1 基本概念
1.1 定义
多准则决策是指在多个评价标准同时存在的情况下，对备选方案进行分析、比较与选择的一类方法。它的核心任务不是寻找唯一“最优”解，而是在彼此竞争的指标之间进行权衡，形成较为合理的排序、筛选或分类结果。
这类方法通常把现实问题抽象为“目标—准则—方案”的结构，并将定量数据与定性判断结合起来使用。由于许多实际问题无法仅凭单一指标加以判断，多准则决策因此成为应用科学和管理科学中的常用工具。
1.2 核心特征
多准则决策最显著的特征是多维性，即同一问题往往同时涉及成本、收益、风险、时间、质量、可行性等多个方面。不同准则之间可能存在冲突，例如低成本方案未必高性能，高效率方案也可能带来较高风险。
其次，它强调权衡与偏好表达。决策者需要说明不同指标的重要程度，并通过权重、偏好关系或规则体系将主观判断纳入分析过程。最后，它通常具有较强的结构化特征，能够把复杂问题转化为可计算、可比较的形式，从而提高决策的透明度。
1.3 适用场景
多准则决策适用于那些无法依靠单一指标完成判断的场景，尤其是需要在多个目标之间平衡取舍的问题。常见于工程方案比选、资源配置、项目评估、产品选型和政策备选分析等领域。
1.3.1 方案排序问题
方案排序问题是指对多个备选对象按照综合表现进行先后排列。此类问题并不一定要求直接选出唯一方案，而是希望明确各方案的相对优劣，便于进一步比较和讨论。
1.3.2 方案筛选问题
方案筛选问题主要关注从若干备选项中挑出满足条件或表现较优的少数方案。它常用于初步淘汰不合格对象，或在资源有限的情况下确定可重点推进的候选集。
1.3.3 方案分类问题
方案分类问题是将备选对象按预设标准划分到不同类别中，例如“可接受”“待改进”“不建议采用”等。此类任务更强调边界判断和规则一致性，而不只是简单排序。
1.4 与单一准则决策的区别
单一准则决策通常只围绕一个核心指标展开，例如只看成本、只看利润或只看速度，问题结构相对简单。多准则决策则要求同时处理多个指标，并解决它们之间的冲突关系。
相比之下，多准则决策更接近现实中的复杂判断过程，但也更依赖指标体系设计、权重设定和模型选择。它的结果往往不是绝对结论，而是带有条件和偏好的综合判断。
2 理论基础
2.1 偏好与效用
偏好理论用于描述决策者对不同方案的倾向性。效用则是对这种偏好进行量化表达的方式，借助效用函数可以把“更喜欢哪一个”转化为可计算的数值关系。
在多准则决策中，效用思想常被用于把多个指标合成为一个总体评价。不同方案在各项准则上的表现经过映射后，可以形成整体效用值，从而支持排序与选择。
2.2 多目标优化
多目标优化研究的是在多个目标同时存在时如何寻找折中解。它与多准则决策关系密切，因为很多决策问题本质上就是多个目标之间的平衡问题。
二者的区别在于，优化通常更强调求解过程和数学结构，而决策更强调偏好表达和最终选择。多准则决策常借鉴多目标优化中的权衡思想，并将其转化为面向实际选择的分析框架。
2.3 决策理性与有限理性
传统决策理论往往假设决策者具有完全理性，能够掌握全部信息并做出最优判断。现实中，信息通常不完整，时间和认知资源也有限，因此更常见的是有限理性决策。
多准则决策正是在有限理性条件下发挥作用的工具。它通过规则化方法帮助决策者简化复杂问题，使判断过程更加系统，但并不声称能够完全消除主观因素。
2.4 不确定性与模糊性处理
现实数据常常存在不确定性，表现为信息缺失、测量误差、专家意见不一致或语言描述模糊。多准则决策因此需要相应的处理机制，以避免结果过度依赖单一且不稳定的数据。
常见做法包括模糊数表示、区间估计、概率建模和灰色信息处理等。通过这些方法，可以把“可能”“大致”“较高”之类的非精确描述纳入分析过程。
3 问题建模
3.1 决策目标的识别
建模的第一步是明确决策究竟要解决什么问题。目标识别决定了分析边界，也影响后续指标体系和评价方向。
若目标不清晰，容易出现准则重复、指标冲突或结论偏离需求的情况。因此，在建模初期通常需要先区分总体目标、子目标和约束条件。
3.2 准则体系构建
准则体系是多准则决策的骨架。它需要将抽象目标拆解为若干可衡量或可比较的指标，并尽量保持层次清楚、相互独立且覆盖充分。
构建准则体系时，通常要兼顾全面性与简洁性。指标过少会遗漏关键信息，过多则可能造成重复、冗余和计算复杂化。
3.3 备选方案定义
备选方案是被比较的对象集合，可能是设备、项目、地点、供应商、政策或其他可选项。方案定义的清晰程度，直接影响模型的可操作性。
在实际应用中，方案往往需要满足基本约束后才能进入比较阶段。例如，某些技术条件、预算限制或资源上限会先把明显不可行的对象排除出去。
3.4 数据获取与预处理
多准则决策依赖数据支持，而数据来源可能包括实测值、统计记录、专家评分和问卷调查等。由于来源不同，数据格式和质量常常并不一致，因此需要预处理。
预处理的目标是让不同来源、不同尺度的信息具备可比性，并尽可能降低噪声、偏差和缺失信息对结果的影响。
3.4.1 指标标准化
标准化用于消除量纲差异，使不同单位的指标能够放在同一框架下比较。常见方式包括极差标准化、向量标准化和区间映射等。
对于“越大越好”和“越小越好”的指标，标准化方式通常不同。处理得当后，各指标才可以进一步进入加权综合或排序算法。
3.4.2 缺失值处理
缺失值是实际数据中常见的问题，可能来自记录遗漏、测量失败或部分样本不可得。处理方式包括删除、均值填补、插值估计和模型预测等。
不同方法适用于不同场景。若缺失较少且分布随机，简单填补可能足够；若缺失严重，则需要更谨慎地判断其对结论的影响。
3.4.3 异常值修正
异常值可能来自录入错误、特殊事件或极端观测。若不加处理，它们可能显著扭曲综合评价结果。
常见修正方式包括截尾、替换、稳健统计方法和基于规则的校正。是否保留异常值，取决于它究竟是错误数据还是有意义的极端信息。
4 权重确定方法
4.1 主观赋权法
主观赋权法依赖专家经验、决策者偏好或群体判断来确定指标重要性。它的优点是能够体现实际需求和情境判断，尤其适合难以直接量化价值差异的场景。
但这类方法也容易受到个人经验、认知偏差和群体讨论方式的影响，因此通常需要与其他方法配合使用。
4.1.1 层次分析法
层次分析法通过将问题分解为目标层、准则层和方案层，再进行两两比较，来推导各指标权重。它适合结构较清晰、指标层级明确的问题。
该方法的优势在于逻辑直观、操作规范，便于把专家判断系统化表达。其局限则在于比较矩阵的构造带有一定主观性，且指标数量过多时工作量会明显增加。
4.1.2 德尔菲法
德尔菲法通过多轮匿名征询专家意见，逐步收敛对指标重要性的判断。它常用于信息不充分、专业分歧较大的问题。
这种方法的特点是能够减少直接讨论带来的从众效应，并提高意见汇总的稳健性。不过，结果仍依赖专家构成和问询设计。
4.2 客观赋权法
客观赋权法主要根据数据本身的离散程度、信息量或统计特征来确定权重。与主观赋权相比，它更强调可重复性和数据驱动。
这类方法适用于样本较充足、指标数据较完整的情形，但也可能忽视某些在实际决策中非常重要、却数据波动较小的指标。
4.2.1 熵权法
熵权法依据指标的信息熵来衡量其离散程度。一般而言，差异越大、提供的信息越多的指标，所获得的权重越高。
该方法计算相对简洁，常用于评价类问题。但若指标分布异常集中或数据受噪声影响较大，权重结果可能受到干扰。
4.2.2 变异系数法
变异系数法以标准差与均值的相对关系作为权重依据，适合衡量指标的相对波动程度。变异越大，通常意味着区分方案能力越强。
这种方法直观易懂，且计算方便。缺点是对均值接近零的指标不太稳定，使用时需要注意数据条件。
4.3 组合赋权法
组合赋权法把主观和客观权重结合起来，以兼顾经验判断与数据特征。常见做法包括加权平均、优化组合和协调一致性调整等。
其主要价值在于降低单一赋权方式的偏差，使最终权重更符合实际情境。不过，组合方式本身也需要额外设定规则，因而并非天然更“客观”。
5 常见决策方法
5.1 排序型方法
排序型方法主要用于比较多个方案的综合优劣，并输出相对次序。这类方法广泛应用于方案评估、供应商选择和项目比选等任务。
5.1.1 TOPSIS法
TOPSIS法的基本思想是：理想方案应尽量接近正理想解，同时远离负理想解。它通过测算各方案与这两类参考点的距离来确定排序结果。
该方法结构清晰，计算步骤明确，适合处理多个指标共同作用的评价问题。其效果依赖于标准化与权重设置，若前处理不当，排名可能发生变化。
5.1.2 VIKOR法
VIKOR法强调折中解的寻找，尤其适合存在明显冲突目标时的决策。它同时考虑群体效益和个体遗憾，试图找到较平衡的方案。
与单纯追求综合距离的方法相比，VIKOR更关注“接近最优”的程度。它常用于需要兼顾多个利益目标的复杂比较。
5.1.3 ELECTRE法
ELECTRE法属于超越关系方法，主要通过比较方案之间在各指标上的支持与反对证据，判断一个方案是否“超越”另一个方案。它适合处理信息不完全和偏好较复杂的情形。
这类方法不一定给出绝对分值，而更重视优势关系和不可比性。其优点是贴近实际判断逻辑，缺点是参数设置和解释成本相对较高。
5.1.4 PROMETHEE法
PROMETHEE法基于偏好函数构建方案之间的优先关系，通过流量计算得到排序。它在表达局部偏好和差异阈值方面较为灵活。
该方法能够较细致地描述决策者对指标差异的敏感程度，因此在实际评估中具有较强适应性。不过，函数形式和参数选择会影响最终结果。
5.2 选择型方法
5.2.1 0-1规划模型
0-1规划模型把选择问题转化为二元变量优化，即某个方案被选中或不被选中。它适合资源有限、约束明确、目标可数学表达的场景。
这类模型的优点是严谨、可求解性强，能够明确体现预算、数量和结构约束。其局限在于对模型表达能力要求较高，复杂偏好有时难以直接纳入。
5.2.2 多属性效用理论
多属性效用理论通过构建效用函数，把多个属性转化为统一的总体效用值，从而支持选择决策。它常用于风险分析和高价值决策。
该理论强调偏好的一致表达，适合需要精细建模的情形。但其函数设定较为依赖专家访谈或行为假设，实施门槛相对较高。
5.3 分类型方法
5.3.1 规则分类模型
规则分类模型依据一组预先设定的阈值或逻辑规则，将方案划入不同类别。它适合标准明确、判定边界相对稳定的问题。
这种方法解释性强，易于审核和复用，但对复杂情境的适应能力有限。如果规则设计过于简单，可能无法反映真实差异。
5.3.2 偏好学习方法
偏好学习方法通过从历史选择、比较记录或专家示例中学习判断规则，再对新方案进行分类。它在数据较多、决策模式较稳定时具有较好效果。
此类方法具有一定的数据驱动特征，能够减少人工设规则的负担。不过，模型训练质量高度依赖样本代表性和标签可靠性。
6 模型扩展
6.1 模糊多准则决策
模糊多准则决策用于处理语言模糊、边界不清和难以精确量化的信息。它常以模糊集合、模糊数或模糊关系来表达专家判断。
这类扩展特别适合“较高”“一般”“接近可接受”等描述性输入，使模型更接近人类实际表达方式。
6.2 灰色多准则决策
灰色多准则决策主要面向信息不完全、样本较少或已知条件有限的问题。它强调从不完整数据中提取可用规律。
相较于传统统计方法，灰色模型对数据规模要求较低，适用于早期评估和初步判断。其结果通常具有探索性和近似性。
6.3 随机多准则决策
随机多准则决策把不确定性视为随机变量或概率分布的一部分，通过概率方式描述方案表现。它适合波动明显且可用概率刻画的情形。
此类方法能够较好地表示风险和变动范围，但对概率信息的获取与估计要求较高。
6.4 动态多准则决策
动态多准则决策关注时间变化条件下的连续判断，例如指标随阶段更新、偏好随情境变化或方案状态不断演化。
它广泛用于分期投资、滚动计划和持续监测类问题。其关键在于如何处理时序信息与历史决策之间的联动关系。
6.5 群决策与协同决策
群决策与协同决策强调多个决策主体共同参与评价与选择。由于意见可能分散，通常需要汇总、协调和一致性处理。
这类扩展能够整合不同角色的知识和偏好，提高结果的代表性，但也会增加沟通成本和意见整合难度。
7 应用领域
7.1 工程与制造
在工程与制造中，多准则决策常用于设备选型、工艺比较、质量改进和项目优先级安排。由于技术指标、成本约束和实施难度往往同时存在，这类问题非常适合多维评价。
它也常被用于生产线布局、维护策略选择和供应商评估，帮助企业在效率与可靠性之间取得平衡。
7.2 供应链与物流
供应链与物流场景中，决策对象可能包括运输路线、仓储位置、承运商和库存策略。此类问题通常涉及时效、成本、服务水平和风险控制等多个维度。
多准则决策能够为路径优化、网络设计和合作伙伴选择提供结构化支持，尤其适合存在多方约束的复杂环境。
7.3 环境与可持续发展
在环境与可持续发展领域，多准则决策常用于环境影响评价、资源管理、能源方案比较和绿色技术选择。这里的评价指标往往兼顾经济性、生态性与社会接受度。
由于这些指标之间常存在明显冲突，多准则决策有助于把分散目标纳入同一分析框架，从而支持更平衡的方案判断。
7.4 医疗与公共管理
医疗与公共管理中，多准则决策可用于医疗设备采购、服务流程优化、项目排序和资源分配。此类问题通常兼顾效果、公平、成本和执行可行性。
在公共管理场景下，它也常用于方案比较与政策备选分析，帮助决策者在有限资源条件下做出较稳妥的安排。
7.5 金融与投资分析
金融与投资分析中，多准则决策可用于项目筛选、资产选择、风险评估和绩效评价。投资对象通常不仅关注收益，还要考虑波动性、流动性和期限匹配等因素。
多准则方法能够把定量财务指标与定性判断结合起来，从而提高投资分析的系统性。
8 结果分析与验证
8.1 灵敏度分析
灵敏度分析用于考察输入参数变化对结果的影响程度，尤其是权重、阈值和标准化方式的变化。它可以帮助判断结论是否过于依赖某一设定。
若少量参数调整就导致排序大幅变化，说明模型稳定性可能不足，需要进一步检查指标设计和数据质量。
8.2 鲁棒性检验
鲁棒性检验关注模型在不同条件下是否仍能保持相对稳定的结论。常见做法包括改变参数组合、替换部分数据或采用不同赋权方式进行比较。
通过鲁棒性分析，可以识别那些在多种情景下都表现良好的方案，也能发现对环境变化敏感的决策结果。
8.3 一致性与稳定性评估
一致性评估主要检验专家判断、比较矩阵或偏好关系是否前后一致。稳定性评估则关注在重复计算或小幅扰动下结果是否保持相近。
这两项检查对于提高模型可信度很重要。若一致性较差，通常说明判断规则存在冲突，需要回到建模阶段重新修正。
8.4 模型比较与验证
模型比较是将不同方法应用于同一问题，观察其排序、分类或选择结果是否接近。验证则更进一步，看模型结论是否与已知事实、经验结果或后验表现相符。
在实际应用中，通常不会只依赖单一方法，而是通过对照多个模型来提升判断的稳妥性。
9 相关争议与局限
9.1 指标选择偏差
指标选择本身就带有价值判断，若选取不当，可能导致结果偏离真实需求。某些容易量化的指标可能被过度强调，而难以量化但重要的因素反而被忽视。
因此，指标体系是否合理，往往比后续计算更关键。
9.2 权重主观性问题
许多多准则方法都需要权重，而权重的设定难以完全脱离主观判断。即使采用客观赋权，也仍要面对指标含义解释和情境适配的问题。
这意味着“权重是否合理”往往没有唯一答案，而是与决策目标、参与者经验和应用背景有关。
9.3 数据质量限制
若原始数据存在噪声、遗漏、偏差或口径不一致，最终结果就可能失真。多准则决策虽然能够处理复杂信息，但并不能自动弥补低质量数据带来的缺陷。
因此，数据治理与前处理通常是决定模型成败的重要环节。
9.4 模型可解释性与复杂度权衡
更复杂的模型往往能更细致地刻画现实，但也可能降低可解释性和使用便利性。相反，过于简化的方法虽然容易理解，却可能不足以反映多维冲突。
实际应用中，需要在准确性、透明度和实施成本之间寻找平衡。
10 发展趋势
10.1 数据驱动决策
随着数据来源增多，多准则决策正越来越多地与数据挖掘和统计分析结合。数据驱动方法有助于提升权重估计、模式识别和结果预测的客观性。
不过，数据驱动并不意味着可以完全替代领域知识，二者往往需要协同使用。
10.2 人工智能辅助决策
人工智能技术正在被用于特征提取、偏好学习、方案推荐和自动化评价。它可以提高处理效率，并帮助在大规模问题中快速形成初步结果。
但在需要明确理由和责任归属的场景中，模型输出仍需人工审查与解释。
10.3 大规模与实时决策
随着应用场景复杂度提升，决策问题正从静态、小规模转向动态、大规模和实时化。此时，模型需要在计算效率与分析精度之间取得更好的平衡。
面向实时场景的多准则方法通常强调快速更新、增量计算和在线调整能力。
10.4 跨学科融合
多准则决策的发展越来越依赖管理学、运筹学、计算机科学、心理学和领域专业知识的交叉融合。不同学科的结合有助于丰富模型表达，也能改善对人类偏好与行为的刻画。
未来的研究往往不只是追求更复杂的算法，而是更强调方法与实际问题的契合度。