2. 中国刑事警察学院 基础教研部, 辽宁 沈阳 110854
2. Department of Basic Teaching and Research, Criminal Investigation Police University of China, Shenyang 110854, China
双边匹配指依据双方主体的偏好或要求, 尽可能达成令双方主体满意的匹配结果[1].美国学者GALE等[2]关于男女婚姻匹配问题和学生入学匹配问题的研究是双边匹配问题的起源.在早期的双边匹配研究中, 匹配决策信息通常为各主体针对对方主体的偏好排序[3-6], 决策者依据偏好排序信息来寻求稳定的双边匹配结果.近些年, 针对不同背景下的双边匹配问题的研究日渐成熟, 如企业轮岗制度中员工与岗位的匹配[7]、基于电子中介撮合条件的买卖双方交易匹配[8-11]、技术供需匹配[12]、知识供需匹配[13]、项目外包供需匹配[14]、志愿者与应急任务匹配[15]、风险投资商与风险企业匹配[16]等.在这些双边匹配问题中, 匹配决策信息不再局限于单一的偏好排序信息, 而表现为多指标下的评价决策信息.基于广泛的现实背景, 对多指标双边匹配决策问题的研究具有较强的现实意义, 逐渐成为学者们关注的重点.
在多指标双边匹配问题中, 若双方主体针对所关注的指标提出期望要求, 中介或决策者依据各主体的期望要求和对方主体的真实信息进行匹配决策, 此类问题称为具有指标期望的双边匹配决策问题.目前, 已有学者开始关注此类问题, 并提出了一些具有针对性的匹配决策方法[17-21].JIANG等[17]在电子商务环境下考虑数量有折扣的多属性交易匹配问题, 依据退火遗传算法(MOSAGA), 提出了一种新的模型优化算法.蒋忠中等[18]以B2C型电子中介买卖双方商品交易为实际背景, 研究了模糊信息且需求不可分情形下多属性商品交易的优化匹配问题.樊治平等[19]针对电子商务环境下的多属性商品交易匹配问题进行研究, 基于公理设计理论给出了交易匹配度计算方法, 并通过构建和求解优化模型获得交易匹配结果.梁海明等[20]针对二手房交易匹配问题开展了研究, 依据交易过程中卖方提供的评价信息以及买方提供的多属性期望水平和距离需求信息, 给出了买卖双方匹配满意度的计算公式和匹配决策方法.陈希等[21]针对多属性双边匹配问题进行了研究, 依据前景理论计算匹配主体之间满意度的综合前景值, 并进一步构建了双目标匹配优化模型.
需要指出的是, 在已有的多指标双边匹配决策方法研究中, 较少考虑双方主体欲与潜在匹配对象相匹配时产生失望或欣喜的心理感知, 而心理感知与最终匹配方案中双方主体的满意程度密切相关.具体来说, 若匹配对象在某个指标下的真实情况优于主体期望, 则主体针对该指标会表现出欣喜的心理感知; 反之, 若匹配对象在某个指标下的真实情况低于主体期望, 则主体针对该指标会表现出失望的心理感知.由此可见, 对于具有指标期望的双边匹配决策问题, 若要提升双方主体的满意程度, 则需要对双方主体的心理感知进行有效刻画, 进而提出相应的多指标双边匹配模型与方法.鉴于此, 本文依据失望理论[22-25], 对双方主体失望-欣喜的心理感知进行有效刻画, 提出一种新的多指标双边匹配决策方法.首先, 基于主体的指标期望值与对方主体真实值之间的差异, 构建双方主体的损益矩阵; 然后, 依据失望-欣喜函数, 建立双方主体在各指标下的感知效用矩阵; 进一步, 通过构建和求解以双方主体综合感知效用值最大为目标的多目标优化模型, 获得最优的双边匹配结果.
1 问题描述考虑具有指标期望的双边匹配问题, 记M={1, 2, …, m}, N={1, 2, …, n}, F={1, 2, …, f}, G={1, 2, …, g}.双边匹配过程中存在两方主体, 设A方主体集合为A={A1, A2, …, Am}, 其中Ai表示第i个A方主体, i∈M; B方主体集合为B={B1, B2, …, Bn}, 其中Bj表示第j个B方主体, j∈N.设CA={C1A, C2A, …, CfA}为A方主体所关注的指标集, 其中CkA表示A方主体所关注的第k个指标, k∈F; CB={C1B, C2B, …, CgB}为B方主体所关注的指标集, 其中CtB表示B方主体所关注的第t个指标, t∈G; WA=[w1A, w2A, …, wfA]为指标集CA的权重向量, 其中wkA表示指标CkA的权重或重要程度, 满足
本文考虑的指标类型为效益型、成本型和区间型3类.设CA1, CA2, CA3分别为指标集CA的效益型、成本型和区间型的指标子集:
$ {C^{A1}} = \left\{ {C_1^A,C_2^A, \cdots ,C_{{f_1}}^A} \right\}, $ |
$ {C^{A2}} = \left\{ {C_{{f_1} + 1}^A,C_{{f_1} + 2}^A, \cdots ,C_{{f_2}}^A} \right\}, $ |
$ {C^{A3}} = \left\{ {C_{{f_2} + 1}^A,C_{{f_2} + 2}^A, \cdots ,C_f^A} \right\}, $ |
$ {C^{A1}} \cup {C^{A2}} \cup {C^{A3}} = {C^A}. $ |
为叙述方便, 设F1, F2, F3分别为指标子集CA1, CA2, CA3的下标集合, 有
$ {F_1} = \left\{ {1,2, \cdots ,{f_1}} \right\}, $ |
$ {F_2} = \left\{ {{f_1} + 1,{f_2} + 2, \cdots ,{f_2}} \right\}, $ |
$ {F_3} = \left\{ {{f_2} + 1,{f_2} + 2, \cdots ,f} \right\}, $ |
$ {F_1} \cup {F_2} \cup {F_3} = F. $ |
类似地, 设CB1, CB2, CB3分别为指标集CB的效益型、成本型和区间型指标子集, 则有
$ {C^{B1}} = \left\{ {C_1^B,C_2^B, \cdots ,C_{{g_1}}^B} \right\}, $ |
$ {C^{B2}} = \left\{ {C_{{g_1} + 1}^B,C_{{g_1} + 2}^B, \cdots ,C_{{g_2}}^B} \right\}, $ |
$ {C^{B3}} = \left\{ {C_{{g_2} + 1}^B,C_{{g_2} + 2}^B, \cdots ,C_g^B} \right\}, $ |
$ {C^{B1}} \cup {C^{B2}} \cup {C^{B3}} = {C^B}. $ |
设G1, G2, G3分别为指标子集CB1, CB2, CB3的下标集合, 有
$ {G_1} = \left\{ {1,2, \cdots ,{g_1}} \right\}, $ |
$ {G_2} = \left\{ {{g_1} + 1,{g_1} + 2, \cdots ,{g_2}} \right\}, $ |
$ {G_3} = \left\{ {{g_2} + 1,{g_2} + 2, \cdots ,g} \right\}, $ |
$ {G_1} \cup {G_2} \cup {G_3} = G. $ |
针对效益型、成本型和区间型这3种不同类型的指标, 双方主体给出的期望向量中的期望水平信息和最低可接受水平信息的关系可表述为:对于效益型指标, CkA∈CA1(CtB∈CB1), 此时pik≥hik(
综上所述, 本文要解决的问题是:针对双方主体给出指标期望的双边匹配问题, 依据双方主体的期望向量Pik和
在考虑双方主体失望-欣喜感知的多指标双边匹配问题时, 双方主体针对各指标给出了含有最低可接受水平和期望水平的期望向量Pik=(pik, hik)和
为了能够较好地刻画一方主体与另一方主体相匹配的“失望-欣喜”心理感知, 首先构建双方主体在各指标下的损益矩阵.
对于主体Ai, 其考虑的指标可能为效益型(CkA∈CA1)、成本型(CkA∈CA2)和区间型(CkA∈CA3)3种.下面分别给出主体Ai在这3种指标下的损失和收益的计算公式.
(i) 当CkA∈CA1时, 若qjkB>pik, 则在指标CkA下主体Ai对于Bj表现为收益, 其收益Gijk为
$ G_{ij}^k = q_{jk}^B - p_i^k,\;\;\;\;\;i \in M,j \in N,k \in {F_1}; $ | (1) |
若qjkB < pik, 则在指标CkA下主体Ai对于Bj表现为损失, 其损失Lijk为
$ L_{ij}^k = q_{jk}^B - p_i^k,\;\;\;\;\;i \in M,j \in N,k \in {F_1}. $ | (2) |
(ii)当CkA∈CA2时, 若qjkB < pik, 则在指标CkA下主体Ai对于Bj表现为收益, 其收益Gijk为
$ G_{ij}^k = p_i^k - q_{jk}^B,\;\;\;\;\;i \in M,j \in N,k \in {F_2}; $ | (3) |
若qjkB>pik, 则在指标CkA下主体Ai对于Bj表现为损失, 其损失Lijk为
$ L_{ij}^k = p_i^k - q_{jk}^B,\;\;\;\;\;i \in M,j \in N,k \in {F_2}. $ | (4) |
(iii)当CkA∈CA3时, 若qjkB∈[pik low, pik up], 则在指标CkA下主体Ai对于Bj表现为收益, 这里暂令其收益值Gijk为1.
若qjkB∉[pik low, pik up], 则在指标CkA下主体Ai对于Bj表现为损失, 其损失Lijk为
$ \begin{array}{*{20}{c}} {L_{ij}^k = \left\{ \begin{array}{l} q_{jk}^B - p_i^{k\;low},\;\;\;\;\;\;h_i^{k\;low} \le q_{jk}^B < p_i^{k\;low},\\ p_i^{k\;up} - q_{jk}^B,\;\;\;\;\;\;\;p_i^{k\;up} < q_{jk}^B \le h_i^{k\;up}, \end{array} \right.}\\ {i \in M,j \in N,k \in {F_3}.} \end{array} $ | (5) |
若主体Bj关于指标CkA的真实值qjkB未达到主体Ai的最低可接受水平hik, 则主体Ai与主体Bj不会相互匹配.为计算方便, 可将在指标CkA下主体Ai关于主体Bj的损益值记为-M, 其中M为足够大的正数.
基于此, 可构建在指标CkA下A方主体的损益矩阵Dk=[dijk]m×n, 其中dijk表示在指标CkA下主体Ai关于主体Bj的损益值, 其计算公式为
$ d_{ij}^k = \left\{ \begin{array}{l} - M,\;\;\;\;\;q_{jk}^B < h_i^k,\\ \;L_{ij}^k,\;\;\;\;\;\;\;h_i^k \le q_{jk}^B < p_i^k,\\ \;\;0,\;\;\;\;\;\;\;\;q_{jk}^B > p_i^k,\\ \;G_{ij}^k,\;\;\;\;\;\;\;q_{jk}^B > p_i^k, \end{array} \right.i \in M,j \in N,k \in {F_1}, $ | (6) |
$ d_{ij}^k = \left\{ \begin{array}{l} G_{ij}^k,\;\;\;\;\;q_{jk}^B < p_i^k,\\ \;0,\;\;\;\;\;\;\;q_{jk}^B = p_i^k,\\ L_{ij}^k,\;\;\;\;\;\;p_i^k < q_{jk}^B \le h_i^k,\\ - M,\;\;\;\;q_{jk}^B > h_i^k, \end{array} \right.i \in M,j \in N,k \in {F_2}, $ | (7) |
$ \begin{array}{*{20}{c}} {d_{ij}^k = \left\{ \begin{array}{l} - M,\;\;\;\;q_{jk}^B < k_i^{k\;low},\\ \;\;L_{ij}^k,\;\;\;\;h_i^{k\;low} \le q_{jk}^B < p_i^{k\;low},\\ \;\;\;1,\;\;\;\;\;\;q_{jk}^B \in \left[ {p_i^{k\;low},p_i^{k\;up}} \right],\\ \;\;L_{ij}^k,\;\;\;\;\;p_i^{k\;up} < q_{jk}^B \le h_i^{k\;up},\\ - M,\;\;\;\;\;q_{jk}^B > h_i^{k\;up}, \end{array} \right.}\\ {i \in M,j \in N,k \in {F_3}.} \end{array} $ | (8) |
类似地, 对于主体Bj, 可通过下列方法计算其在不同类型指标下的损失和收益.
(i) 当CtB∈CB1时, 若qitA>
$ \tilde G_{ij}^t = q_{it}^A - \tilde p_j^t,\;\;\;i \in M,j \in N,t \in {G_1}; $ | (9) |
若qitA <
$ \tilde L_{ij}^t = q_{it}^A - \tilde p_j^t,\;\;\;i \in M,j \in N,t \in {G_1}. $ | (10) |
(ii)当CtB∈CB2时, 若qitA <
$ \tilde G_{ij}^t = \tilde p_j^t - q_{it}^A,\;\;\;i \in M,j \in N,t \in {G_2}; $ | (11) |
若qitA>
$ \tilde L_{ij}^t = \tilde p_j^t - q_{it}^A,\;\;\;i \in M,j \in N,t \in {G_2}. $ | (12) |
(iii)当CtB∈CB3时, 若qitA∈[
若qitA∉[
$ \begin{array}{*{20}{c}} {\tilde L_{ij}^t = \left\{ \begin{array}{l} q_{it}^A - \tilde p_j^{t\;{\rm{low}}},\;\;\;\;\;h_j^{t\;{\rm{low}}} \le q_{it}^A < \tilde p_j^{t\;{\rm{low}}},\\ \tilde p_j^{t\;up} - q_{it}^A,\;\;\;\;\;\tilde p_j^{t\;up} < q_{it}^A \le \tilde h_j^{t\;{\rm{up}}}, \end{array} \right.}\\ {i \in M,j \in N,t \in {G_3}.} \end{array} $ | (13) |
若主体Ai针对指标CtB的真实值qitA未达到主体Bj的最低可接受水平
基于此, 可构建在指标CtB下B方主体的损益矩阵
$ \begin{array}{*{20}{c}} {\tilde d_{ij}^t = \left\{ \begin{array}{l} - M,\;\;\;q_{it}^A < \tilde h_j^t,\\ \;\tilde L_{ij}^t,\;\;\;\;\tilde h_j^t \le q_{it}^A < \tilde p_j^t,\\ \;\;0,\;\;\;\;\;q_{it}^A = \tilde p_j^t,\\ \tilde G_{ij}^t,\;\;\;\;q_{it}^A > \tilde p_j^t, \end{array} \right.}\\ {i \in M,j \in N,t \in {G_1},} \end{array} $ | (14) |
$ \begin{array}{*{20}{c}} {\tilde d_{ij}^t = \left\{ \begin{array}{l} \tilde G_{ij}^t,\;\;\;\;\;q_{it}^A < \tilde p_j^t,\\ \;0,\;\;\;\;\;\;q_{it}^A = \tilde p_j^t,\\ \;\tilde L_{ij}^t,\;\;\;\;\tilde p_j^t < q_{it}^A \le \tilde h_j^t,\\ - M,\;\;\;q_{it}^A > \tilde h_j^t, \end{array} \right.}\\ {i \in M,j \in N,t \in {G_2},} \end{array} $ | (15) |
$ \begin{array}{*{20}{c}} {\tilde d_{ij}^t = \left\{ \begin{array}{l} - M,\;\;\;q_{it}^A < \tilde h_j^{t\;{\rm{low}}},\\ \;\;\tilde L_{ij}^t,\;\;\;\tilde h_j^{t\;{\rm{low}}} \le q_{it}^A < \tilde p_j^{t\;{\rm{low}}},\\ \;\;\;1,\;\;\;\;q_{it}^A \in \left[ {\tilde p_j^{t\;{\rm{low}}},\tilde p_j^{t\;{\rm{up}}}} \right],\\ \;\;\tilde L_{ij}^t,\;\;\;\tilde p_j^{t\;{\rm{up}}} < q_{it}^A \le \tilde h_j^{t\;{\rm{up}}},\\ - M,\;\;\;q_{it}^A > \tilde h_j^{t\;{\rm{up}}}, \end{array} \right.}\\ {i \in M,j \in N,t \in {G_3}.} \end{array} $ | (16) |
为了消除不同指标因量纲不同对计算结果的影响, 将双方主体的损益矩阵Dk=[dijk]m×n和
$ \begin{array}{l} \tilde d_{ij}^k = \left\{ \begin{array}{l} \frac{{d_{ij}^k}}{{\mathop {\max }\limits_{i \in M,j \in N} \left\{ {\left| {d_{ij}^k} \right|\left| {d_{ij}^k \ne - M} \right|} \right\}}},\;\;\;\;d_{ij}^k \ne - M,\\ - M,\;\;\;d_{ij}^k = - M, \end{array} \right.\\ \;\;\;\;\;\;\;i \in M,j \in N,k \in {F_1} \cup {F_2}, \end{array} $ | (17) |
$ \begin{array}{*{20}{c}} {\bar d_{ij}^k = \left\{ \begin{array}{l} d_{ij}^k,\;\;\;d_{ij}^k = 1,\\ \frac{{d_{ij}^k}}{{\mathop {\max }\limits_{i \in M,j \in N} \left\{ {\left| {d_{ij}^k} \right|\left| {d_{ij}^k \ne - M} \right|} \right\}}},\\ \;\;\;\;\;\;\;d_{ij}^k \ne 1\;且\;d_{ij}^k \ne - M,\\ - M,\;\;\;d_{ij}^k = - M, \end{array} \right.}\\ {i \in M,j \in N,k \in {F_3},} \end{array} $ | (18) |
$ \begin{array}{l} \bar {\tilde d_{ij}^t} = \left\{ \begin{array}{l} \frac{{\tilde d_{ij}^t}}{{\mathop {\max }\limits_{i \in M,j \in N} \left\{ {\left| {\tilde d_{ij}^t} \right|\left| {\tilde d_{ij}^t \ne - M} \right|} \right\}}},\;\;\;\;\tilde d_{ij}^t \ne - M,\\ - M,\;\;\;\tilde d_{ij}^t = - M, \end{array} \right.\\ \;\;\;\;\;\;i \in M,j \in N,t \in {G_1} \cup {G_2}, \end{array} $ | (19) |
$ \begin{array}{l} \bar {\tilde d_{ij}^t} = \left\{ \begin{array}{l} \tilde d_{ij}^t,\;\;\;\tilde d_{ij}^t = 1,\\ \frac{{\tilde d_{ij}^t}}{{\mathop {\max }\limits_{i \in M,j \in N} \left\{ {\left| {\tilde d_{ij}^t} \right|\left| {\tilde d_{ij}^t \ne - M} \right|} \right\}}},\\ \;\;\;\;\;\;\;\tilde d_{ij}^t \ne 1\;且\;\tilde d_{ij}^t \ne - M,\\ - M,\;\;\;\tilde d_{ij}^t = - M, \end{array} \right.\\ \;\;\;\;\;\;\;\;\;\;\;i \in M,j \in N,t \in {G_3}. \end{array} $ | (20) |
在双边匹配过程中, 主体的满意程度与两方面因素有关, 一方面是该主体的期望水平, 另一方面是对方主体的真实值.在某个指标下, 若该主体的期望水平超过了对方主体的真实值, 则该主体表现为失望; 反之, 若该主体的期望水平低于对方主体的真实值, 则该主体表现为欣喜.显然, 主体的这种失望-欣喜的心理感知与其对可能获得的匹配结果的满意程度密切相关.为了更好地刻画主体的满意程度, 下面通过引入失望函数和欣喜函数来计算主体在某指标下针对对方主体的失望值或欣喜值.依据文献[23-25], 失望函数D(·)与欣喜函数E(·)为非减函数, 即D′(·)>0, E′(·)>0.E(·)的图形在x轴上方, 为下凹函数, 即E″(·) < 0;D(·)的图形在x轴下方, 为下凸函数, 即D″(·)>0.符合此形态特征的函数有多种, 依据文献[25], 失望函数D(·)和欣喜函数E(·)可表示为:
失望函数D(·):
$ D\left( x \right) = {\alpha ^{ - x}} - 1, $ | (21) |
其中, α为失望参数, 0 < α < 1.LACIANA等[25]给出了符合大多数主体行为偏好的α值, 为0.7≤α≤0.9, α值越大, 主体对相同损失感知到的失望越小.
欣喜函数E(·):
$ E\left( x \right) = 1 - {\beta ^x}, $ | (22) |
其中,β为欣喜参数, 满足0 < β < 1.LACIANA等[25]在研究中也测得了符合大多数主体行为偏好的β值, 为0.7≤β≤0.9, β越大, 主体对相同收益感知到的欣喜越小.失望函数D(·)与欣喜函数E(·)的图形如图 1所示.图 1中, x表示在某指标下主体的期望水平与对方主体真实值之间的差值.本文α和β取相同值, 即α=β=0.8.
基于以上论述, 依据所建立的失望函数D(·)和欣喜函数E(·), 以及前文得到的规范化损益矩阵Dk=[dijk]m×n和
在指标CkA下, 主体Ai关于主体Bj的感知效用值vijk为
$ \begin{array}{l} v_{ij}^k = \left\{ \begin{array}{l} - M,\;\;\;\bar d_{ij}^k = - M,\\ D\left( {\bar d_{ij}^k} \right),\;\;\;\;\bar d_{ij}^k < 0\;且\;\bar d_{ij}^k \ne - M,\\ 0,\;\;\;\;\;\bar d_{ij}^k = 0,\\ E\left( {\bar d_{ij}^k} \right),\;\;\;\;\bar d_{ij}^k > 0, \end{array} \right.\\ \;\;\;\;\;\;\;i \in M,j \in N,k \in F. \end{array} $ | (23) |
在指标CtB下, 主体Bj关于主体Ai的感知效用值
$ \begin{array}{l} \tilde v_{ij}^t = \left\{ \begin{array}{l} - M,\;\;\;\tilde {\bar d_{ij}^t} = - M,\\ D\left( {\tilde {\bar d_{ij}^t}} \right),\;\;\;\;\tilde {\bar d_{ij}^t} < 0\;且\;\tilde {\bar d_{ij}^t} \ne - M,\\ 0,\;\;\;\;\;\tilde {\bar d_{ij}^t} = 0,\\ E\left( {\tilde {\bar d_{ij}^t}} \right),\;\;\;\;\tilde {\bar d_{ij}^t} > 0, \end{array} \right.\\ \;\;\;\;\;\;\;i \in M,j \in N,t \in G. \end{array} $ | (24) |
进一步, 集结各指标下A方主体的感知效用值, 依据A方主体的感知效用矩阵Vk=[vijk]m×n(k∈F), 可构建A方主体的综合感知效用矩阵V=[vij]m×n, 其中vij的计算公式为
$ {v_{ij}} = \sum\limits_{k = 1}^f {w_k^Av_{ij}^k} ,\;\;\;i \in M,j \in N,k \in F. $ | (25) |
类似地, 将各指标下B方主体的感知效用值进行集结, 依据B方主体的感知效用矩阵
$ {{\tilde v}_{ij}} = \sum\limits_{t = 1}^g {w_t^B\tilde v_{ij}^t} ,\;\;\;i \in M,j \in N,t \in G. $ | (26) |
在式(25)中, 对于指标CkA, vijk=-M, 主体Ai关于主体Bj的综合感知效用vij=-M, 此情形下主体Ai与Bj必不匹配; 类似地, 在式(26)中, 对于指标CtB,
从上面的论述中可以得到, 综合感知效用vij越大, 主体Ai与Bj相匹配的满意程度就越高; 同样, 综合感知效用
$ max\;{Z_1} = \sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {{v_{ij}}{x_{ij}}} } , $ | (27a) |
$ max\;{Z_2} = \sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {{{\tilde v}_{ij}}{x_{ij}}} } , $ | (27b) |
$ {\rm{s}}.\;{\rm{t}}.\;\;\;\sum\limits_{i = 1}^m {{x_{ij}} \le 1} ,j \in N, $ | (27c) |
$ \sum\limits_{j = 1}^m {{x_{ij}} \le 1} ,i \in M, $ | (27d) |
$ \sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {\left( {{v_{ij}} + {{\tilde v}_{ij}}} \right){x_{ij}}} } \ge - mn, $ | (27e) |
$ {x_{ij}} = 0\;或\;1,\;\;\;i \in M,j \in N. $ | (27f) |
在模型(27)中, 有2个目标函数, 分别是式(27a)和(27b), 其含义是尽可能使匹配结果中A方主体和B方主体的综合感知效用最大; 模型(27)中存在3个约束条件, 分别是式(27c)、(27d)和(27e), 其中式(27c)和(27d)为匹配约束条件, 式(27c)的含义是每个A方主体至多与1个B方主体相匹配, 式(27d)的含义是每个B方主体至多与1个A方主体相匹配; 式(27e)为主体最低可接受约束条件, 其含义是确保相互匹配的双方主体可以达到对方的最低可接受水平.
为求解优化模型(27), 采用线性加权法[26]将其转化为单目标优化模型.设ω1和ω2分别表示目标Z1和Z2的权重, 满足0≤ω1, ω2≤1, ω1+ω2=1, 则单目标优化模型可表示为:
$ {\rm{max}}\;\bar Z = {\omega _1}\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {{v_{ij}}{x_{ij}}} } + {\omega _2}\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {{{\tilde v}_{ij}}{x_{ij}}} } , $ | (28a) |
$ {\rm{s}}.\;{\rm{t}}.\;\;\;\sum\limits_{i = 1}^m {{x_{ij}} \le 1} ,j \in N, $ | (28b) |
$ \sum\limits_{j = 1}^m {{x_{ij}} \le 1} ,i \in M, $ | (28c) |
$ \sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {\left( {{v_{ij}} + {{\tilde v}_{ij}}} \right){x_{ij}}} } \ge - mn, $ | (28d) |
$ {x_{ij}} = 0\;或\;1,\;\;\;i \in M,j \in N. $ | (28e) |
在模型(28)中, 权重ωk(k=1, 2)表示双方主体在匹配决策中的重要程度.权重ω1, ω2之间存在3种情况:若ω1>ω2, 则表示在匹配决策中, 中介或决策者更倾向考虑A方主体的满意程度; 若ω1 < ω2, 则表示在匹配决策中, 中介或决策者更倾向考虑B方主体的满意程度; 若ω1=ω2=0.5, 则表示在匹配决策中, 中介或决策者注重双方主体的公平性.目标函数(28a)和约束条件(28b)~(28d)均是线性的, 模型(28)可以使用专门的优化软件包(如LINGO11.0, Cplex9.0等)进行求解.
综上, 考虑双方主体失望-欣喜感知的多指标双边匹配决策方法的计算步骤如下:
步骤1 依据式(1)~(8), 在指标CkA(k∈F)下构建A方主体的损益矩阵Dk=[dijk]m×n;
步骤2 依据式(9)~(16), 在指标CtB(t∈G)下构建B方主体的损益矩阵
步骤3 依据式(17)和(18), 在指标CkA(k∈F)下将A方主体的损益矩阵Dk=[dijk]m×n转化为规范化损益矩阵Dk=[dijk]m×n;
步骤4 依据式(19)和(20), 在指标CtB(t∈G)下将B方主体的损益矩阵
步骤5 依据式(21)~(23), 在指标CkA(k∈F)下构建A方主体的感知效用矩阵Vk=[vijk]m×n;
步骤6 依据式(21)、(22)和(24), 在指标CtB(t∈G)下构建B方主体的感知效用矩阵
步骤7 依据式(25)和(26), 构建A方主体的综合感知效用矩阵V=[vij]m×n和B方主体的综合感知效用矩阵
步骤8 以双方主体综合感知效用最大化为目标建立多目标优化模型(27);
步骤9 将多目标优化模型(27)转化为单目标优化模型(28);
步骤10 通过求解模型(28), 获得最优的双边匹配结果.
3 算例企业岗位与员工的匹配是一类典型的双边匹配问题, 本节以此类问题为背景, 通过算例来说明其可行性.
M公司是一家金融投资咨询公司, 主要从事融资理财、助贷咨询、证券市场预测分析等业务.每年分季度招聘新员工, 并在招聘后对新员工进行入职培训和轮岗体验, 进而将他们分派在合适的岗位上.目前M公司有5个待入职岗位B={B1, B2, …, B5}, 分别为B1“客户营销”、B2“商务助理”、B3“客户服务”、B4“企业文秘”, B5“产品策划”.M公司最近录用的4名女性新员工A={A1, A2, A3, A4}, 均已进行了轮岗培训, 在通过企业文化培训、基本素质与基本业务培训、岗位轮训体验等环节后, 现在要依据岗位需求和员工的实际情况寻求新员工与岗位的最佳匹配方案.
在新员工与岗位的匹配过程中, 员工针对岗位有其所关注的指标, 具体包括:薪金水平(C1A, 单位:元)、每周平均工作时间(C2A, 单位:h)、平均晋升年限(C3A, 单位:a), 其中C1A为效益型指标, C2A和C3A为成本型指标; 岗位对员工也有指标要求, 具体为:相关行业从业年限(C1B, 单位:a)、业务培训成绩(C2B, 0~100的分值)、外语能力测试成绩(C3B, 0~100的分值)、人际沟通能力测试成绩(C4B, 0~100的分值)、身高(C5B, 单位:cm), 其中C1B, C2B, C3B和C4B为效益型指标, C5B为区间型指标.M公司人力资源部门给出了5个招工岗位针对已给出的各评价指标的权重向量值, 即WB=[0.1, 0.3, 0.25, 0.2, 0.15], 专家组通过调查给出的新员工针对各评价指标的权重向量, 即WA=[0.4, 0.3, 0.3].员工与岗位之间的期望向量与真实值列于表 1~表 4.
为得到M公司中待分配员工与岗位的匹配结果, 简要说明如下:
首先, 依据式(1)~(8), 在指标CkA(k=1, 2, 3)下构建员工的损益矩阵Dk=[dijk]4×5:
$ {\mathit{\boldsymbol{D}}^1} = \left( {\begin{array}{*{20}{c}} {1000}&{700}&{ - 800}&0&{500}\\ { - 500}&{200}&{ - 1300}&{ - 500}&0\\ {1000}&{700}&{ - M}&{ - M}&{500}\\ {1000}&{700}&{ - 800}&0&{500} \end{array}} \right), $ |
$ {\mathit{\boldsymbol{D}}^2} = \left( {\begin{array}{*{20}{c}} { - 5}&0&{ - 2}&2&5\\ { - 5}&0&{ - 2}&2&5\\ { - 5}&0&{ - 2}&2&5\\ { - 7}&{ - 2}&{ - 4}&0&3 \end{array}} \right), $ |
$ {\mathit{\boldsymbol{D}}^3} = \left( {\begin{array}{*{20}{c}} 1&0&1&{ - 2}&{ - 1}\\ 0&{ - 1}&0&{ - M}&{ - 2}\\ 1&0&1&{ - 2}&{ - 1}\\ 1&0&1&{ - M}&{ - 1} \end{array}} \right). $ |
依据式(9)~(16), 在指标CtB(t=1, 2, …, 5)下构建岗位的损益矩阵
$ {{\mathit{\boldsymbol{\tilde D}}}^1} = \left( {\begin{array}{*{20}{c}} { - 1}&0&0&0&{ - 3}\\ 2&3&3&3&0\\ { - 2}&{ - 1}&{ - 1}&{ - 1}&{ - M}\\ 0&1&1&1&{ - 2} \end{array}} \right), $ |
$ {{\mathit{\boldsymbol{\tilde D}}}^2} = \left( {\begin{array}{*{20}{c}} 5&0&0&5&{ - 5}\\ 8&3&3&8&{ - 2}\\ 0&{ - 5}&{ - 5}&0&{ - 10}\\ 2&{ - 3}&{ - 3}&2&{ - 8} \end{array}} \right), $ |
$ {{\mathit{\boldsymbol{\tilde D}}}^3} = \left( {\begin{array}{*{20}{c}} 2&2&2&{ - 3}&2\\ { - 3}&{ - 3}&{ - 3}&{ - 8}&{ - 3}\\ 5&5&5&0&5\\ 0&0&0&{ - 5}&0 \end{array}} \right), $ |
$ {{\mathit{\boldsymbol{\tilde D}}}^4} = \left( {\begin{array}{*{20}{c}} { - 5}&0&5&0&0\\ { - 2}&3&{ - 2}&3&3\\ { - 5}&0&{ - 5}&0&0\\ { - 9}&{ - 4}&{ - 9}&{ - 4}&{ - 4} \end{array}} \right), $ |
$ {{\mathit{\boldsymbol{\tilde D}}}^5} = \left( {\begin{array}{*{20}{c}} { - 3}&1&1&1&1\\ 1&1&1&1&1\\ 1&1&1&1&1\\ { - 1}&{ - 1}&1&1&1 \end{array}} \right). $ |
其次, 依据式(17)和(18), 在指标CkA(k=1, 2, 3)下将员工的损益矩阵Dk=[dijk]4×5转化为规范化损益矩阵Dk=[dijk]4×5:
$ {{\mathit{\boldsymbol{\bar D}}}^1} = \left( {\begin{array}{*{20}{c}} 1&{0.7}&{ - 0.8}&0&{0.5}\\ { - 0.5}&{0.2}&{ - 1.3}&{ - 0.5}&0\\ 1&{0.7}&{ - M}&{ - M}&{0.5}\\ 1&{0.7}&{ - 0.8}&0&{0.5} \end{array}} \right), $ |
$ \begin{array}{l} {{\mathit{\boldsymbol{\bar D}}}^2} = \\ \left( {\begin{array}{*{20}{c}} { - 0.7143}&0&{ - 0.2857}&{0.2857}&{0.7143}\\ { - 0.7143}&0&{ - 0.2857}&{0.2857}&{0.7143}\\ { - 0.7143}&0&{ - 0.2857}&{0.4}&{0.7143}\\ { - 1}&{ - 0.2857}&{ - 0.5714}&0&{0.4286} \end{array}} \right), \end{array} $ |
$ {{\mathit{\boldsymbol{\bar D}}}^3} = \left( {\begin{array}{*{20}{c}} {0.5}&0&{0.5}&{ - 1}&{ - 0.5}\\ 0&{ - 0.5}&0&{ - M}&{ - 1}\\ {0.5}&0&{0.5}&{ - 1}&{ - 0.5}\\ {0.5}&0&{0.5}&{ - M}&{ - 0.5} \end{array}} \right). $ |
依据式(19)和(20), 在指标CtB(t=1, 2, …, 5)下将岗位的损益矩阵
$ \begin{array}{l} {{\mathit{\boldsymbol{\bar {\tilde D}}}}^1} = \\ \left( {\begin{array}{*{20}{c}} { - 0.3333}&0&0&0&{ - 1}\\ {0.6667}&1&1&1&0\\ { - 0.6667}&{ - 0.3333}&{ - 0.3333}&{ - 0.3333}&{ - M}\\ 0&{0.3333}&{0.3333}&{0.3333}&{ - 0.6667} \end{array}} \right), \end{array} $ |
$ {{\mathit{\boldsymbol{\bar {\tilde D}}}}^2} = \left( {\begin{array}{*{20}{c}} {0.5}&0&0&{0.5}&{ - 0.5}\\ {0.8}&{0.3}&{0.3}&{0.8}&{ - 0.2}\\ 0&{ - 0.5}&{ - 0.5}&0&{ - 1}\\ {0.2}&{ - 0.3}&{ - 0.3}&{0.2}&{ - 0.8} \end{array}} \right), $ |
$ {{\mathit{\boldsymbol{\bar {\tilde D}}}}^3} = \left( {\begin{array}{*{20}{c}} {0.25}&{0.25}&{0.5}&{ - 0.375}&{0.25}\\ { - 0.375}&{ - 0.375}&{ - 0.375}&{ - 1}&{0.375}\\ {0.625}&{0.625}&{0.625}&0&{0.625}\\ 0&0&0&{ - 0.625}&0 \end{array}} \right), $ |
$ {{\mathit{\boldsymbol{\bar {\tilde D}}}}^4} = \left( {\begin{array}{*{20}{c}} { - 0.5556}&0&{0.5556}&0&0\\ { - 0.2222}&{0.3333}&{ - 0.2222}&{0.3333}&{0.3333}\\ { - 0.5556}&0&{ - 0.5556}&0&0\\ { - 1}&{ - 0.4444}&{ - 1}&{ - 0.4444}&{ - 0.4444} \end{array}} \right), $ |
$ {{\mathit{\boldsymbol{\bar {\tilde D}}}}^5} = \left( {\begin{array}{*{20}{c}} { - 1}&1&1&1&1\\ 1&1&1&1&1\\ 1&1&1&1&1\\ { - 0.3333}&{ - 0.3333}&1&1&1 \end{array}} \right). $ |
然后, 依据式(21)~(23), 在指标CkA(k=1, 2, 3)下构建员工的感知效用矩阵Vk=[vijk]4×5:
$ \begin{array}{l} {\mathit{\boldsymbol{V}}^1} = \\ \left( {\begin{array}{*{20}{c}} {0.2}&{0.1446}&{ - 0.1635}&0&{0.1056}\\ { - 0.1056}&{ - 0.0436}&{ - 0.2518}&{ - 0.1056}&0\\ {0.2}&{0.1446}&{ - M}&0&{0.1056}\\ {0.2}&{0.1446}&{ - 0.1635}&0&{0.1056} \end{array}} \right), \end{array} $ |
$ {\mathit{\boldsymbol{V}}^2} = \left( {\begin{array}{*{20}{c}} { - 0.1473}&0&{ - 0.0618}&{0.0618}&{0.1473}\\ { - 0.1473}&0&{ - 0.0618}&{0.0618}&{0.1473}\\ { - 0.1473}&0&{ - 0.0618}&{0.0618}&{0.1473}\\ { - 0.2000}&{ - 0.0618}&{ - 0.1197}&0&{0.0912} \end{array}} \right), $ |
$ {\mathit{\boldsymbol{V}}^3} = \left( {\begin{array}{*{20}{c}} {0.1056}&0&{0.1056}&{ - 0.2}&{ - 0.1056}\\ 0&{ - 0.1056}&0&{ - M}&{ - 0.2}\\ {0.1056}&0&{0.1056}&{ - 0.2}&{ - 0.1056}\\ {0.1056}&0&{0.1056}&{ - M}&{ - 0.1056} \end{array}} \right). $ |
依据式(21)、(22)和(24), 在CtB(t=1, 2, …, 5)下构建岗位的感知效用矩阵
$ \begin{array}{l} {{\mathit{\boldsymbol{\tilde V}}}^1} = \\ \left( {\begin{array}{*{20}{c}} { - 0.0717}&0&0&0&{ - 0.2}\\ {0.1382}&{0.2}&{0.2}&{0.2}&0\\ { - 0.1382}&{ - 0.0717}&{ - 0.0717}&{ - 0.0717}&{ - M}\\ 0&{0.0717}&{0.0717}&{0.0717}&{0.1382} \end{array}} \right), \end{array} $ |
$ {{\mathit{\boldsymbol{\tilde V}}}^2} = \left( {\begin{array}{*{20}{c}} {0.1056}&0&0&{0.1056}&{ - 0.1056}\\ {0.1635}&{0.0648}&{0.0648}&{0.1635}&{ - 0.0436}\\ 0&{ - 0.1056}&{ - 0.1056}&0&{ - 0.2000}\\ {0.0436}&{ - 0.0648}&{ - 0.0648}&{0.0436}&{ - 0.1635} \end{array}} \right), $ |
$ \begin{array}{l} {{\mathit{\boldsymbol{\tilde V}}}^3} = \\ \left( {\begin{array}{*{20}{c}} {0.0543}&{0.0543}&{0.0543}&{ - 0.0803}&{0.0543}\\ { - 0.0803}&{ - 0.0803}&{ - 0.0803}&{ - 0.2000}&{ - 0.0803}\\ {0.1302}&{0.1302}&{0.1302}&0&{0.1302}\\ 0&0&0&{ - 0.1302}&0 \end{array}} \right), \end{array} $ |
$ \begin{array}{l} {{\mathit{\boldsymbol{\tilde V}}}^4} = \\ \left( {\begin{array}{*{20}{c}} { - 0.1166}&0&{0.1166}&0&0\\ { - 0.0484}&{0.0717}&{ - 0.0484}&{0.0717}&{0.0717}\\ { - 0.1166}&0&{ - 0.1166}&0&0\\ { - 0.2000}&{ - 0.04944}&{ - 0.2000}&{ - 0.0944}&{ - 0.0944} \end{array}} \right), \end{array} $ |
$ {{\mathit{\boldsymbol{\tilde V}}}^5} = \left( {\begin{array}{*{20}{c}} { - 0.2}&{0.25}&{0.25}&{0.25}&{0.25}\\ {0.25}&{0.25}&{0.25}&{0.25}&{0.25}\\ {0.25}&{0.25}&{0.25}&{0.25}&{0.25}\\ { - 0.0717}&{ - 0.0717}&{0.25}&{0.25}&{0.25} \end{array}} \right), $ |
进一步, 依据式(25), 构建员工的综合感知效用矩阵V=[vij]4×5:
$ \begin{array}{l} \mathit{\boldsymbol{V}} = \\ \left( {\begin{array}{*{20}{c}} {0.0675}&{0.0578}&{ - 0.0523}&{ - 0.0415}&{0.0548}\\ { - 0.0864}&{ - 0.0142}&{ - 0.1193}&{ - M}&{ - 0.0158}\\ {0.0675}&{0.0578}&{ - M}&{ - 0.0415}&{0.0548}\\ {0.0517}&{0.0393}&{ - 0.0696}&{ - M}&{0.0379} \end{array}} \right). \end{array} $ |
依据式(26), 构建岗位的综合感知效用矩阵
$ \begin{array}{l} \mathit{\boldsymbol{\tilde V}} = \\ \left( {\begin{array}{*{20}{c}} { - 0.0153}&{0.0511}&{0.0744}&{0.0491}&{ - 0.0006}\\ {0.0706}&{0.0712}&{0.0472}&{0.0709}&{0.0187}\\ {0.0329}&{0.0312}&{0.0079}&{0.0303}&{ - M}\\ { - 0.0377}&{ - 0.0491}&{0.0148}&{0.0063}&{ - 0.0443} \end{array}} \right). \end{array} $ |
最后, 分别以员工和岗位的综合感知效用最大化为目标, 依据模型(27), 建立多目标优化模型, 考虑双方主体的公平性, 取ω1=ω2=0.5, 将多目标优化模型转化为单目标优化模型.通过软件包LINGO进行求解, 得到的最优解为:x12=1, x25=1, x31=1, Z1=0.106 1.即M公司应分派员工A1至岗位B2, 员工A2至岗位B5, 员工A3至岗位B1, 员工A4通过此次技能培训和轮岗体验未能成功入岗, 需要接受下一轮的培训和考察.
为进一步说明本文方法的有效性, 下面应用文献[16]的方法对本算例进行求解.
首先, 构建员工对岗位的综合前景值矩阵U和岗位对员工的综合前景值矩阵
$ \begin{array}{l} \mathit{\boldsymbol{U}} = {\left[ {{u_{ij}}} \right]_{4 \times 5}} = \\ \left( {\begin{array}{*{20}{c}} { - 0.0313}&{0.1031}&{ - 0.3098}&{ - 0.1657}&{0.0618}\\ { - 0.3957}&{ - 0.0799}&{ - 0.4996}&{ - 0.4283}&{ - 0.1108}\\ { - 0.0313}&{0.1031}&{ - 0.3098}&{ - 0.1657}&{0.0618}\\ { - 0.1082}&{0.0035}&{ - 0.3935}&{ - 0.2100}&{0.0259} \end{array}} \right), \end{array} $ |
$ \begin{array}{l} \mathit{\boldsymbol{\tilde U}} = {\left[ {{{\tilde u}_{ij}}} \right]_{4 \times 5}} = \\ \left( {\begin{array}{*{20}{c}} { - 0.1362}&{ - 0.0570}&{ - 0.0497}&{ - 0.1830}&{ - 0.3578}\\ { - 0.0738}&{0.0446}&{ - 0.1920}&{ - 0.0077}&{ - 0.0800}\\ { - 0.0808}&{ - 0.0791}&{ - 0.1884}&{0.0371}&{ - 0.2599}\\ { - 0.1371}&{ - 0.1372}&{ - 0.2365}&{ - 0.0210}&{ - 0.3253} \end{array}} \right). \end{array} $ |
然后, 通过构建和求解优化模型得到最终的匹配结果:x12=1, 即通过此次技能培训和轮岗体验, 只有员工A1成功入岗, 被分派至岗位B2, 而员工A2, A3和A4均未能入岗, 将继续接受下一轮的培训和考察.
如果采用本文方法, 员工A1, A2和A3均可成功入岗, 员工A1被分派至岗位B2, 员工A2被分派至岗位B5, 员工A3被分派至岗位B1.由于A2与B5, A3与B1在各指标下均达到了对方的最低可接受水平, 因而采用本文方法可在双方主体均能接受的前提下达成更多匹配, 这对降低企业管理成本、提升人岗双方匹配满意度具有积极意义.
4 结束语通过对匹配主体失望-欣喜心理感知的刻画, 给出了一种新的具有指标期望的多指标双边匹配决策方法.依据失望-欣喜函数, 构建双方主体的感知效用矩阵, 以双方主体的最低可接受水平为约束, 双方主体综合感知效用最大为目标, 构建了考虑双方主体失望-欣喜感知的多目标优化模型, 通过求解模型获得最优的双边匹配结果.本文方法能够有效刻画双方主体在匹配过程中的失望-欣喜感知, 有助于匹配决策者针对现实中的双边匹配问题进行合理决策.在今后的研究中, 将对本文方法进行合理扩展, 使其适用于更加复杂的双边市场情境, 如指标权重全部未知或部分未知的双边匹配环境、具有组合期望的双边匹配环境等.
[1] | ROTH A E. Common and conflicting interests in Two-sided matching markets[J]. European Economic Review, 1985, 27(1): 75–96. DOI:10.1016/0014-2921(85)90007-8 |
[2] | GALE D, SHAPLEY L. College admissions and the stability of marriage[J]. American Mathematical Monthly, 1962, 69(1): 9–15. DOI:10.2307/2312726 |
[3] | ROTH A E. On the allocation of residents to rural hospitals:A general property of two-sides matching markets[J]. Econometrica, 1986, 54(2): 425–427. DOI:10.2307/1913160 |
[4] | VATE V, JOHN H. Linear programming brings marital bliss[J]. Operations Research Letters, 1989, 8(3): 1–23. |
[5] | ROTH A E, ROTHBLUM U G, VATE V. Stable matching, optimal assignments and linear programming[J]. Mathematics of Operations Research, 1993, 18(4): 803–828. DOI:10.1287/moor.18.4.803 |
[6] | ABDULKADIROĜLU A, SÖNMEZ T. School choice:A mechanism design approach[J]. American Economic Review, 2003, 93(3): 729–747. DOI:10.1257/000282803322157061 |
[7] |
乐琦. 基于不完全序关系信息的双边匹配决策方法[J].
浙江大学学报(理学版), 2014, 41(5): 523–527.
YUE Q. Decision method for two-sided matching based on incomplete order relation information[J]. Journal of Zhejiang University (Science Edition), 2014, 41(5): 523–527. |
[8] | JIANG Z Z, ZHANG R, FAN Z P, et al. A fuzzy matching model with Hurwicz criteria for one-shot multi-attribute exchanges in e-brokerage[J]. Fuzzy Optimization & Decision Making, 2015, 14(1): 77–96. |
[9] |
陈圣群, 王应明, 施海柳. 多属性匹配决策的等级置信度融合法[J].
系统工程学报, 2015, 30(1): 25–33.
CHEN S Q, WANG Y M, SHI H L. Rank belief degrees fusion method for multi-attribute matching decision-making[J]. Journal of Systems Engineering, 2015, 30(1): 25–33. |
[10] |
乐琦, 樊治平. 基于不完全序值信息的双边匹配决策方法[J].
管理科学学报, 2015, 18(2): 23–35.
YUE Q, FAN Z P. Decision method for two-sided matching based on incomplete ordinal number information[J]. Journal of Management Science in China, 2015, 18(2): 23–35. |
[11] |
蒋忠中, 樊治平, 汪定伟, 等. 具模糊信息的多数量多属性电子交易匹配问题[J].
管理科学学报, 2014, 17(5): 52–65.
JIANG Z Z, FAN Z P, WANG D W, et al. Matching model and algorithm for multi-unit multi-attribute exchanges with fuzzy information in e-brokerage[J]. Journal of Management Science in China, 2014, 17(5): 52–65. |
[12] |
乐琦. 得分信息下考虑不确定心理行为的双边匹配[J].
浙江大学学报(理学版), 2016, 43(2): 242–246.
YUE Q. Two-sided matching considering uncertain psychological behavior with score information[J]. Journal of Zhejiang University (Science Edition), 2016, 43(2): 242–246. DOI:10.3785/j.issn.1008-9497.2016.02.021 |
[13] | CHEN X, LI Z W, FAN Z P, et al. Matching demanders and suppliers in knowledge service:A method based on fuzzy axiomatic design[J]. Information Sciences, 2016, 346/347: 130–145. DOI:10.1016/j.ins.2016.01.096 |
[14] | LIN Y, WANG Y M, CHEN S Q. Hesitant fuzzy multi-attribute matching decision making based on regret theory with uncertain weights[J]. International Journal of Fuzzy Systems, 2016: 1–12. |
[15] |
陈圣群, 王应明, 郑晶, 等. 考虑同群效应的志愿者与应急任务匹配方法[J].
中国安全科学学报, 2015, 25(11): 156–162.
CHEN S Q, WANG Y M, ZHENG J, et al. A method considering peer effect for matching volunteers with emergence tasks[J]. China Safety Science Journal, 2015, 25(11): 156–162. |
[16] |
樊治平, 乐琦. 基于完全偏好序信息的严格双边匹配方法[J].
管理科学学报, 2014, 17(1): 21–34.
FAN Z P, YUE Q. Strict two-sided matching method based on complete preference ordinal information[J]. Journal of Management Science in China, 2014, 17(1): 21–34. |
[17] | JIANG Z Z, IP W H, LAU H C W, et al. Multi-objective optimization matching for one-shot multi-attribute exchanges with quantity discounts in e-brokerage[J]. Expert Systems with Applications, 2011, 38(4): 4169–4180. DOI:10.1016/j.eswa.2010.09.079 |
[18] |
蒋忠中, 樊治平, 汪定伟. 电子中介中具有模糊信息且需求不可分的多属性商品交易匹配问题[J].
系统工程理论与实践, 2011, 31(12): 2355–2366.
JIANG Z Z, FAN Z P, WANG D W. Trade matching for multi-attribute exchanges with fuzzy information and indivisible demand in e-brokerage[J]. Systems Engineering-Theory & Practice, 2011, 31(12): 2355–2366. DOI:10.12011/1000-6788(2011)12-2355 |
[19] |
樊治平, 陈希. 电子中介中基于公理设计的多属性交易匹配研究[J].
管理科学, 2009, 22(3): 83–88.
FAN Z P, CHEN X. Research on multi-attribute trade matching problem in electronic broker based on axiomatic design[J]. Journal of Management Science, 2009, 22(3): 83–88. |
[20] |
梁海明, 姜艳萍. 二手房组合交易匹配决策方法[J].
系统工程理论与实践, 2015, 35(2): 358–367.
LIANG H M, JIANG Y P. Decision-making method on second-hand house combination matching[J]. Systems Engineering-Theory & Practice, 2015, 35(2): 358–367. |
[21] |
陈希, 韩菁, 张晓. 考虑心理期望与感知的多属性匹配决策方法[J].
控制与决策, 2014, 29(11): 2007–2033.
CHEN X, HAN J, ZHANG X. Method for multiple attribute matching decision making considering matching body's psychological aspiration and perception[J]. Control and Decision, 2014, 29(11): 2007–2033. |
[22] | BELL D E. Disappointment in decision making under uncertainty[J]. Operations Research, 1985, 33(1): 1–27. |
[23] | GUL F. A theory of disappointment aversion[J]. Econometrica, 1991, 59(3): 667–686. DOI:10.2307/2938223 |
[24] | GRANT S, KAJⅡ A. AUSI expected utility:An anticipated utility theory of relative disappointment aversion[J]. Journal of Economic Behavior and Organization, 1998, 37: 277–290. DOI:10.1016/S0167-2681(98)00094-8 |
[25] | LACIANA C E, WEBER E U. Correcting expected utility for comparisons between alternative outside:A unified parameterization of regret and disappointment[J]. Journal of Risk and Uncertainty, 2008, 36(1): 1–17. DOI:10.1007/s11166-007-9027-4 |
[26] | COHON J L. Multi-Objective Programming and Planning[M]. New York: Academic Press, 1978. |