The {\alpha} -Discounting ({\alpha}-DMCDM) as an extension of AHP, TOPSIS, VIKOR, PROMETHEE, and Weighted Sum

技术摘要：$\alpha$-折扣法 ($\alpha$-DMCDM) 作为 AHP、TOPSIS、VIKOR、PROMETHEE 及加权求和法的扩展

问题陈述
传统的多元决策 (MCDM) 技术，包括层次分析法 (AHP)、TOPSIS、VIKOR、PROMETHEE 和加权求和模型，依赖于决策者能够提供一致的、成对（或完全兼容）的偏好信息。然而，在现实场景中，偏好结构往往是不完整的、非线性的或相互矛盾的。例如，循环不一致性（例如，$C_1 > C_2$，$C_2 > C_3$，但 $C_3 > C_1$）会导致这些方法所使用的方程组无法求解，仅能得出平凡解。虽然 AHP 通过一致性比率 (CR) 检测不一致性，但它并没有提供修复判断集或从不一致数据中导出权重的原则性机制。其他方法则仅要求预先计算好的权重，无法处理病态的偏好结构。现有的基于模糊集或中性逻辑集的扩展通常仍依赖于一致的权重提取步骤。

方法论：$\alpha$-折扣 MCDM
本文提出将 $\alpha$-折扣 MCDM ($\alpha$-DMCDM) 作为一种统一的代数框架，旨在接纳不一致的信息而非拒绝它。其核心方法论是将偏好陈述——无论是线性的、非线性的、成对的还是 $n$ 元的——转化为代数方程组或不等式组。

1. 公理基础： 该方法基于七个公理，其中最显著的是：

   • 公理 A3 (不一致容许性)： 系统可以是相互矛盾的（即 $\det(I - A) \neq 0$），从而产生唯一的平凡解 $x=0$。
   • 公理 A4 ($\alpha$-折扣原则)： 引入一个全局标量折扣因子 $\alpha > 0$，使得折扣后的系统 $(I - \alpha A)x = 0$ 存在非平凡解。
   • 公理 A5 (一致性度量)： $\alpha$ 的值量化了全局一致性。$\alpha = 1$ 表示完全一致；$0 < \alpha < 1$ 表示不一致，较小的 $\alpha$ 值反映了更强的矛盾。

2. 存在性定理： 本文证明了对于任何有限的线性（或线性化）偏好方程集，若原系统是不一致的，则至少存在一个正实数标量 $\alpha$，使得 $\det(I - \alpha A) = 0$。这确保了存在一个非平凡特征向量，可以通过归一化来获得优先级权重。

3. 算法流程：

   • 将偏好建模为方程/不等式系统以形成矩阵 $A$。
   • 引入单一折扣因子 $\alpha$（遵循公平原则）。
   • 通过求解 $\det(I - \alpha A) = 0$ 来确定可容许的 $\alpha$（通常取最小正根）。
   • 计算 $(I - \alpha A)$ 对应于零特征值的特征向量。
   • 对特征向量进行归一化以获得最终权重向量 $w$。

4. 扩展性： 该框架具有模块化特征，支持：

   • 区间 $\alpha$-折扣： 处理模糊系数（如区间 $[a^-, a^+]$），从而产生一个可容许的 $\alpha$ 值区间和区间值权重。
   • 非线性 $\alpha$-折扣： 通过将系统简化为可通过数值寻根法求解的超越方程，来适应任意函数关系（如二次、对数关系）。
   • 群体决策： 通过平均、加权平均或选择最小 $\alpha$ 的方式聚合多个专家的矩阵，从而实现对不一致性的定量处理。
   • 中性逻辑： 将折扣因子 $\alpha$ 映射到中性三元组 $(T, I, F)$ 的“真”成分 ($T$)，使该方法能够显式地处理不确定性和谬误性。

核心贡献

• 理论统一： 对 $\alpha$-DMCDM 进行了自洽的阐述，建立了严谨的公理基础和关于折扣因子的存在性定理。
• 不一致性管理： 提供了一种原则性的机制，通过代数手段量化并解决不一致性，而不是丢弃矛盾的判断。参数 $\alpha$ 直接作为冲突程度的度量指标。
• 表达力： 允许决策者以自然的数学形式（线性、非线性、区间）表达偏好，而不必强行将其纳入成对矩阵结构。
• 实际应用： 包含了用于求解此类系统的说明性数值示例及 Python 代码实现。
• 对比分析： 系统地将 $\alpha$-DMCDM 与 AHP、TOPSIS、VIKOR、PROMETHEE 及加权求和法进行对比，强调了其在处理非线性偏好、区间不确定性和不一致数据方面的独特能力，同时保持了与特征值法相当的计算易处理性。

结果与说明性示例
本文通过三个具体案例展示了该方法：

1. 线性循环案例： 对于一个满足 $x_1 = 2x_2$，$x_2 = 3x_3$ 且 $x_3 = 4x_1$ 的系统（循环不一致），该方法计算出 $\alpha \approx 0.346$。得到的权重为 $(0.26, 0.37, 0.37)$，这为传统 AHP 因不一致而无法生成权重的场景提供了解决方案。
2. 区间案例： 对于环境准则中模糊的重要性范围，该方法推导出一个可容许的 $\alpha$ 区间 $[0.346, 0.550]$。通过选择一个代表性的 $\alpha$，可以得到区间值权重，从而允许决策者探索风险规避或风险偏好的立场。
3. 非线性案例： 对于包含二次和对数关系的决策采用研究，该方法通过求解超越方程找到 $\alpha \approx 0.45$，生成的权重反映了特定的非线性行为洞察（例如边际收益递减）。

意义与主张
本文声称 $\alpha$-折扣法弥合了经典决策理论与现代不确定性感知推理之间的鸿沟。其主要意义在于将不一致性从一种负面诊断（拒绝数据的理由）转变为一种可操作的信息（可量化的参数 $\alpha$）。通过在保留线性方法代数简洁性的同时，扩展其表达能力以涵盖非线性及不确定数据，该方法被呈现为复杂工程、战略规划及人工智能驱动的偏好聚合领域的一种鲁棒替代方案。作者将 $\alpha$-DMCDM 定位为并非要取代所有现有方法，而是作为在偏好结构本质上具有矛盾性、不完整性或非线性时的必要扩展。

局限性与未来方向
论文坦诚地承认了一些局限性，包括多项式方程可能存在多个正根（需要领域知识进行选择）、超大规模系统的扩展性挑战，以及从业者理解 $\alpha$ 指标所需的培训。建议的未来研究方向包括：利用机器学习进行偏好提取、开发动态随时间变化的 $\alpha$ 框架，以及开发图形界面以可视化由 $\alpha$ 引起的超平面几何变形。