name: promethee-evaluator description: PROMETHEE（偏好排序组织方法用于丰富评估）技能，用于基于优劣排序的多准则分析 allowed-tools:

Read
Write
Glob
Grep
Bash metadata: specialization: decision-intelligence domain: business category: quantitative-analysis priority: lower tools-libraries:
- pyDecision
- pymcdm
- visual-promethee

PROMETHEE 评估器

概述

PROMETHEE 评估器技能实现了偏好排序组织方法用于丰富评估（PROMETHEE）方法，用于多准则决策分析。它基于备选方案的成对比较，使用优劣排序关系，允许通过多种偏好函数进行灵活的偏好建模。

能力

偏好函数选择（常规型、U型、V型、水平型、线性型、高斯型）
单准则偏好度计算
多准则偏好指数计算
PROMETHEE I 部分排序
PROMETHEE II 完全排序
GAIA 平面可视化
权重敏感性分析（Walking weights）
净流量计算

使用流程

多准则决策分析（MCDA）
供应商选择分析
资源分配决策

使用方法

偏好函数

常规型（类型 I）：二元偏好（更好为1，否则为0）
U型（类型 II）：无差异阈值 q
V型（类型 III）：线性偏好阈值 p
水平型（类型 IV）：q 和 p 阈值的组合
线性型（类型 V）：q 和 p 阈值之间的线性关系
高斯型（类型 VI）：具有 sigma 参数的正态分布

配置示例

# 定义 PROMETHEE 配置
config = {
    "alternatives": ["备选方案 A", "备选方案 B", "备选方案 C", "备选方案 D"],
    "criteria": [
        {
            "name": "成本",
            "weight": 0.3,
            "type": "cost",
            "preference_function": "linear",
            "parameters": {"p": 20000, "q": 5000}
        },
        {
            "name": "质量",
            "weight": 0.4,
            "type": "benefit",
            "preference_function": "gaussian",
            "parameters": {"sigma": 10}
        },
        {
            "name": "交付",
            "weight": 0.3,
            "type": "cost",
            "preference_function": "v_shape",
            "parameters": {"p": 5}
        }
    ],
    "performance_matrix": [
        [100000, 85, 12],  # 备选方案 A
        [120000, 92, 8],   # 备选方案 B
        [80000, 78, 15],   # 备选方案 C
        [110000, 88, 10]   # 备选方案 D
    ]
}

流量计算

正流量（Phi+）：一个备选方案优于其他方案的程度
负流量（Phi-）：一个备选方案被其他方案超越的程度
净流量（Phi）：Phi+ - Phi-（用于完全排序）

PROMETHEE I 与 II

PROMETHEE I：基于 Phi+ 和 Phi- 的单独部分排序（允许不可比性）
PROMETHEE II：基于净流量 Phi 的完全排序

GAIA 可视化

GAIA 平面提供：

准则和备选方案的二维投影
显示权重敏感性的决策轴
相似备选方案的聚类
准则相关性识别

输入模式

{
  "alternatives": ["字符串"],
  "criteria": [
    {
      "name": "字符串",
      "weight": "数字",
      "type": "benefit|cost",
      "preference_function": "usual|u_shape|v_shape|level|linear|gaussian",
      "parameters": "对象"
    }
  ],
  "performance_matrix": "二维数字数组",
  "options": {
    "method": "PROMETHEE_I|PROMETHEE_II",
    "gaia_visualization": "布尔值",
    "sensitivity_analysis": "布尔值"
  }
}

输出模式

{
  "ranking": [
    {
      "alternative": "字符串",
      "rank": "数字",
      "phi_plus": "数字",
      "phi_minus": "数字",
      "phi_net": "数字"
    }
  ],
  "outranking_matrix": "二维数组",
  "partial_ranking": {
    "preferred_pairs": ["对象"],
    "incomparable_pairs": ["对象"]
  },
  "gaia_data": {
    "alternative_coordinates": "对象",
    "criteria_axes": "对象",
    "decision_axis": "对象"
  },
  "sensitivity_results": "对象"
}

最佳实践

根据准则特性选择合适的偏好函数
当不可比性有意义时使用 PROMETHEE I
基于领域专业知识设置阈值（p, q）
分析 GAIA 平面以获得超越排名的洞察
与利益相关者验证结果
与其他 MCDA 方法比较以确保稳健性

集成点

从 AHP 计算器或利益相关者偏好收集器接收权重
为决策可视化提供 GAIA 平面数据
与 ELECTRE 比较器连接进行方法比较
支持敏感性分析器进行权重稳健性测试