TOPSIS-RAD: Ranking According to Desires
本文介绍了 TOPSIS-RAD，这是一种增强型排序方法，它通过引入决策者定义的否决性能水平和期望性能水平来改进传统的 TOPSIS，从而过滤掉不可行的备选方案，将理想解锚定在明确的愿景上，并确保排序对异常值和排名反转具有抵抗力，从而保证排序的稳定性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你是一名招聘经理，正试图从十名求职者中选出最优秀的一位。你有四个标准：经验、教育、技能和性格。
旧方法（传统 TOPSIS）：“年度最佳”问题
在传统方法中，你会观察这十个人，并问：“在这组特定的人当中，谁是绝对最好的？”以及“谁是绝对最差的？”
- 如果有一位申请人拥有 150 年的经验（一个离群值/异常值），他们就会成为衡量其他所有人的“完美得分”基准。
- 如果有一位申请人只有 5 年经验，他们就会成为“最低分”基准。
问题所在：这种系统是脆弱的。
- “离群值”扭曲： 那位拥有 150 年经验的人拉高了整个标尺。突然之间，一位拥有 40 年经验的候选人看起来显得“平庸”了，因为他是在与一个超级英雄进行比较，尽管 40 年其实已经非常出色了。
- “排名反转”故障： 如果你增加第十一名表现极差的候选人，那么“最差”的基准就会发生移动。这可能会导致你的第二优候选人看起来变成了最差，或者第三优的看起来变成了最好的，仅仅是因为群体的构成发生了变化。排名会根据房间里还有谁而发生翻转，而不是基于他们本身有多优秀。
- “梦想与现实”的错位： 该系统假设房间里“最好”的人就是你“想要”的人。但也许你并不需要 150 年的经验，你只需要 10 年。旧方法无法区分“不可能的完美”与“我实际的需求”。
新方法 (TOPSIS-RAD)：“职位描述”法
这篇论文提出了一种新的方法，称为 TOPSIS-RAD（根据欲望进行排序）。与其通过观察这一组人来决定谁最好，不如由你（决策者）在查看申请人之前就设定好规则。
把这想象成在飞镖盘上设置一个目标范围：
1. “否决”线 (VPL) —— 最低门槛
你在地板上画一条线。你说：“如果有人低于这条线，他们就被淘汰。”
- 隐喻： 想象一下过山车的身高要求。如果你只有 4 英尺高，无论你多么想玩，你都不能玩。
- 它如何提供帮助： 在旧方法中，一个身材非常矮小的人可能会拉低全组的“平均”身高，使得其他人看起来比实际更高。在 TOPSIS-RAD 中，你只需直接剔除不符合要求的人。他们不会干扰到那些合格者的计算过程。
2. “理想”天花板 (DPL) —— 饱和点
你在上方画一个天花板。你说：“如果有人高于这条线，我们就不再计算他们的额外得分。”
- 隐喻： 想象你在往桶里注水。一旦桶满了（达到“理想”水平），再注水也不会让桶变得“更满”。多出来的水只会溢出来。
- 它如何提供帮助： 如果你需要 10 年经验，而某位候选人有 100 年，旧方法会将他们视为比拥有 10 年经验的人强 10 倍。TOPSIS-RAD 则会说：“很好，你有 100 年，但我们只需要 10 年。我们将你的分数封顶在 10 年。”这防止了一个“超级候选人”扭曲其他人的得分。它认为拥有 10 年经验和拥有 100 年经验的候选人是等同的，因为他们都达到了你的需求。
结果：一个稳定、更公平的排名
通过使用这两条线（否决底线和理想天花板），该论文表明：
- 离群值不会破坏系统： 一位拥有 150 年经验的候选人不再会让拥有 40 年经验的候选人显得逊色。他们都会被封顶在“理想”水平。
- 排名不会翻转： 如果你在名单中增加一个表现糟糕的候选人，他们只会由于被否决而被排除。他们不会改变优秀候选人的计算逻辑。如果你增加一个新的“超级候选人”，他们只会达到封顶值。优秀的候选人之间的先后顺序将保持完全一致。
- 你得到的是你所要求的： 排名反映的是你的具体需求（例如，“我需要至少 5 年，但我不需要超过 10 年”），而不是仅仅取决于本周谁申请了职位。
总结
传统的 TOPSIS 就像是通过观察这组特定跑者中谁最快来评判比赛。如果出现了一位世界纪录保持者，其他所有人看起来都会变慢。
TOPSIS-RAD 则是通过一个固定的时间限制来评判比赛。如果你需要在 10 分钟内完成才能达标，任何慢于这个时间的人都会被淘汰。如果你完成了 5 分钟或 1 分钟，你们都会获得同样的“金牌”荣誉，因为你们都达到了目标。胜出者是那个最接近目标且未被取消资格的人，无论比赛中还有谁。
论文通过简单的数学示例（称为“玩具示例”）证明了这种方法可以防止排名随着选项组的变化而发生翻转，从而确保最终名单是稳定的，并且真正反映了决策者的真实意图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。