(qū)間數(shù)的比較在決策過(guò)程中起著至關(guān)重要的作用,因?yàn)闆Q策問(wèn)題大都最終演變?yōu)閰^(qū)間數(shù)的比較與排序問(wèn)題。雖然區(qū)間排序的文章發(fā)表較多,但至今沒(méi)有出現(xiàn)一種被廣泛認(rèn)可的方法。大多數(shù)文獻(xiàn)采用均是徐澤水[15]所定義的區(qū)間數(shù)排序方法,Li Z等[11-14]也不例外。也有一些學(xué)者嘗試對(duì)該方法進(jìn)行改進(jìn),例如Sevastianov等[16]依據(jù)區(qū)間坐標(biāo)值給出一種簡(jiǎn)潔易算的排序方式,但信息損失較大,排序不穩(wěn)定。張吉軍[17]提高了精度,但給出的計(jì)算公式復(fù)雜,不便實(shí)際應(yīng)用。因此本文嘗試提出一種新的灰色隨機(jī)變量排序方式,并應(yīng)用于灰色多屬性風(fēng)險(xiǎn)決策問(wèn)題。
對(duì)于只知道其變化范圍,無(wú)法給出精確值的數(shù)稱之為灰數(shù),灰數(shù)是灰色系統(tǒng)理論的基本“單元”或“細(xì)胞”,通常記為“?”[18]。
定義1[18]取值連續(xù)充滿某個(gè)區(qū)間,并且該區(qū)間具有上界和下界,則稱這樣的灰數(shù)為連續(xù)型區(qū)間灰數(shù),記為?∈[a,b]。 假定?1∈[a,b],?2∈[c,d]為2個(gè)連續(xù)型區(qū)間灰數(shù),k為正常數(shù),則有:
(1)?1±?2∈[a±c,b±d];
(2)k?1∈[ka,kb];
(3)-?1∈[-b,-a]。
定義2 若隨機(jī)變量的取值為有限個(gè)不同的連續(xù)型區(qū)間灰數(shù)?,則稱之為連續(xù)型灰色隨機(jī)變量,記為ξ(?)。其分布函數(shù)如表1所示:
表1 ξ(?)的分布函數(shù)
定義3[9]設(shè)?1∈[a,b],?2∈[c,d],且設(shè) l1=b-a,l2=d-c,則?1大于?2的可能度定義如下:
目前文獻(xiàn)中給出的區(qū)間優(yōu)勢(shì)判別方法,基本都是定義3及其等價(jià)形式。但這種可能度對(duì)區(qū)間數(shù)排序會(huì)導(dǎo)致有效信息的丟失。例如,情況1:?1∈[2,2.5]與?2∈[1,3];情況 2:?3∈[2.1,2.5]與?4∈[1,3.1],通過(guò)定義3 得出 p(?2≥?1)=p(?4≥?3)=0.4。事實(shí)上情況1中?2比?1的絕對(duì)優(yōu)勢(shì)范圍為[2.5,3]小于?3比?2的絕對(duì)優(yōu)勢(shì)范圍[2.5,3.1],同時(shí)?2落在[2.5,3]的可能度0.5/3也小于?4落在[2.5,3.1]的可能度0.6/3.1。兩種情況對(duì)比縮小的是均衡優(yōu)勢(shì)區(qū)間,范圍從[2,2.5]變至[2.1,2.5]。因此不應(yīng)該出現(xiàn) p(?1≥?2)=p(?3≥?4)。 為對(duì)上述排序方式加以改進(jìn),本文提出一種新的區(qū)間數(shù)排序方法。
定義4 設(shè)?1∈[a,b],?2∈[c,d],且設(shè) l1=ba,l2=d-c,則?2大于?1的可能度定義如下:
定理1 設(shè)?1∈[a,b],?2∈[c,d],∈[e,f]則
1-1 0≤p(?1≥?2)≤1;
1-2 p(?1≥?2)+p(?2>?1)=1,特別的
p(?1≥?1)=1/2;
1-3 p(?1≥?2)=p(?1≤?2);
1-4 如果 p(?1≥?2)≥1/2,p(?2≥?3)≥1/2,則 p(?1≥?3)≥1/2。
證明:根據(jù)定義4 顯然可得(1)、(2)、(3),下面證明(4)。由定義4 知 p(?1≥?3)=p(?1≥?2)·p(?2≥?3)+p(?2≥?1)p(?1≥?3)+p(?1≥?3)·p(?3≥?2),
移項(xiàng)得
由(1)、(2)可知
據(jù)此可得 p(?1≥?3)≥1/2。
定義5 ?1∈[a,b],?2∈[c,d],若 p(?1≥?2)≥1/2 則認(rèn)為存在序關(guān)系?1??2;若 p(?2≥?1)≥1/2 則認(rèn)為存在序關(guān)系?2??1;若 p(?2≥?1)=1/2則認(rèn)為存在序關(guān)系?2=?1。
由定理1可知,定義5給出的序是一種嚴(yán)格偏序。對(duì)于情況 1:?1∈[2,2.5]與?2∈[1,3];情況2:?3∈[2.1,2.5]與?4∈[1,3.1],通過(guò)定義5 得出p(?2≥?1)=0.375,p(?4≥?3)=0.4。可見定義5較好的保留了信息。在定義5的基礎(chǔ)上,我們結(jié)合期望理論,給出如下判斷連續(xù)型灰色隨機(jī)變量的方法。
定義6 ξ(?1)與 ξ(?2)為 2 個(gè)連續(xù)型灰色隨機(jī)變量,其分布函數(shù)如表2和表3所示,則ξ(?1)大于 ξ(?2)的可能度定義如下:
表2 ξ(?1)的分布函數(shù)
表3 ξ(?2)的分布函數(shù)
定理2 ξ(?1)、ξ(?2)、ξ(?3)為連續(xù)型灰色隨機(jī)變量,則
2-1 0≤p(ξ(?1)≥ξ(?2))≤1;
2-2 p(ξ(?1)≥ξ(?2))+p(ξ(?2)>ξ(?1))=1,特別的 p(ξ(?1)≥ξ(?1))=1/2;
2-3 p(ξ(?1)≥ξ(?2))=p(ξ(?1)≤ξ(?1));
2-4 如果 p(ξ(?1)≥ξ(?2))≥1/2,p(?2≤?3)≥1/2,則 p(?1≥?3)≥1/2。
證明:記 p(?1i≥?2j),i,j∈{1,2,…,n}最大值和最小值分別為M與m,由定理1(1)可知m≥0,M≤1,可得
因此定理2-1成立,下面證明定理2-2。
令 ξ(?2)=ξ(?1)帶入上式,顯然有 p(ξ(?1)≥ξ(?1))=1/2。 故定理2-2 得證。
利用定理1-3,顯然定理2-3成立。因此下面只需證明定理2-4即可。
因此
定義7 ξ(?1)與(ξ(?2)為 2 個(gè)連續(xù)型灰色隨機(jī)變量,若 p(ξ(?1)≥ξ(?2))≥1/2 則認(rèn)為存在序關(guān)系 ξ(?1)?ξ(?2);若 p(ξ(?2)≥ξ(?1))≥1/2則認(rèn)為存在序關(guān)系 ξ(?2)?ξ(?1);若 p(ξ(?1)≥ξ(?2))≥1/2 則認(rèn)為存在序關(guān)系 ξ(?1)=ξ(?2)。
對(duì)于一個(gè)灰色風(fēng)險(xiǎn)多指標(biāo)決策問(wèn)題,這里我們假定其概率是確定的,權(quán)重是未知的,并且對(duì)各方案沒(méi)有偏好。 設(shè)指標(biāo)集 G={g1,…,gk,…gn},方案集 X={x1,…,xk,…xm},指標(biāo) gk∈G 具有種狀態(tài),并且在每種狀態(tài)下具有的概率為,指標(biāo)集的權(quán)重為{w1,…wk,…wn}。 方案xk,k∈{1,2,…,m}在指標(biāo) g1,l∈{1,2,…,n}下取值均為連續(xù)型區(qū)間數(shù)。則 X={x1,…xk,…xm}每個(gè)元素均為連續(xù)型灰色隨機(jī)變量。如表4所示。
表4 指標(biāo)gk的風(fēng)險(xiǎn)決策表
下面給出一種基于連續(xù)型灰色隨機(jī)變量排序準(zhǔn)則的風(fēng)險(xiǎn)決策方法,步驟如下:
步驟1:利用定義7構(gòu)造方案集X={x1,…xk,…xm}在指標(biāo) g1,l∈{1,2,…,n}下的判斷矩陣為,其中。
步驟2:構(gòu)造加權(quán)綜合矩陣B=[bj]mxm,其中。由定理2可得該矩陣是互補(bǔ)判斷矩陣。計(jì)算B=[bj]mxm的排序向量
步驟4:計(jì)算 ωi的滿意度指標(biāo),建立優(yōu)化模型。假定求得最優(yōu)解為,帶入(1)式由 ωi大小對(duì)方案進(jìn)行排序。
能源問(wèn)題一直困擾人類,越來(lái)越多的國(guó)家和地區(qū)致力于開發(fā)和利用新能源技術(shù)。目前,煤層氣、油砂、頁(yè)巖油、燃料乙醇和生物柴油在一些地方得到了有效的發(fā)展。Nea Kessani是希臘北部的一個(gè)農(nóng)村社區(qū),該地區(qū)的經(jīng)濟(jì)衰退需要在清潔能源和先進(jìn)制造業(yè)中創(chuàng)造新的就業(yè)崗位,實(shí)現(xiàn)傳統(tǒng)農(nóng)業(yè)向現(xiàn)代工業(yè)的轉(zhuǎn)變。當(dāng)?shù)仄髽I(yè)計(jì)劃投資開發(fā)低焓地?zé)豳Y源,市場(chǎng)預(yù)測(cè)能源開采有四種可能狀況,分別為很好 s1、好 s2、一般 s3和差 s4,現(xiàn)設(shè)計(jì)四種方案,考慮三個(gè)指標(biāo),分別為直接收益u1,間接收益u2和污染損失u3。各種指標(biāo)的風(fēng)險(xiǎn)決策表如表 5~7所示,求最優(yōu)方案[7]。
表5 直接收益決策表[7]
表6 間接收益決策表[7]
表7 污染損失決策表[7]
步驟1 首先將指標(biāo)一致化,利用定義7計(jì)算得出三個(gè)指標(biāo)的判斷矩陣如下:
步驟2 記u1,u2與u3的權(quán)重分別記為w1,w2與w3,則由公式(1)計(jì)算可得各方案的排序指標(biāo)
步驟3 參考熵權(quán)法和主觀權(quán)重法計(jì)算的權(quán)重值,給出權(quán)重指標(biāo)的取值范圍
由優(yōu)化模型 max ωi,s.t.w∈Ω,求得 ωi的最大理想值為:,求得最小理想值為:;
步驟4 求解優(yōu)化模型
解得 w1=0.65,w2=0.2 與 w3=0.15,帶入(1)得ω1=0.237177506,ω2=0.224259089,ω3=0.293750781,ω4=0.244811291。 因此,四種方案的排序?yàn)?c2<c1<c4<c3,方案 3 是最佳方案。
若采用陳雯等[7]提出的決策方法求解,可得各方案的相對(duì)貼進(jìn)度 ωi(i=1,2,3,4)分別為
因而,四種方案的排序?yàn)?c2<c1<c4~c3,即認(rèn)為方案3和方案4都是最佳方案。明顯文獻(xiàn)[7]給出的優(yōu)選指標(biāo)區(qū)分度不高,這主要由于文獻(xiàn)[7]的決策模型采用排序方法為定義3,正如前文所述,這種排序可能會(huì)導(dǎo)致決策信息的丟失,從而影響決策結(jié)果的準(zhǔn)確性,而本文的基于期望理論構(gòu)建的排序方法則能可有效避免這一缺陷,構(gòu)建的排序方法因而更具科學(xué)性。
為了更加準(zhǔn)確的刻畫區(qū)間數(shù)的大小,本文定義了一種具有嚴(yán)格偏序關(guān)系的相對(duì)優(yōu)勢(shì)度,比王浩倫等[9]研究中的方法更為精細(xì)。結(jié)合期望效用理論,將該方法用于刻畫連續(xù)型灰色隨機(jī)變量的可能度計(jì)算。在此基礎(chǔ)上提出了灰色風(fēng)險(xiǎn)多指標(biāo)決策方法,實(shí)例分析表明該方法是可行和有效的。此外本文提出的方法計(jì)算方便可操作性強(qiáng),有助于解決供應(yīng)鏈管理,風(fēng)投項(xiàng)目選擇等問(wèn)題,具有一定的應(yīng)用價(jià)值。