際際滷

際際滷Share a Scribd company logo
惘惺悋 惆 擯惘 惠惶 悋 愆惘
MCDM
PROMETHEE
悋 悋慍惆 惡悋
惆 惠悧惘
惘愆 惡悋 愕悧 擧 忰PROMETHEE
悋慍悋惘 惘
愕悧 惠愆悽惶  惠惺惘
忰 惘悋 惠惺悋
惓惘惡悽愆
悋惘慍悋惡忰 惘悋悋
惘惺悋 惆擯惘 惠惶
惘惺悋 惆擯惘 惠惶 擧 悋惆悋惆 悋慍悋愕惠悋惆 惡悋擯惘 惠惶悋 惠擧擧悋慍 擧
惡悋愆惆.悋愕惠悋 惡悋 惆惘惆惴惘惆惘 惡悋 惠悋惆惘惺悋 惆擯惘 惠惶悋 惠擧擧悋慍
惡愕惠惆 惷惘惠惺悋惆惘 惆擯惘 擧 惡悋 擯悋悋擧 擯惘 惠惶 悋惘惡惠悋惠 悋惘惺悋擯惘惠
悋惆愕悋慍 惠惶惺悋 愀惘.
MADM
MODM
MCDM
惠惆悋MCDM
AHP
ANP
VIKOR
SAW
TOPSIS
ELECTRE
PROMETHEE
SMART
REGIME
SIR
EVAMIX
SAW
Simple Additive Weighting
錫愆惘惆惘SAW惡惡悋悋 擯慍惠悋悋愕惠 擯慍惘 悋慍悋 惡 愀惡惠惠悋惡惺惆惘悛惘惡 惡 愕惺愆惠惘
愆惆悋惠悽悋惡 愀惡惠.悋慍悋愆悋悽惶悛惓悋惘惡惆悋慍悴悴忰惠惘悋悋愕惠悋 惡惘惘惷 愆惘悋惘惆
擯慍悴忰惠惘悋 惡 悋忰惠惘惡惠悋悋 愆悋悽惶悋惠悋慍悋忰悋愕惡惡悋 愆惘悋 惆惘悋愕惠 擧惆擯惘悋 
悋惠惆愕惠.
錫擯惘惠惶惆惘惠悋惓惘擯悵悋惘悋惘惺悋
錫悋 擯慍(悛惠惘悋惠悋)
錫惺擧惘惆(悋惡慍悋惘)惺悋惘惘惡悋 惆惘 擯慍惘
錫惠惶悋惠悽悋悵惆惘悋惘惺悋悋慍擧惆悋惘悋惠悋慍
AHP
Analytic Hierachy Process
錫慍 惘愀 惡 擧  擧 悋惘惺悋 惡擧悋惘擯惘 惡悋 悋惠惡惘 愕愕惠忰 悋惆惘悋
錫悋 惷悋惠 惆惘 悋愕悋慍擯悋惘  愕惘惡惘 悋惡惠
錫惠惘擧惡 愕悋慍 惡 悋 愀  愆惘 慍惘 惡惘悋 惷惺悋惠  愕惘惡惘 惆惘惠惆
 忰 慍惘 惆惠惡惘悋 惆愕惠擯悋悋 惡惆 惡惆悴 惶惺惠 悋忰惆擧 惆惘 忰惶悋惠
 愕惠慍忰愀  悋惘 悋惡惺惠悽惶惶 慍惘 惡惘悋...惆惘惆悋 愀惡 惡惘惆惘擧悋.
錫惘 愕愕 惡拆惆  愆擧 愕悋 惠惡惆  惠忰 悋惘惡 悋惘 悋 慍 愆惘 悋惠惘 愕悋惆 悋惠惡
惺悋 擧擧 惡悋 悋惘 悋 擯慍 悋惡慍悋惘 慍惡惠悋惆惘 惡惘悋 悛 惡惘悋 惆惘 擧 惆惘悋  悋惘 悋惘
惆悋惆 悋悴悋 悋忰惠惘惡 悋惘惘惺悋慍.
TOPSIS
(Technique for order preference by similarity to ideal solution)
錫  悋擯(1981)
錫慍惆擧 悋愕惠 擯慍擯慍 惡惠惘 擧惆惘惆悋 惠擧  悋 惡惘 愆惘 悋悋惶 擧惠惘
惡悋愆惆悋愆惠 悋惘  悛悋惆悋慍悋惶惡愆惠惘 惓惡惠 悛 悋惆 擯慍 惡惆.
ELECTRE
錫悋 惘惠惡 愃惘 悋愕悋惠 擯惘惆 惠惶 惠愆悽惶 惡悋
擯惘 惠忰
錫惓惘 愃惘 悋 擯慍 忰悵
錫悋擯 愃惘  悋擯 悴惺悛悋慍
悋擯
PROMETHEE
Preference Ranking Organization Method For Enrichment
Evaluation
錫惡惘慍1986
錫惡惘惘擧悋 悋惘惡悋愕惠悋惆 愕惠
錫悋惠惘悋惘拆悋惠愕惘悋擧悋(悋 擯慍  悋愆悋悽惶 惡惆惆愕惠)
錫惆擯惘 悋 愆惘 悋愃惡 惡悋悋愕 惆惘 惠悋悴 拆悋惆悋惘
錫愕惘惺 愕悋惆 惠惘惶 惡忰愕悋愕惠 惠忰悋擧悋
錫愕悋慍 惆 悋擧惘擯 愀惘忰悋慍悋愕惠悋惆悋擧悋GAIA
錫擯惘 悋 惠惶 拆愆惠惡悋悋擧悋
錫惠惶愕悋慍 惡惆惘 悽惠 悋 忰惆惆惠擯惘惠 惴惘惆惘悋擧悋
錫擯惘 惠惶愕惘惺惠 惆惠 惆惘 愕惡惠惺悋惆
惺擧惘惆PROMETHEE
錫悋愕惠悋愕惠悋惘 惠悋惠 惡  惠惘悴忰  惆 惡惘 愆惘 悋.
錫惡悋惺擧擯慍A惡惘擯慍B惠惘悴忰惡惘惠惘惆惘惆悋悋擯惘悋慍惴惘惠悋惡惺惠惘悴忰(擧
悋慍悴忰惠惘悋擯慍A惡惘擯慍B悋慍惴惘惠惶擯惘惆悋惘悋悧惘悋惆惆)惆悋惘
惠悋惡惺惠惘悴忰擯慍A惡愆惠惘悋慍惠悋惡惺惠惘悴忰擯慍B惡悋愆惆.
錫擯慍 惘愀A擯慍 惡惘B惆悋惘 悋愕惠 惠悋惠 惡擯慍 惠惘悴忰 惠悋惡惺A惡悋 悋惡惘惘惡
擯慍 惠惘悴忰 惠悋惡惺B惡悋愆惆.
愆惘 惡悋愆惘擧惠 惆惡惆 惠惡惘
PROMETHEE
悋 愆悋悽惶 惠惺
惘惡惘
擧悋惘擧悋
悋愕惠惘悋惠  愆 悽愀
悋惡惺  愆惘悋擧惠悋
悋 惘悛惆
擧悋惘擧悋 惠悋悴
愆惠惘悋 惠悋悴
悴悋惺 惠悋悴
惺擧惘惆 擧惆 惠悋悴
悋 愆悋悽惶 惡惆 慍
惠悋悴
擧惆
惺擧惘惆
惠悋悴
悴悋惺
惠悋悴
擧悋惘擧悋
惠悋悴
愆惠惘

悛惆惘
悋
悋擧惠惘愆悋 悋惡惺
悋愕悋
悽愀
  愆
悋惠惘悋愕惠
惠
惡惘惘
愆悋悽惶
0.1394 0.0942 0.0877 0.1591 0.1263 0.1168 0.0798 0.1066 0.0902 慍
擯惘惠惶悋惘慍悋惡
 Max(Min) {f1(a) , f2(a) , , fk(a) |a  A}
A:擯惘 惠惶 悋 擯慍
fj(a):擯慍悋惠悋慍a擯惘 惠惶愆悋悽惶 惆惘j
j:1,2,, k
悋 擯慍 悴慍 悋愕
P:惠惘悴忰 惠悋惡惺.
 Pj (a,b) = Pj[ dj(a,b) ]
d:愆悋悽惶 惆惘 慍悋惆悋 惠悋惠j悋
 dj(a,b) = fj(a)  fj(b)
擧惆惠悋悴
惺擧惘惆
悴悋惺惠悋悴
惠悋悴
擧悋惘擧悋
惠悋悴
愆惠惘悋
惘悛惆悋
愆惘悋擧惠悋
悋愕悋悋惡惺
愆悽愀
悋愕惠惘悋惠
惘惡惘
愆悋悽惶
Max Max Max Max Max Max Max Max Max Max/Min
V-shape V-shape V-shape V-shape V-shape V-shape V-shape V-shape V-shape
惠惶 惺悋惘
悋惠
0.1394 0.0942 0.0877 0.1591 0.1263 0.1168 0.0798 0.1066 0.0902
慍
愆惘擧惠
4.57 6.33 0 1.22 6 6.4 4.8 4 6 1
2.43 2.67 3.4 3.22 3.71 2.6 3.2 3.75 3 2
7.14 6.33 4.8 5.55 8.29 6.2 5.8 6.5 7.2 3
d1 (1,2) = f1(1)  f1(2)= 6-
3=3
惠惘悴忰 惠悋惡惺
Usual V-shape
U-shape
Linear
Level Gaussian
P(a,b)=0ifd0惡惘惠惘 悋 悋悽惠悋 悴惆 惡惆
P(a,b)0ifd>0惷惺 惡惘惠惘
P(a,b)1ifd>>0 惡惘惠惘
P(a,b)=1Ifd>>>0 悽 惡惘惠惘
惠惺 惡惘悋 惠惘悴忰 惠悋惡惺 悋慍p擧  悋愕惠悋惆.
p
Difference
Preference degree
0
1
3
0.3
 P1(1,2)=d/10 =0.3
 d1(1,2) = f1(1)  f1(2)= 6-3=3
擧惆惠悋悴
惺擧惘惆
悴悋惺惠悋悴
擧悋惘擧惠悋悴悋
惠悋悴
愆惠惘悋
惘悛惆悋
愆惘悋擧惠悋
悋愕悋悋惡惺
愆悽愀
悋愕惠惘悋惠
惘惡惘
愆悋悽惶
Max Max Max Max Max Max Max Max Max Max/Min
V-shape V-shape V-shape V-shape V-shape V-shape V-shape V-shape V-shape
惠惶 惺悋惘
悋惠
0.1394 0.0942 0.0877 0.1591 0.1263 0.1168 0.0798 0.1066 0.0902
慍
愆惘擧惠
4.57 6.33 0 1.22 6 6.4 4.8 4 6 1
2.43 2.67 3.4 3.22 3.71 2.6 3.2 3.75 3 2
7.14 6.33 4.8 5.55 8.29 6.2 5.8 6.5 7.2 3
擯慍 惆 悋惠 悋 悋 惡惆 惠惡惘
(, )
忰悋愕惡+

PROMETHEE I
Multi Criteria Decision Making With PROMETHEE method and software
Multi Criteria Decision Making With PROMETHEE method and software
惡惆 惘惠惡 悽悋惶 悴惘悋 忰悋愕惡
PROMETHEE II
愆惘擧惠 惡惠惘
愆惘擧惠 惡惆惠惘
悋慍悋惘 惘:
 PromCalc
 Decision Lab
 D-Sight
 Smart Picker Pro
 Visual Promethee

More Related Content

Multi Criteria Decision Making With PROMETHEE method and software