技術特征：

1.一種熵權計算方法，其特征在于，包括：

獲取被評價對象的評價指標，以及每個所述評價指標的熵值；

按照下列公式計算每個所述評價指標的熵權：

${\mathrm{\ω}}_{ej}=\left\{\begin{array}{cc}(1-\stackrel{\‾}{H}){\mathrm{\ω}}_{ej1}+\stackrel{\‾}{H}{\mathrm{\ω}}_{ej2}& H_j\<1\\ 0& H_j=1\end{array}\right.$

${\mathrm{\ω}}_{ej1}=\frac{1-H_j}{\underset{j=1,H_j\≠1}{\overset{m}{\Σ}}(1-H_j)},{\mathrm{\ω}}_{ej2}=\frac{1/H_j}{\underset{j=1,H_j\≠1}{\overset{m}{\Σ}}(1/H_j)}$

其中，ω_ej表示評價指標j的熵權，H_j表示評價指標j的熵值，表示所有不為1的熵值的均值，m表示所述評價指標的數(shù)量，j＝1,2,…,m。

2.一種多目標決策方法，其特征在于，包括：

獲取預先利用多目標算法得到的帕累托解集，并對所述帕累托解集進行標準化處理，得到規(guī)范化矩陣，該矩陣中每一行代表一個解，共有n個解，每一列代表一個目標，共有m個目標，每個解具有與m個目標對應的m個目標值；

計算所述規(guī)范化矩陣中每個目標的熵值，并利用下列公式計算每個目標的熵權：

${\mathrm{\ω}}_{ej}=\left\{\begin{array}{cc}(1-\stackrel{\‾}{H}){\mathrm{\ω}}_{ej1}+\stackrel{\‾}{H}{\mathrm{\ω}}_{ej2}& H_j\<1\\ 0& H_j=1\end{array}\right.$

${\mathrm{\ω}}_{ej1}=\frac{1-H_j}{\underset{j=1,H_j\≠1}{\overset{m}{\Σ}}(1-H_j)},{\mathrm{\ω}}_{ej2}=\frac{1/H_j}{\underset{j=1,H_j\≠1}{\overset{m}{\Σ}}(1/H_j)}$

其中，ω_ej表示目標j的熵權，H_j表示目標j的熵值，為所有不為1的熵值的均值，m表示目標的數(shù)量，j＝1,2,…,m；

基于每個目標的熵權及每個解對應的目標值計算每個解的綜合評估值，并選取最大的綜合評估值對應的解為最終解。

3.根據(jù)權利要求2所述的方法，其特征在于，基于每個目標的熵權及每個解對應的目標值計算每個解的綜合評估值，包括：

按照下列公式計算每個解的綜合評估值：

$u_i=\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_{ej}{r}_{ij}$

其中，u_i表示解i的綜合評估值，r_ij表示所述規(guī)范化矩陣中解i對應目標j的目標值。

4.根據(jù)權利要求2所述的方法，其特征在于，基于每個目標的熵權及每個解對應的目標值計算每個解的綜合評估值，包括：

獲取外界輸入的為每個目標賦予的主觀權重，并按照下列公式計算每個目標的綜合權重：

${\mathrm{\ω}}_j=\frac{{\mathrm{\ω}}_{sj}\·{\mathrm{\ω}}_{ej}}{\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_{sj}\·{\mathrm{\ω}}_{ej}}$

其中，ω_j表示目標j的綜合權重，ω_sj表示目標j的主觀權重；

按照下列公式計算每個解的綜合評估值：

$u_i=\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_j{r}_{ij}$

其中，u_i表示解i的綜合評估值，r_ij表示所述規(guī)范化矩陣中解i對應目標j的目標值。

5.根據(jù)權利要求2所述的方法，其特征在于，對所述帕累托解集進行標準化處理，得到規(guī)范化矩陣，包括：

如果所述多目標決策方法具體為最大化優(yōu)化問題，則按照下列公式對所述帕累托解集進行標準化處理：

$r_{ij}=\frac{x_{ij}-\underset{1\≤i\≤n}{\min }{x}_{ij}}{\underset{1\≤i\≤n}{\max }{x}_{ij}-\underset{1\≤i\≤n}{\min }{x}_{ij}}$

如果所述多目標決策方法具體為最小化優(yōu)化問題，則按照下列公式對所述帕累托解集進行標準化處理：

$r_{ij}=\frac{\underset{1\≤i\≤n}{\max }{x}_{ij}-x_{ij}}{\underset{1\≤i\≤n}{\max }{x}_{ij}-\underset{1\≤i\≤n}{\min }{x}_{ij}}$

其中，r_ij表示規(guī)范化矩陣中解i對應目標j的目標值，x_ij表示帕累托解集中解i對應目標j的目標值，1≤i≤n，1≤j≤m。

6.一種熵權計算裝置，其特征在于，包括：

數(shù)據(jù)獲取模塊，用于獲取被評價對象的評價指標，以及每個所述評價指標的熵值；

熵權計算模塊，用于按照下列公式計算每個所述評價指標的熵權：

${\mathrm{\ω}}_{ej}=\left\{\begin{array}{cc}(1-\stackrel{\‾}{H}){\mathrm{\ω}}_{ej1}+\stackrel{\‾}{H}{\mathrm{\ω}}_{ej2}& H_j\<1\\ 0& H_j=1\end{array}\right.$

${\mathrm{\ω}}_{ej1}=\frac{1-H_j}{\underset{j=1,H_j\≠1}{\overset{m}{\Σ}}(1-H_j)},{\mathrm{\ω}}_{ej2}=\frac{1/H_j}{\underset{j=1,H_j\≠1}{\overset{m}{\Σ}}(1/H_j)}$

其中，ω_ej表示評價指標j的熵權，H_j表示評價指標j的熵值，表示所有不為1的熵值的均值，m表示所述評價指標的數(shù)量，j＝1,2,…,m。

7.一種多目標決策裝置，其特征在于，包括：

矩陣處理模塊，用于獲取預先利用多目標算法得到的帕累托解集，并對所述帕累托解集進行標準化處理，得到規(guī)范化矩陣，該矩陣中每一行代表一個解，共有n個解，每一列代表一個目標，共有m個目標，每個解具有與m個目標對應的m個目標值；

熵權獲取模塊，用于計算所述規(guī)范化矩陣中每個目標的熵值，并利用下列公式計算每個目標的熵權：

${\mathrm{\ω}}_{ej}=\left\{\begin{array}{cc}(1-\stackrel{\‾}{H}){\mathrm{\ω}}_{ej1}+\stackrel{\‾}{H}{\mathrm{\ω}}_{ej2}& H_j\<1\\ 0& H_j=1\end{array}\right.$

${\mathrm{\ω}}_{ej1}=\frac{1-H_j}{\underset{j=1,H_j\≠1}{\overset{m}{\Σ}}(1-H_j)},{\mathrm{\ω}}_{ej2}=\frac{1/H_j}{\underset{j=1,H_j\≠1}{\overset{m}{\Σ}}(1/H_j)}$

其中，ω_ej表示目標j的熵權，H_j表示目標j的熵值，為所有不為1的熵值的均值，m表示目標的數(shù)量，j＝1,2,…,m；

最終解獲取模塊，用于基于每個目標的熵權及每個解對應的目標值計算每個解的綜合評估值，并選取最大的綜合評估值對應的解為最終解。

8.根據(jù)權利要求7所述的裝置，其特征在于，最終解獲取模塊包括：

第一評估單元，用于按照下列公式計算每個解的綜合評估值：

$u_i=\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_{ej}{r}_{ij}$

其中，u_i表示解i的綜合評估值，r_ij表示所述規(guī)范化矩陣中解i對應目標j的目標值。

9.根據(jù)權利要求7所述的裝置，其特征在于，最終解獲取模塊包括：

第二評估單元，用于基于每個目標的熵權及每個解對應的目標值計算每個解的綜合評估值，包括：

獲取外界輸入的為每個目標賦予的主觀權重，并按照下列公式計算每個目標的綜合權重：

${\mathrm{\ω}}_j=\frac{{\mathrm{\ω}}_{sj}\·{\mathrm{\ω}}_{ej}}{\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_{sj}\·{\mathrm{\ω}}_{ej}}$

其中，ω_j表示目標j的綜合權重，ω_sj表示目標j的主觀權重；

按照下列公式計算每個解的綜合評估值：

$u_i=\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_j{r}_{ij}$

其中，u_i表示解i的綜合評估值，r_ij表示所述規(guī)范化矩陣中解i對應目標j的目標值。

10.根據(jù)權利要求7所述的裝置，其特征在于，矩陣處理模塊包括：

第一處理單元，用于如果所述多目標決策裝置用于解決最大化優(yōu)化問題，則按照下列公式對所述帕累托解集進行標準化處理：

$r_{ij}=\frac{x_{ij}-\underset{1\≤i\≤n}{\min }{x}_{ij}}{\underset{1\≤i\≤n}{\max }{x}_{ij}-\underset{1\≤i\≤n}{\min }{x}_{ij}}$

第二處理單元，用于如果所述多目標決策裝置用于解決最小化優(yōu)化問題，則按照下列公式對所述帕累托解集進行標準化處理：

$r_{ij}=\frac{\underset{1\≤i\≤n}{\max }{x}_{ij}-x_{ij}}{\underset{1\≤i\≤n}{\max }{x}_{ij}-\underset{1\≤i\≤n}{\min }{x}_{ij}}$

其中，r_ij表示規(guī)范化矩陣中解i對應目標j的目標值，x_ij表示帕累托解集中解i對應目標j的目標值，1≤i≤n，1≤j≤m。