(4)向量规范化 (10.6) 特点:规范化后,各方案的同一属性值的平方和为1;无论成本型或效益型,从属性值的大 小上无法分辨。常用于计算各方案与某种虚拟方案(如理想点或负理想点)的欧氏距离的场 合。 表中最右一列是属性2经式(10.5变换后的值再向量规范化的结果 表10.5表10.1经向量规范化后的属性值 1(y)=3(y3)=4(y4) 2(22) 0.0346 0.6956 0.6482 0.6666 12345 0.0693 0.5565 0.3034 0.5555 0.2078 0.1753 0.4137 0.5378 0.4444 0.9695 0.0398 0.1655 0.0000 (5)原始数据的统计处理 (10.7) 其中,y-m2是各方案属性j的均值m为方案数M的取值可在05075之间 式(10.7)可以有多种变形,例如: E0′=0l(y2-y)/+075 (10.7) 其中σ,为属性j的均方差当高端均方差大于2.5σ,时变换后的值均为100这种变换 的结果与专家打分的结果比较吻合 表106表10.1之属性1用不同方法处理结果比较 人均专著线性变换用10.7式用10.7式 (本人)y1 (M=0.7) 0.0357 0.5950 0.6625 0.0714 0.6100 0.6750 0.2143 0.6700 0.7250 0.3 0.1071 0.6250 0.6875 1.0000 1.0000 1.0000 三、方案筛选 1优选法( Dominance) 淘汰劣解10- 4 (4)向量规范化 z y y ij ij ij i m = =  2 1 (10.6) 特点：规范化后，各方案的同一属性值的平方和为 1；无论成本型或效益型，从属性值的大 小上无法分辨。常用于计算各方案与某种虚拟方案(如理想点或负理想点)的欧氏距离的场 合。 表中最右一列是属性 2 经式(10.5)变换后的值再向量规范化的结果. 表 10.5 表 10.1 经向量规范化后的属性值 j i z1 ( y1 ) z3 ( y3 ) z4 ( y4 ) z2 ' ( z2 ) 1 0.0346 0.6956 0.6482 0.6666 2 0.0693 0.5565 0.3034 0.5555 3 0.2078 0.1753 0.4137 0.2222 4 0.1039 0.4174 0.5378 0.4444 5 0.9695 0.0398 0.1655 0.0000 (5) 原始数据的统计处理 zij = y y y y ij j j j − − _ max _ (1.00 - M) + M (10.7) 其中, y j _ = 1 m 1 yij i m =  是各方案属性 j 的均值, m 为方案数, M 的取值可在 0.5-0.75 之间. 式(10.7)可以有多种变形, 例如: zij ' = 0.1( ) / 0.75 _ y y ij − j  j + (10.7’) 其中  j 为属性 j 的均方差,当高端均方差大于 2.5  j 时变换后的值均为 1.00.这种变换 的结果与专家打分的结果比较吻合. 表 10.6 表 10.1 之属性 1 用不同方法处理结果比较 j i 人均专著 (本/人) y1 线性变换 用 10.7 式 (M=0.7) 用 10.7’式 1 0.1 0.0357 0.5950 0.6625 2 0.2 0.0714 0.6100 0.6750 3 0.6 0.2143 0.6700 0.7250 4 0.3 0.1071 0.6250 0.6875 5 2.8 1.0000 1.0000 1.0000 三、方案筛选 1.优选法(Dominance) 淘汰劣解