mcdm 1.2

麦当劳

多准则决策算法的Python实现

安装

可以使用Python 3的pip从PyPI安装mcdm包：

$ pip3 install mcdm

或者，您可以从其GitHub存储库安装mcdm包的最新版本：

^{pr2}$

您可以使用以下命令执行mcdm包的所有测试：

$ python3 -m unittest discover mcdm

特点

下表包括mcdm包支持的评分、权重、相关性和规范化方法。在

评分方法

Short Name	Full Name	References
SAW	Simple Additive Weighting	[1], [4]
MEW	Multiplicative Exponential Weighting	[4]
TOPSIS	Technique for Order Preference by Similarity to Ideal Solution	[1]
mTOPSIS	Modified Technique for Order Preference by Similarity to Ideal Solution	[5]

加权方法

^{tb2}$

相关方法

^{3}$

归一化方法

Short Name	Full Name	References
Linear1	Linear Normalization (1)	[1], [6]
Linear2	Linear Normalization (2)	[1], [6]
Linear3	Linear Normalization (3)	[1], [6]
Vector	Vector Normalization	[1], [6]

使用

导入mcdm包后，可以使用内置的help函数查看其内容：

>>> import mcdm
>>> help(mcdm)

可以类似地查看其子包的内容，例如：

>>> help(mcdm.weighting)

mcdm包可以通过其rank函数计算备选方案的排名，这些方案作为array_like对象提供。 默认情况下，rank函数使用SAW评分法，即MW加权法，并假设决策矩阵包含具有标准化收益标准的未命名备选方案：

>>> x_matrix = [
...     [0.00, 1.00],
...     [0.25, 0.75],
...     [0.50, 0.50],
...     [0.75, 0.25],
...     [1.00, 0.00],
... ]
>>> mcdm.rank(x_matrix)
[('a1', 0.5), ('a2', 0.5), ('a3', 0.5), ('a4', 0.5), ('a5', 0.5)]

您可以选择使用新的评分方法，而不更改其余的默认选择，如下所示：

>>> x_matrix = [
...     [0.00, 1.00],
...     [0.25, 0.75],
...     [0.50, 0.50],
...     [0.75, 0.25],
...     [1.00, 0.00],
... ]
>>> mcdm.rank(x_matrix, s_method="MEW")
[('a3', 0.5000000000000001), ('a2', 0.4330127018922193), ('a4', 0.4330127018922193), ('a1', 0.0), ('a5', 0.0)]

或者，您也可以使用TOPSIS评分方法和预定义的权重，如下所示：

>>> x_matrix = [
...     [0.00, 1.00],
...     [0.25, 0.75],
...     [0.50, 0.50],
...     [0.75, 0.25],
...     [1.00, 0.00],
... ]
>>> mcdm.rank(x_matrix, w_vector=[0.7, 0.3], s_method="TOPSIS")
[('a5', 0.7), ('a4', 0.6504133360970108), ('a3', 0.5), ('a2', 0.3495866639029891), ('a1', 0.3)]

您也可以使用TOPSIS评分法，并将效益和成本标准结合起来，如下所示：

>>> x_matrix = [
...     [0.00, 1.00],
...     [0.25, 0.75],
...     [0.50, 0.50],
...     [0.75, 0.25],
...     [1.00, 0.00],
... ]
>>> mcdm.rank(x_matrix, is_benefit_x=[True, False], s_method="TOPSIS")
[('a5', 1.0), ('a4', 0.75), ('a3', 0.5), ('a2', 0.25000000000000006), ('a1', 0.0)]

或者，您也可以使用TOPSIS评分法、SD加权法和向量归一化法，并将其命名为以下备选方案：

>>> x_matrix = [
...     [4,  5, 10],
...     [3, 10,  6],
...     [3, 20,  2],
...     [2, 15,  5],
... ]
>>> alt_names = ["A", "B", "C", "D"]
>>> mcdm.rank(x_matrix, alt_names=alt_names, n_method="Vector", w_method="SD", s_method="TOPSIS")
[('A', 0.5623140105790617), ('D', 0.472563994792934), ('C', 0.4474283120076966), ('B', 0.43874437587505694)]

类似地，您可以使用SAW评分法、临界加权法和Linear2规范化方法，并将其命名为以下选项：

>>> x_matrix = [
...     [4,  5, 10],
...     [3, 10,  6],
...     [3, 20,  2],
...     [2, 15,  5],
... ]
>>> alt_names = ["A", "B", "C", "D"]
>>> mcdm.rank(x_matrix, alt_names=alt_names, n_method="Linear2", w_method="CRITIC", s_method="SAW")
[('C', 0.5864039798997854), ('A', 0.5363555775174913), ('B', 0.42272592958624855), ('D', 0.41815995516110754)]

此外，您还可以使用mTOPSIS评分方法、EM加权方法和Linear3标准化方法以及命名的备选方案，如下所示：

>>> x_matrix = [
...     [4,  5, 10],
...     [3, 10,  6],
...     [3, 20,  2],
...     [2, 15,  5],
... ]
>>> alt_names = ["A", "B", "C", "D"]
>>> mcdm.rank(x_matrix, alt_names=alt_names, n_method="Linear3", w_method="EM", s_method="mTOPSIS")
[('A', 0.5671982017516887), ('D', 0.4737709007480381), ('B', 0.44023602515388915), ('C', 0.43979056725587967)]

此外，您还可以使用新评分法、VIC加权法和Linear1标准化方法以及命名备选方案，如下所示：

>>> x_matrix = [
...     [4,  5, 10],
...     [3, 10,  6],
...     [3, 20,  2],
...     [2, 15,  5],
... ]
>>> alt_names = ["A", "B", "C", "D"]
>>> mcdm.rank(x_matrix, alt_names=alt_names, n_method="Linear1", w_method="VIC", s_method="MEW")
[('A', 0.596199006150288), ('B', 0.5926510141687035), ('D', 0.5816528401371021), ('C', 0.507066254464828)]

最后，您可以使用mcdm包的load函数从文本文件（例如，example09.tsv文件）加载一个决策矩阵，然后使用新的评分方法和VIC加权方法计算其备选方案的排名，如下所示：

>>> x_matrix, alt_names = mcdm.load("./mcdm/tests/data/example09.tsv", delimiter="\t", skiprows=1, labeled_rows=True)
>>> mcdm.rank(x_matrix, alt_names=alt_names, w_method="VIC", s_method="MEW")
[('COORD.PRoPHET', 0.47540101629920883), ('DF.PRoPHET', 0.4720540449389032), ('CnR.LTS', 0.38076976314696165), ('SimBetTS.L8', 0.3800058193419937), ('SimBetTS.L16', 0.3799920328578032), ('CnR.DestEnc', 0.37944808013507936), ('LSF-SnW.L16', 0.37739981242275067), ('DF.DestEnc', 0.3737879965369727), ('COORD.DestEnc', 0.3735362169300779), ('SimBetTS.L4', 0.372439515643607), ('LSF-SnW.L8', 0.3689450285406012), ('DF.LTS', 0.36604297140966213), ('COORD.LTS', 0.36532018876831296), ('LSF-SnW.L4', 0.34498575401083065), ('CnF.PRoPHET', 0.344899433667112), ('CnF.DestEnc', 0.34080904510687654), ('CnF.LTS', 0.33682425293123014), ('SnF.L8', 0.3338134560941729), ('SnF.L4', 0.3310799577048607), ('CnR.PRoPHET', 0.3283706628162786), ('SnF.L2', 0.3282710142810222), ('SnF.L16', 0.325965295985982), ('SimBetTS.L2', 0.3198197170434966), ('LSF-SnW.L2', 0.28336307866897725), ('CnR.Enc', 0.25388909503755097), ('DF.Enc', 0.19642752820544426), ('COORD.Enc', 0.18527125018989776), ('Epidemic', 0.17618218317052287), ('Direct', 0.14463684900589485), ('EBR.L16', 0.14427544773753895), ('SnW.L16', 0.14419569083973272), ('EBR.L2', 0.139576851541699), ('SnW.L2', 0.1393465080643217), ('SnW.L8', 0.13728835719879856), ('EBR.L8', 0.13728300706136987), ('EBR.L4', 0.13654721879934206), ('SnW.L4', 0.1364251455180083), ('CnF.Enc', 0.11713353969310777)]

参考文献

[1]C.-L.Hwang和K.Yoon，多属性决策。经济学和数学系统的讲稿。柏林海德堡施普林格出版社，1981年，第186卷，ISBN:9783540105589。在

J.L.Rodgers和W.A.Nicewander，《十三种看待相关系数的方法》，《美国统计学家》第42卷第1期，第59-66页，1988年。DOI:10.2307/2685263。在

《多准则问题中目标权重的确定：批评方法》，第22卷，第7期，第763-770页，1995年。DOI:10.1016/0305-0548(94)00059-H。在

《多属性决策：选择方法的模拟比较》，S.H.Zanakis，A.Solomon，N.Wishart，和S.Dublish，“多属性决策：选择方法的模拟比较”，欧洲运筹学杂志，第107卷，第3期，第507-529页，1998年。DOI:10.1016/S0377-2217(97)00147-1。在

《利用改进的TOPSIS与客观权重进行公司间比较》，第27卷，第10期，第963-9732000页。DOI:10.1016/S0305-0548(99)00069-6。在

[a11}H.-S.Shih，H.-J.Shyur，E.S.Lee，“群体决策的TOPSIS扩展”，《数学与计算机建模》，第45卷，第7-8期，第801-8132007页。DOI:10.1016/j.mcm.2006.03.023。在

斯泽克利，M、 L.Rizzo和N.K.Bakirov，“通过距离相关性测量和检验相关性”，《统计学年鉴》，第35卷，第6期，第2769-2794页，2007年。DOI:10.1214/009053607000000505。在

[8]G.J.Székely和M.L.Rizzo，“布朗距离协方差，应用统计学年鉴，第3卷，第4期，第1236-12652009页。DOI:10.1214/09-AOAS312。在

[9]D.-G.Akestoridis and E.Papapetrou，“机会网络中路由协议评估框架”，计算机通信，第145卷，第14-28页，2019年。DOI:10.1016/j.comcom.2019.06.003。在

许可证

版权所有（c）2020 Dimitrios Georgios Akestoridis

这个项目是根据麻省理工学院的许可条款授权的。在

标签：

• 项目

欢迎加入QQ群-->： 979659372

推荐PyPI第三方库

• pyglet-ffmpeg-two

  平台轮子与ffmpeg二进制文件和ctypes for pyglet

• WaterTankMonitoringSystem-pkg-THRMAT007-LKYROS001

  设计项目

• odoo13-addon-base-cron-exclusion

  允许您选择不应同时运行的计划操作。

• hazp

  FEMA Hazus开源库

• NREL-reVX

  国家可再生能源实验室（NREL）可再生能源潜力（V）交换工具：reVX

• nemf

  基于网络的生态系统建模框架

• adafruit-circuitpython-icm20x

  ST ICM20X宽量程6自由度加速度计和陀螺仪系列库

• scrapy-scrapingbee

  ScrapingBee对Scrapy的JavaScript支持和代理旋转

• socksio

  SOCKS4、SOCKS4A和SOCKS5的SansI/O实现。

• Mclrr-Securit

  对密码进行编码和检查的包

• urigui

  实用程序CLI，用于向URI在线判断提交解决方案。

• sceptre-git-clone-hook

  Git克隆挂钩

• ajenti.plugin.cron

  克朗

• R3C

  R3C：机密数据和事物的区块链。

• pymaft

  PyMAFT是一个在Python中模拟活动场理论模型的数值库。