C#毕业设计——基于C#+层次分析法+AHP的项目评审中专家遴选方法设计与实现（( 六 ) _矩阵

3.1.1相关算法的不足
虽然层次分析法有很多优点，能有效地解决多准则决策问题。但是在基于层次层析法的决策支持算法中，通常有以下两点不足。
(1)指标值标准化的方法很好地支持决策。在2.3.2一节中介绍了几种常用的指标标准化方法，这些标准化方法虽然都可以对指标进行标准化，但是由于各种方法固有的缺点，不能完全满足对算法对标准化方法的选择要求。例如极差变换法忽略了决策矩阵中指标值的差异性，线性比例法变换后的指标值不能准确的反映出原指标之间的相互关联。
(2)判断矩阵的构造困难，并且一致性较差。判断矩阵的构造，通常是咨询相关专家，根据专家的建议来构造层次结构模型中的各个每个判断矩阵。但是这种方法过度依赖于专家的主观判断，而标度的定义并不是十分精确的。当因素过多时，专家对于指标影响程度对比的判断会愈发困难，尤其是当指标都很重要时，难以准确判断哪个指标更加重要。所以通常这样构造出的判断矩阵的一致性较差。
3.1.2指标值的优化归一法
专家遴选算法中的标准化方法需要解决以下几个问题(1)能够区分正逆向指标(2)能够处理小于0的指标值(3)能够反映出原来指标值之间的差异性(4)能够客观地反映出原指标值之间的相互关系。在分析了各种标准化法的优劣的基础上，针对归一化法提出了一种优化归一法对指标进行标准化处理。
优化归一法的具体算法步骤如下：
优化归一法保留了传统归一化算法的以下优点:(1)标准化考虑了指标值之间的差异性，处理后的标准值能够真实反映原来指标值之间的关系；(2)将所有指标均转化为正向指标(3)适用于当指标值为负值的情况，经过该方法处理后，标准化指标值满足。同时优化归一法克服了传统归一化标准化法的一下劣势:(1)没有考虑到决策矩阵中不同指标值之间的差异性;(2)仅适用于指标值都为非负数的情况(3)指标的方向没有统一，经过归一化之后的指标依然维持原来的方向。
3.1.3使用排序赋值法构造判断矩阵
为了克服传统的判断矩阵构造的弊端，王懋赞等人提出了一种创建判断矩阵的排序赋值法[5]，通过该方法可以降低判断矩阵构造的困难，减少专家对于指标重要性判断的难度，提高构造出的判断矩阵的一致性。具体的方法如下：
(1)假设有n个指标，l个对参与判断矩阵构造的专家。让每个专家分别按照自己的判断，对指标的重要性进行排序，序号从1开始，越小前代表越重要。同时给出最重要的指标和最不重要指标的重要性比率，的度量按照表2-1的定义取值，表示第k个专家给出的最重要指标和最不重要指标的重要性比率。
3.2专家评价指标及评价标准的建立
3.2.1专家评价指标体系
专家指标体系的建立，是为了能够全面、客观、准确的反应专家的各方面情况，是专家遴选算法的基础。不全面的评价体系会遗漏一些重要指标，而这些指标对我们遴选专家的结果产生重要影响。而如果选择了与遴选专家无关的指标，则会对决策过程带来混淆，浪费宝贵的资源去追寻无用的指标。所以专家指标体系的建立必须遵循定量化、可获得性、通俗性的要求。专家库的建立必须满足一下基本条件(1)筛选出具有高水准的专家、学者组成评审专家库(2)严格执行专家的资格审查(3)评审专家的选择需要提现出互补性和代表性。
基于以上的基本要求，制定出一个涵盖了基本情况指标、专业能力指标、道德修养指标以及评价业绩指标四个方面的专家遴选的评价指标体系。根据以上的分析，建立了如下表所示的专家评价指标体系。