基于空间分解增强的多价值链协同评价系统与方法与流程

1.本发明涉及多目标决策的技术领域，具体涉及一种利用多个已有的多指标加权评价结果对另一个多指标加权评价进行优化的基于空间分解增强的多价值链协同评价的数据智能方法。


背景技术：

2.综合打分法等多目标决策和多指标评价方法应用非常普遍；显然，对于同一类对象（被评价者），不同的评价者由于自身的需求不同，会有类似但是不同的评价体系，表现为相同的评价指标、不同的权重；例如：多个汽车总装厂对于供应商都从合作经验、产品诞生、质量方法、外购件、生产、顾客关怀这几个指标进行评价，但评价权重各不相同；尽管多个评价体系不同，但毕竟都是对同一类对象进行评价，因此其评价结果应有较强的正相关性；当其中一些评价者做出了评价之后，后续评价者可以借助这一评价结果对自己的评价工作进行优化，而目前的文献尚缺乏对此的定量方法；在某些特殊情形，例如信息不对称情形下，这种借鉴他人的评价结果显得尤为重要；比如：当a品牌汽车的产业链中的合格供应商e1、b品牌汽车的产业链中的合格供应商e2、既是a品牌汽车又是b品牌汽车的产业链中的合格供应商e3、普通供应商e4参与c品牌汽车的合格供应商评价时，出于保护a、b产业链商业机密的目的，e1、e2、e3未向c品牌汽车提供全面的信息，导致c对e1、e2、e3的评价较低；此时，如果c评价者考虑到e1、e2、e3已经是a或b的合格供应商，而对其的评价得分进行某种增强（乘以大于1的增强系数），以还原其真实的能力，则更有利于c得出对e1、e2、e3的客观评价；然而要做到这样的评价增强，面临如下问题：
①
c并不知道e1、e2、e3在a、b评价过程中的具体指标得分；
②
a、b的评价体系存在差异，例如e1、e2在两次评价中的排序就不同，因此很难确定对这些评价结果应该如何综合考虑；
③
e4尽管不是a、b的合格供应商，但可能其根本没有参加a、b的合格供应商评价，其能力并不一定就差，简单地对e1、e2、e3进行增强并不科学；
④
增强系数缺乏科学的计算方法。


技术实现要素：

3.本发明提供一种基于空间分解增强的多价值链协同评价系统与方法，旨在解决的技术问题之一是：现有技术中对评价者评价不够客观的技术问题。
4.考虑到现有技术的上述问题，根据本发明公开的一个方面，本发明采用以下技术方案：一种基于空间分解增强的多价值链协同评价方法，其包括：s1.对有被评价者先后参与过0至n-1个评价体系评价的场景，第n次评价的评价者kn获取前n-1次评价中所有评价者ki设置的评价权重向量wi=(w
i1
,w
i2
,
…
,w
im
)（i=1,2,
…
,n-1），并获取评出的被评价者优胜者集合ei（i=1,2,
…
,n-1）；s2.评价者kn设置评价权重，收集参加第n次评价的评价者kn评选的被评价者集合en
向评价者kn提供的信息，通过评价打分得到若干关于每一被评价者e
nk
（k=1,2,
…
）的得分向量；s3.评价者kn利用n-1次评价体系中的权重向量所张成的子线性空间及其正交补空间，将第n次评价体系的权重向量向子线性空间和正交补空间进行投影，并利用权重向量的极大线性无关组构成的基对子线性空间的投影进行线性分解，使各评价体系的相似部分、差异部分分离；s4.评价者kn通过之前n-1次评价中优胜者集合及前n-1次评价中的评价体系权重向量，定量计算增强倍数，对前n-1次评价中的优胜者的得分向量的分量进行增强，实现对隐藏信息的还原，提高第n次评价的客观性以及优胜者的总体水平；s5.根据评价权重，按照得分向量加权计算各被评价者的总体得分，并选择第n次评价的优胜者。
5.为了更好地实现本发明，进一步的技术方案是：进一步地，所述s2步骤中，包括：s21.第n个评价者kn对所述评价体系设置评价权重向量wn=(w
n1
,w
n2
,
…
,w
nm
)；s22.第n个评价者kn根据集合en中的被评价者e
nk
向评价者kn提供的信息，对每个指标qj的表现进行打分v
kj
（k=1,2,
…
,s；j=1,2,
…
,m），得到s个向量vk=(v
k1
, v
k2
,
…
, v
km
)（k=1,2,
…
,s）。
6.进一步地，所述s3步骤中，包括：s31.评价者kn在向量组{w1,w2,
…
,w
n-1
}中任取一组极大线性无关组{z1,z2,
…
,z
t
}（t为[1,n-1]区间上的整数），计算权重向量wn在向量组{z1,z2,
…
,z
t
}张成的子线性空间l1上的投影w
(1)
；s32.评价者kn计算权重向量wn在子线性空间l1的正交补空间l2上的投影w
(2)
=w
n-w
(1)
；s33.评价者kn计算w
(1)
在向量组{z1,z2,
…
,z
t
}的线性表出w
(1)
= ；s34.评价者kn计算集合en中每个被评价者e
nk
的垂直得分v
k(2)
=w
(2)
·
vk（k=1,2,
…
,s）。
[0007]
进一步地，所述s4步骤中，包括：s41.评价者kn对向量组{z1,z2,
…
,z
t
}的所有向量zi按如下步骤计算增强因子λi（i=1,2,
…
,t）：若e=en∩ei是空集，或en=e，则λi=1；反之：（1）kn计算优胜数ci=ci= ，其中函数δ(x)表示布尔变量x的示性函数，即δ(x)=
ꢀꢀ
，下同）；（2）kn计算集合en中每个被评价者e
nk
的平行得分v
k(1)
=(α
i zi)
·
vk(k=1,2,
…
,s)；（3）评价者kn计算实变量λ的方程c(λ)-ci=0的数值解λi，其中函数c(λ)= s42.评价者kn计算集合en中每个被评价者e
nk
的增强得分sk=
（k=1,2,
…
,s），并选择其中增强得分最高的若干个被评价者作为评价者kn的优胜者。
[0008]
进一步地，所述步骤s41中，评价者kn计算实变量λ的方程解法中，利用bolzano-cauchy第一定理和对分搜索法进行求解。
[0009]
进一步地，所述步骤s41中，评价者kn计算实变量λ的方程解法中，若遇到多个解，则任意选择其中一个解。
[0010]
进一步地，所述步骤s41中，评价者kn计算实变量λ的方程解法中，若c(λ)-ci（i=1,2,
…
,n-1）值域的离散性导致没有解，则采用插值法求近似解。
[0011]
进一步地，所述步骤s2中，通过专家打分法或指标打分法进行打分。
[0012]
进一步地，所述评价者为采购商，所述被评价者为供应商；或所述评价者为发包方，所述被评价者为承包方；或所述评价者为集成商，所述被评价者为制造商。
[0013]
本发明还可以是：一种基于空间分解增强的多价值链协同评价系统，其包括：采集模块，用于采集被评价者先后参与0至n-1个评价体系中的权重向量wi=(w
i1
,w
i2
,
…
,w
im
) ，和按照所述权重向量wi=(w
i1
,w
i2
,
…
,w
im
)构建的优胜者集合 ei（i=1,2,
…
,n-1）；数据接收模块，用于接收被评价者e
nk
向评价者kn提供的信息；打分模块，用于根据被评价者e
nk
向评价者kn提供的信息，和设置的评价权重，对每一被评价者e
nk
的指标表现进行打分，并获得相关得分向量；空间分解模块，用于评价者kn利用n-1次评价体系中的权重向量所张成的子线性空间及其正交补空间，将第n次评价体系的权重向量向子线性空间和正交补空间进行投影，并利用权重向量的极大线性无关组构成的基对子线性空间的投影进行线性分解，使各评价体系的相似部分、差异部分分离；增强评价模块，用于第n次评价的评价者kn通过之前n-1次评价中优胜者及前n-1次评价中的评价体系权重向量，定量计算增强倍数，对前n-1次评价中的优胜者进行增强，实现对隐藏信息的还原，利用计算出来的增强得分作为最终评价依据，提高第n次评价的客观性以及优胜者的总体水平。
[0014]
与现有技术相比，本发明的有益效果之一是：本发明的一种基于空间分解增强的多价值链协同评价系统与方法，巧妙地建立起一种包容多套差异化指标的评价体系，按照前n-1次评价体系中权重向量所张成的子线性空间及其正交补空间，将第n次评价体系的权重向量向子线性空间和正交补空间进行投影，并利用权重向量的极大线性无关组构成的基对子线性空间的投影进行线性分解，不仅使各评价体系的相似部分、差异部分得以分离，而且为信息非对称条件下的评价体系还原创造了条件；此时，第n次评价的评价者仅仅需要知道被评价者是否在前n-1次评价中优胜（合格），以及前n-1次评价中的评价体系权重向量，就能定量计算增强倍数λi（i=1,2,
…
,n-1），对前n-1次评价中的优胜者进行增强，从而部分实现对隐藏信息的还原，提高第n次评价的客观性以及优胜者的总体水平。
附图说明
[0015]
为了更清楚的说明本技术文件实施例或现有技术中的技术方案，下面将对实施例或现有技术的描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅是对本技术文件中一些实施例的参考，对于本领域技术人员来讲，在不付出创造性劳动的情况下，还可以根据这些附图得到其它的附图。
[0016]
图1为根据本发明一个实施例的权重向量空间分解示意图。
[0017]
图2为根据本发明一个实施例的基于空间分解增强的多价值链协同评价系统示意图。
具体实施方式
[0018]
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
[0019]
参见图1所示，一种基于空间分解增强的多价值链协同评价方法，其包括：s1.对有被评价者先后参与过0至n-1个评价体系评价的场景，第n次评价的评价者kn获取前n-1次评价中所有评价者ki设置的评价权重向量wi=(w
i1
,w
i2
,
…
,w
im
)（i=1,2,
…
,n-1），并获取评出的被评价者优胜者集合ei（i=1,2,
…
,n-1）；其中，其中，评价权重向量wi=(w
i1
,w
i2
,
…
,w
im
) （i=1,2,
…
,n-1）可以由评价者ki根据其对不同指标的喜好程度设置。
[0020]
以及评价者ki可以根据其需要，设置所需的ki优胜者数量（i=1,2,
…
,n-1）。
[0021]
以上的指标打分方法可以为专家打分法或其他定量评价方法。
[0022]
s2.评价者kn设置评价权重，收集参加第n次评价的被评价者集合en向评价者kn提供的信息，通过评价打分得到若干关于每一被评价者e
nk
（k=1,2,
…
）的得分向量；其中，具体操作过程可以包括以下优选方案：s21.第n个评价者kn对所述评价体系设置评价权重向量wn=(w
n1
,w
n2
,
…
,w
nm
)；s22.第n个评价者kn根据集合en中的被评价者e
nk
向评价者kn提供的信息，对每个指标qj的表现进行打分v
kj
（k=1,2,
…
,s；j=1,2,
…
,m），得到s个向量vk=(v
k1
, v
k2
,
…
, v
km
)（k=1,2,
…
,s）。
[0023]
以上的打分方法，可以采用专家打分法或指标打分法进行打分，但发明并不局限于此。
[0024]
s3.评价者kn利用n-1次评价体系中的权重向量所张成的子线性空间及其正交补空间，将第n次评价体系的权重向量向子线性空间和正交补空间进行投影，并利用权重向量的极大线性无关组构成的基对子线性空间的投影进行线性分解，使各评价体系的相似部分、差异部分分离。
[0025]
其中，本s3步骤中，可具体优选以下方案：s31.评价者kn在向量组{w1,w2,
…
,w
n-1
}中任取一组极大线性无关组{z1,z2,
…
,z
t
}（t为[1,n-1]区间上的整数），计算权重向量wn在向量组{z1,z2,
…
,z
t
}张成的子线性空间l1上的投影w
(1)
；s32.评价者kn计算权重向量wn在子线性空间l1的正交补空间l2上的投影w
(2)
=w
n-w
(1)
；s33.评价者kn计算w
(1)
在向量组{z1,z2,
…
,z
t
}的线性表出w
(1)
= ；
s34.评价者kn计算集合en中每个被评价者e
nk
的垂直得分v
k(2)
=w
(2)
·
vk（k=1,2,
…
,s）（x
·
y均表示两个矢量x、y的内积，下同）。
[0026]
s4.评价者kn通过之前n-1次评价中优胜者集合及前n-1次评价中的评价体系权重向量，定量计算增强倍数，对前n-1次评价中的优胜者的得分向量的分量进行增强，实现对隐藏信息的还原，提高第n次评价的客观性以及优胜者的总体水平；其中，本s4步骤中，可以采用以下优选方案：s41.评价者kn对向量组{z1,z2,
…
,z
t
}的所有向量zi按如下步骤计算增强因子λi（i=1,2,
…
,t）：若e=en∩ei是空集，或en=e，则λi=1；反之：（1）kn计算优胜数ci= ；（函数δ(x)均表示布尔变量x的示性函数，即δ(x)= ，下同）。
[0027]
（2）kn计算集合en中每个被评价者e
nk
的平行得分v
k(1)
=(α
i zi)
·
vk(k=1,2,
…
,s)；（3）评价者kn计算实变量λ的方程c(λ)-ci=0的数值解λi，其中函数c(λ)=由于λ足够大时c(λ)-ci≥0且c(-λ)-ci≤0，因此根据bolzano-cauchy第一定理（零点存在定理）定理，该方程必有解，并可以采用对分搜索法等算法进行求解；当对分法的搜索区间[λ
(1)
,λ
(2)
]长度缩小到0.01时，若p(λ
(1)
)=p(λ
(2)
)，则取λi=λ
(1)
；否则采用插值法得到λ
i = ，即采用插值法求得近似解；如果遇到多个解，则任意选择其中一个。
[0028]
s42.评价者kn计算集合en中每个被评价者e
nk
的增强得分sk= （k=1,2,
…
,s），并选择其中增强得分最高的若干个被评价者作为评价者kn的优胜者。此处，kn根据其需要，设置所需的kn优胜者数量；如果出现多个被评价者增强得分相同的情况，kn可以根据喜好或者其他的原则对增强得分相同的被评价者进行排序。
[0029]
如图2所示，一种基于空间分解增强的多价值链协同评价系统，其包括：采集模块，用于采集被评价者先后参与0至n-1个评价体系中的权重向量wi=(w
i1
,w
i2
,
…
,w
im
)和按照该权重向量构建的优胜者集合 ei（i=1,2,
…
,n-1）；数据接收模块，用于接收被评价者e
nk
向评价者kn提供的信息；打分模块，用于根据被评价者e
nk
向评价者kn提供的信息，和设置的评价权重，对每一被评价者e
nk
的指标表现进行打分，并获得相关得分向量；空间分解模块，用于评价者kn利用n-1次评价体系中的权重向量所张成的子线性空间及其正交补空间，将第n次评价体系的权重向量向子线性空间和正交补空间进行投影，并利用权重向量的极大线性无关组构成的基对子线性空间的投影进行线性分解，使各评价体系的相似部分、差异部分分离；增强评价模块，用于第n次评价的评价者kn通过之前n-1次评价中优胜者及前n-1次评价中的评价体系权重向量，定量计算增强倍数，对前n-1次评价中的优胜者进行增强，
实现对隐藏信息的还原，利用计算出来的增强得分作为最终评价依据，提高第n次评价的客观性以及优胜者的总体水平。
[0030]
以上基于空间分解增强的多价值链协同评价系统与方法，可应用在企业供应环节（合格供应商评价）、制造环节（作业承担单位/团队选择）、营销环节（宣传渠道、销售渠道选择）、管理环节（部门/员工评价），尤其是多个价值链（产业链）之间协同优化；同时，还可以用在各种涉及多目标决策或多指标评价的应用领域，以利用一个已有的多指标加权评价结果对另一个多指标加权评价进行优化；下面以汽车产业链领域为例，以对本发明做进一步说明：针对包含5个汽车产业链的多产业链仿真场景，其中分别以汽车厂k1、k2、k3、k4为核心企业的4个产业链已经对候选天窗供应商进行了评价，并选出若干个合格供应商；另一个以汽车厂k5为核心企业的产业链需要在30个候选天窗供应商中选出10个合格供应商；本发明方法为汽车厂k5提供选择合格供应商的优化方法，步骤如下：（1）对于包含20个指标q1,q2,
…
,q
20
的评价体系，4个评价者ki（i=1,2,3,4）设置评价权重向量wi=(w
i1
,w
i2
,
…
,w
i,20
)，对提交ki评价的多个被评价者进行指标打分和加权，按加权后的综合得分，选出得分最高的若干个ki优胜者，构成ki优胜者集合ei（i=1,2,3,4）；此处，ki根据其喜好和需要，设置评价权重向量wi=(w
i1
,w
i2
,
…
,w
i,20
)和所需的ki优胜者数量，指标打分方法可以为专家打分法或其他定量评价方法；（2）对于参加评价者k5评价的30个被评价者组成的集合e5={e
5,1
, e
5,2
,
…
, e
5,30
}，k5按照如下步骤遴选出k5优胜者：（2.1）k5根据自己的喜好，对步骤（1）中的同一个评价体系设置评价权重向量w5=(w
5,1
,w
5,2
,
…
,w
5,20
)；（2.2）k5根据e5中每个被评价者e
5k
向k5提供的信息，对e
5k
每个指标qj的表现进行打分v
kj
（k=1,2,
…
,30；j=1,2,
…
,20），得到30个向量vk=（v
k1
, v
k2
,
…
, v
k20
）（k=1,2,
…
,30）；此处，指标打分方法可以为专家打分法或其他定量评价方法；（2.3）k5获得所有评价者ki评价权重向量wi（i=1,2,3,4）；（2.4）k5在向量组{w1,w2, w3,w4}中任取一组极大线性无关组{z1,
ꢀ…
,z
t
}（t≤4），计算w5在向量组{z1,
…
,z
t
}张成的子线性空间l1上的投影w
(1)
；此处，极大线性无关组可以通过如下方法计算：将列向量排列成矩阵，进行初等变换成为阶梯形，所有非零行第一个非零元素所在的列所对应的变换前的列向量就构成极大线性无关组；向量在线性无关向量组张成的子线性空间上的投影可以通过最小二乘法计算；（2.5）k5计算w5在l1的正交补空间l2上的投影w
(2)
=w
5-w
(1)
；（2.6）k5计算w
(1)
在向量组{z1,z2,
…
,z
t
}的线性表出w
(1)
= ；此处，线性表出可以通过求解该线性方程组得到。由于l1为线性无关向量组{z1,z2,
…
,z
t
}张成的子线性空间，因此{z1,z2,
…
,z
t
}构成l1的一组基，而w
(1)
∈l1，因此该线性方程组有唯一解，可以通过初等变化法求解。
[0031]
（2.7）k5计算被评价者集合e5中每个元素e
5k
的垂直得分v
k(2)
=w
(2)
·
vk（k=1,2,
…
,30）；（2.8）k5对向量组{z1,
…
,z
t
}的所有向量zi按如下步骤计算增强因子λi（i=1,
…
,t）：
（2.8.1）如果e=e5∩ei是空集，或e5=e，则λi=1；（2.8.2）否则：（2.8.2.1）k5计算优胜数ci= ，函数δ(x)均表示布尔变量x的示性函数，即δ(x)= ）；（2.8.2.2）k5计算被评价者集合e5中每个元素e
5k
的平行得分v
k(1)
=(α
i zi)
·
vk(k=1,2,
…
,30)；（2.8.2.3）k5计算实变量λ的方程c(λ)-ci=0的数值解λi，其中函数c(λ)= ；特别说明：由于λ足够大时c(λ)-ci≥0且c(-λ)-ci≤0，因此利用bolzano-cauchy第一定理（零点存在定理）和对分搜索法等算法进行求解；当对分法的搜索区间[λ
(1)
,λ
(2)
]长度缩小到0.01时，若p(λ
(1)
)=p(λ
(2)
)，则取λi=λ
(1)
；否则采用插值法得到λ
i =
ꢀꢀ
；如果遇到多个解，则任意选择其中一个；（2.9）k5计算被评价者集合e5中每个元素e
5k
的增强得分sk=
ꢀꢀ
（k=1,2,
…
,30），并选择其中增强得分最高的若干个被评价者作为k5优胜者；此处，k5根据其需要，设置所需的k5优胜者数量；如果出现多个被评价者增强得分相同的情况，k5可以根据喜好或者其他的原则对增强得分相同的被评价者进行排序。
[0032]
综上，在信息非对称的条件下，本发明方法按照前n-1次评价体系中权重向量所张成的子线性空间及其正交补空间，将第n次评价体系的权重向量向子线性空间和正交补空间进行投影，并利用权重向量的极大线性无关组构成的基对子线性空间的投影进行线性分解，不仅使各评价体系的相似部分、差异部分得以分离，而且为信息非对称条件下的评价体系还原创造了条件；此时，第n次评价的评价者仅仅需要知道被评价者是否在前n-1次评价中优胜（合格），以及前n-1次评价中的评价体系权重向量，就能定量计算增强倍数λi（i=1,2,
…
,n-1），对前n-1次评价中的优胜者进行增强，从而部分实现对隐藏信息的还原，提高第n次评价的客观性以及优胜者的总体水平。
[0033]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同相似部分相互参见即可。
[0034]
在本说明书中所谈到的“一个实施例”、“另一个实施例”、
ꢀ“
实施例”等，指的是结合该实施例描述的具体特征、结构或者特点包括在本技术概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说，结合任一实施例描述一个具体特征、结构或者特点时，所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。
[0035]
尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本技术公开的原则范围和精神之内。更具体地说，在本技术公开和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外，对于本领域技术人员来说，其他的用途也将是明显的。