TOPSIS-RAD：基于期望的排序

arXiv cs.AI 论文
topsis ranking decision-making normalization multi-criteria

摘要

本文提出TOPSIS-RAD，这是TOPSIS方法的一种改进版本，引入了决策者定义的参考水平（VPL和DPL），以解决与偏好不一致、异常值敏感性和排名逆转等问题。

arXiv:2606.07253v1 公告类型：新 摘要：传统TOPSIS方法从观察到的备选方案集合中推导其参考点——正理想解（PIS）和负理想解（NIS），这使得排名容易受到与决策者需求不一致、异常值表现敏感以及排名逆转等问题的影响。本文提出TOPSIS-RAD，通过引入两个由决策者定义的参考水平数组来解决这些问题。否决性能水平（VPL）在归一化之前排除不可行的备选方案，防止它们扭曲排名边界。期望性能水平（DPL）在归一化之前将表现上限设定为决策者期望的水平，将PIS锚定于明确的期望而非数据集的极端值。三个简单示例展示了每种机制：VPL通过移除不可行的备选方案重塑归一化边界；固定的DPL边界通过限制远高于期望水平的表现的影响来稳定排名。该方法保留了TOPSIS熟悉的基于距离的结构，同时将排序建立在稳定且由决策者指定的边界上。还讨论了局限性和未来研究方向。
查看原文
查看缓存全文

缓存时间: 2026/06/08 09:14 

# TOPSIS-RAD: 基于期望的排序方法
来源：https://arxiv.org/abs/2606.07253
查看PDF (https://arxiv.org/pdf/2606.07253)

> **摘要：** 传统TOPSIS的参考点——正理想解（$PIS$）和负理想解（$NIS$）——来源于观测到的备选方案集，这使得排序容易偏离决策者（DM）的需求，对异常表现敏感，且易发生排序反转。本文提出的TOPSIS-RAD通过引入两组由DM定义的参考水平来解决这些问题。否决性能水平（$VPL$）在标准化之前排除不可行的备选方案，防止它们扭曲排序边界。期望性能水平（$DPL$）在标准化前将表现封顶在DM期望的水平，使$PIS$锚定于明确的愿望而非数据集的极端值。三个玩具示例展示了每种机制：$VPL$通过移除一个不可行备选方案重塑标准化边界；固定的$DPL$边界通过限制远超期望水平的性能影响来稳定排序。该方法保留了TOPSIS熟悉的距离基础结构，同时将排序建立在稳定、由DM指定的边界上。还讨论了局限性和未来研究方向。

## 提交历史

来自：Helder Gomes Costa [查看邮箱 (https://arxiv.org/show-email/a4e44e1c/2606.07253)]  
**[v1]** 2026年6月5日，星期五，13:26:11 UTC（366 KB）

相似文章

AI 研究偏好模型

arXiv cs.AI

本文介绍了 AI Research Preference Models (RPMs)，该模型能够预测在 AI 研究任务中哪些候选解决方案值得执行，从而提升在 AIRS-Bench 等基准测试中的效率和性能。

排名质量相同，决策却不同：衡量并减少 LLM 评分器中的顺序依赖性

Hugging Face Daily Papers

本文指出，基于 LLM 的评分器即使产生相同的排名质量，当提示中候选内容的顺序发生变化时，仍可能做出不同的决策，并提出顺序一致性 SFT（OC-SFT）来惩罚不同排列顺序下分数的不一致。在重排序、响应排序和多文档问答任务上，OC-SFT 在保持排名质量的同时，提升了决策稳定性。