一种基于直觉模糊数和信誉传递的供应商选择方法及装置与流程

本发明属于供应商选择技术领域，尤其涉及一种基于直觉模糊数和信誉传递的供应商选择方法及装置。

背景技术：

随着信息技术的飞速发展，越来越多的企业已经开发并实施了电子采购系统，以提高采购的效率和质量。供应商选择作为电子采购的一个重要组成部分，近年来得到了诸多专家和学者的广泛研究并取得了丰硕的研究成果。例如，barbarosoglu等应用层次分析法(analytichierarchyprocess)以选出最优的供应商。liu等引入数据包络分析法(dataenvelopmentanalysis)以提高供应商的整体绩效。dulmin等提出了一种多目标决策辅助方法以提高采购质量。narasimhan等提出了一个多产品、多准则的数学模型，并在模型中融入了生命周期思想以进一步优化供应商的选择。总的来说，这些研究主要集中在如何利用精确的评价值，以选出最优供应商。

近十几年来，由于评价固有的复杂性、不确定性和模糊性，一些研究者开始借助模糊理论以选择最优供应商。例如，booran等将逼近理想解排序法和直觉模糊数(intuitionisticfuzzysets，简称ifss)进行结合，从而选出合适的供应商。jiang等采用模糊数描述不同的属性，包括质量、服务、保证、交货、信誉和位置，以确定供应商的选择。

然而，上述研究要么很少关注信誉度指标，要么忽略了信誉传递的特性。实际上，信誉是相互影响的，并沿着供应链网络的链接方向互相传递。此外，由于供应商评价固有的复杂性、不确定性和模糊性，上述研究仅仅使用精确的数值来处理信誉评分是不够的。因此，模糊环境下的信誉计算已经成为供应商选择领域中的一个难点问题。

技术实现要素：

本发明的目的是提供一种基于直觉模糊数和信誉传递的供应商选择方法及装置，以计算出具有传递性和模糊性的供应商信誉评价值，从而选出最优的供应商。

为了实现上述发明目的，本发明技术方案如下：

一种基于直觉模糊数和信誉传递的供应商选择方法，所述供应商选择方法，包括：

采用直觉模糊数表示供应链中采购链接的原始信誉评分，并采用直觉模糊平均ifa算子对原始信誉评分进行预处理，生成信誉评分矩阵；

采用基于直觉模糊数的超链接诱导主题搜索hits算法计算传递后的供应商的信誉属性值；

根据供应商的信誉属性值和预设的供应商其它属性值，选择最优供应商。

进一步地，所述采用直觉模糊平均ifa算子对原始信誉评分进行预处理，包括：

如果企业ei提供产品pj，则信誉评分mij等于空值null；

如果企业ei没有购买产品pj，则信誉评分mij等于其它企业对产品pj的所有信誉评分的平均值；

如果企业ei多次采购产品pj，则信誉评分mij等于企业ei采购产品pj所给出的所有信誉评分的平均值；

其中，mij表示企业ei采购产品pj对应的采购链接的信誉评分。

进一步地，所述采用基于直觉模糊数的超链接诱导主题搜索hits算法计算传递后的供应商的信誉属性值，计算公式如下：

其中，mij表示一个i*j的信誉评分矩阵，aj1表示产品节点j的authority向量，hi1表示企业节点i的hub向量，t表示迭代次数，所述aj1向量中各元素就是对应供应商的信誉属性值。

进一步地，所述供应商选择方法，还包括：

根据设定的时间序列及其对应的时间权重，运用动态直觉模糊加权平均difwa算子计算供应商的动态信誉属性值；

所述根据供应商的信誉属性值和预设的供应商其它属性值，选择最优供应商，其中供应商的信誉属性值是指供应商的动态信誉属性值。

进一步地，所述根据供应商的信誉属性值和预设的供应商其它属性值，选择最优供应商，包括：

采用直觉模糊熵权法ifew为供应商的信誉属性值和预设的供应商其它属性值赋予权重；

采用vikor方法计算各个供应商的影响指数，将影响指数最小的供应商视为最优供应商。

本发明还提出了一种基于直觉模糊数和信誉传递的供应商选择装置，所述供应商选择装置，包括：

预处理模块，用于采用直觉模糊数表示供应链中采购链接的原始信誉评分，并采用直觉模糊平均ifa算子对原始信誉评分进行预处理，生成信誉评分矩阵；

信誉属性传递模块，用于采用基于直觉模糊数的超链接诱导主题搜索hits算法计算传递后的供应商的信誉属性值；

供应商选择模块，用于根据供应商的信誉属性值和预设的供应商其它属性值，选择最优供应商。

进一步地，所述预处理模块采用直觉模糊平均ifa算子对原始信誉评分进行预处理，执行如下操作：

如果企业ei提供产品pj，则信誉评分mij等于空值null；

如果企业ei没有购买产品pj，则信誉评分mij等于其它企业对产品pj的所有信誉评分的平均值；

如果企业ei多次采购产品pj，则信誉评分mij等于企业ei采购产品pj所给出的所有信誉评分的平均值；

其中，mij表示企业ei采购产品pj对应的采购链接的信誉评分。

进一步地，所述信誉属性传递模块采用基于直觉模糊数的超链接诱导主题搜索hits算法计算传递后的供应商的信誉属性值，计算公式如下：

其中，mij表示一个i*j的信誉评分矩阵，aj1表示产品节点j的authority向量，hi1表示企业节点i的hub向量，t表示迭代次数，所述aj1向量中各元素就是对应供应商的信誉属性值。

进一步地，所述供应商选择装置，还包括：

动态信誉属性计算模块，用于根据设定的时间序列及其对应的时间权重，运用动态直觉模糊加权平均difwa算子计算供应商的动态信誉属性值；

所述供应商选择模块根据供应商的信誉属性值和预设的供应商其它属性值，选择最优供应商，其中供应商的信誉属性值是指供应商的动态信誉属性值。

进一步地，所述供应商选择模块根据供应商的信誉属性值和预设的供应商其它属性值，选择最优供应商，执行如下操作：

采用直觉模糊熵权法ifew为供应商的信誉属性值和预设的供应商其它属性值赋予权重；

采用vikor方法计算各个供应商的影响指数，将影响指数最小的供应商视为最优供应商。

本发明提出的一种基于直觉模糊数和信誉传递的供应商选择方法及装置，将直觉模糊数(intuitionisticfuzzynumber，简称ifn)和超链接诱导主题搜索算法hits(hyperlink-inducedtopicsearch)算法进行结合以计算出传递后的各个供应商的信誉属性值；采用动态直觉模糊加权平均(dynamicintuitionisticfuzzyweightedaverage，简称difwa)算子计算出具有动态特性的信誉属性值及其它评价属性值；然后采用直觉模糊熵权法(intuitionisticfuzzyentropyweight，简称ifew)计算出更加客观的各评价属性权重；最后，采用vikor(vlsekriterijumskaoptimizacijaikompromisnoresenje)方法计算出候选供应商的综合评价值，从而选出最优的供应商。本发明充分考虑了供应商的信誉属性值的传递性和动态属性，使得选出的供应商最优。

附图说明

图1为本发明一种基于直觉模糊数和信誉传递的供应商选择方法流程图；

图2为本发明实施例供应链网络结构图。

具体实施方式

下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。

如图1所示，本实施例一种基于直觉模糊数和信誉传递的供应商选择方法，包括：

采用直觉模糊数表示供应链中采购链接的原始信誉评分，并采用直觉模糊平均ifa算子对原始信誉评分进行预处理，生成信誉评分矩阵；

采用基于直觉模糊数的超链接诱导主题搜索hits算法计算传递后的供应商的信誉属性值；

根据供应商的信誉属性值和预设的供应商其它属性值，选择最优供应商。

hits算法以其良好的传递特性而著称，经常用来评估网页的质量。其枢纽值hub和权威值authority是对网页质量进行的评估，可以沿着链接方向进行传递，并且在网页上相互影响。

传统hits算法的迭代公式如下：

h^(t+1)＝m×a^(t),

a^(t+1)＝m^t×h^(t).

其中，向量m是信誉评分矩阵，h表示hub向量，a表示authority向量，t表示迭代次数。通过不断地迭代计算，当结果收敛(即达到终止条件)时，即可求出hub值和authority值。

类似的，供应商的信誉也可以沿着供应链的链接方向传递，并在供应链网络中相互影响。因此，本实施例采用基于直觉模糊数的超链接诱导主题搜索hits算法，进行供应链网络的信誉传递，以计算出传递后的供应商的信誉属性值，将hub值视为企业的信誉属性值，将authority值视为供应商的信誉属性值。

以图2的有向供应链网络g＝(e,p,l)为例，其中e和p代表节点集合(包括企业节点e和产品节点p)，l代表一组链集(包括供应链接和采购链接)，实线链接表示采购连接，虚线链接表示供应链接。

考虑到直觉模糊数ifn有强大的模糊信息表达能力，本实施例首先采用ifn表达供应链中采购链接(注：供应链接没有评分)的正面评分(赞美)、负面评分(批评)和犹豫评分(不确定性)。

例如，某个采购链接的信誉评分mij为<0.8,0.1,0.1>，第一个值0.8表示正面评分(相当于隶属度)，中间值0.1表示负面评分(相当于非隶属度)，最后一个值0.1表示不确定评分(相当于犹豫度)。假设存在一个直觉模糊数a＝(μa,νa,πa)，μa为隶属度，νa为非隶属度，πa为犹豫度。其中，πa＝1-μa-νa。为了简化计算，本实施例省略了最后一个值，以下不再赘述。

根据企业对各产品的评分，建立信誉评分矩阵，对应于图2的原始评分矩阵m如表1所示：

表1

在直觉模糊环境下，上述原始评分数据不适合用hits算法进行计算，因此采用直觉模糊平均ifa算子对原始信誉评分进行预处理。

设为一组直觉模糊数，则直觉模糊平均ifa算子如下所示：

本实施例讨论了以下三种特殊的评分情况，即对原始信誉评分中零值情况、空值情况和重复采购情况分别进行预处理：

(1)如果企业ei提供产品pj，则信誉评分mij等于空值null，因为企业不能对自己的产品进行评分。

(2)如果企业ei没有购买产品pj(相当于mij在表1中等于0的情况)，则信誉评分mij等于其它企业对产品pj的所有信誉评分的平均值，即：

其中，a表示其它企业ei采购产品pj的次数。

(3)如果企业ei多次采购产品pj，则信誉评分mij等于企业ei采购产品pj所给出的所有信誉评分的平均值，即：

其中，b表示企业ei采购产品pj的次数，表示企业ei第b次采购产品pj时所给出的评分。

以上三种特殊的评分情况可以用如下公式进行概括：

此处，ei表示第i个企业，pj表示第j个产品，mij表示企业ei采购产品pj对应的采购链接的信誉评分。表1中的数据经过预处理后，即可得到如表2所示的结果。

表2

需要说明的是，上述采用直觉模糊平均ifa算子进行预处理的方法，也可以采用直觉模糊加权平均ifwa算子进行预处理。设为一组直觉模糊数，则直觉模糊加权平均ifwa算子如下所示：

其中，ω＝(ω1,ω2,...,ωn)^t为aj(j＝1,2,...,n)的权重向量，ωj∈[0,1](j＝1,2,...,n)，

根据直觉模糊数的相关定义，设和是直觉模糊数，则满足如下公式：

其中，μ为隶属度，ν为非隶属度。

根据直觉模糊数的上述计算公式，本实施例将其与hits算法进行结合，以计算出传递后的供应商的信誉属性值，本实施例计算公式如下所示：

在上述公式中，mij表示一个i*j的信誉评分矩阵，aj1表示产品节点j的authority向量，hi1表示企业节点i的hub向量，t表示迭代次数。其中矩阵mij和aj1中各元素的计算公式如下所示：

在上述公式中，表示正面的信誉评分，用隶属度表示，是负面信誉评分，用非隶属度表示。类似的，表示正面的authority值，表示负面的authority值。

根据上述公式，可以计算出企业节点的hub值(注：本文将hub值视为企业的信誉属性值)。

此外，可以利用下列公式计算迭代后的authority值：

在上述公式中，是mij的一个转置矩阵，hi1表示企业节点i的hub向量，aj1表示产品节点j的authority向量，t表示迭代次数。其中，矩阵和hi1中各元素的计算公式如下所示：

在上述公式中，表示正面的hub值，表示负面的hub值。根据以上公式，可以计算出产品节点的authority值(注：本文将authority值视为供应商的信誉属性值)，即aj1向量中各元素就是对应供应商的信誉属性值。

需要说明的是，本实施例的迭代终止条件也不同于标准的hits方法。标准hits方法的终止条件是最后两次迭代结果近似，即前后两代h^(t+1)-h^(t)或a^(t+1)-a^(t)的向量中各元素小于某个设定的数值。由于直觉模糊数与实数的运算规则不同，终止条件也不同。因此，本实施例采用精确函数对迭代终止条件进行调整。

根据直觉模糊数精确函数h(a)的定义：

h(a)＝μa+νa.

其中，a＝(μa,νa)。对于基于直觉模糊数的hits算法的迭代条件，首先需要计算出h^(t)和a^(t)中各向量元素精确函数值。其次，计算出h^(t+1)和a^(t+1)中各向量元素精确函数值。最后，如果h^(t+1)-h^(t)或a^(t+1)-a^(t)中各元素的精确函数值小于某个设定的数值，那么达到终止条件，迭代终止。本实施例设定的数值(终止条件差值)是10^-6。此外，本实施例所求的是供应商的信誉属性值，因此终止条件只需要求出authority向量中各元素的精确函数值即可。

本实施例以图2所示的供应链为例(仅示出了第一年信誉评分)，包括五个产品节点和四个企业节点，计算出各供应商的信誉属性值。其原始信誉评分矩阵和预处理后的评分矩阵分别列于表1和表2，假设五个产品节点的初始authority向量为a1＝[(0.5,0.5),(0.7,0.3),(0.8,0.2),(0.6,0.4),(0.9,0.1)]^t。此处，as(s＝1,2,...s)表示不同的供应商所提供的产品在第s年的初始信誉值。根据上述公式进行迭代计算，可以计算出各供应商的信誉属性值。最终的结果，即第一年各供应商的信誉属性值，如下所示(所有值均保留四位小数)：

a[5]1＝[(0.9009,0.0092),(0.7118,0.0031),(0.9110,0.0015),(0.6746,0.0403),(0.9826,0.0039)]^t。

此处，a[5]s(s＝1,2,...s)表示由五个不同的供应商所提供的产品在第s年的信誉属性值(注：本实施例假设产品的信誉属性值可以视为供应商的信誉属性值)。

由于ifn的运算规则与精确数的运算规则不同，因此本实施例采用得分函数和精确函数对最终的结果进行降序排列，以对比信誉属性值的大小。信誉属性值越大表示供应商的信誉度越高。直觉模糊数的排序采用如下方法：

根据直觉模糊数得分函数和精确函数的定义：

s(a)＝μa-νa,

h(a)＝μa+νa.

其中，a＝(μa,νa)。在计算得到各供应商的信誉属性值对应的得分函数值和精确函数值后，基于以下公式进行排序：

设和为ifn，和分别为a1和a2的得分值，和分别为a1和a2的精确度。

假设a1和a2是待比较的两个供应商的信誉属性值，则

如果s(a1)<s(a2)，则

如果s(a1)＝s(a2)，则：

如果h(a1)＝h(a2)，则a1＝a2；

如果h(a1)<h(a2)，则

如果h(a1)>h(a2)，则

运用上述方法，可以实现对信誉属性值的排序。根据计算结果，可以判断出五号供应商是信誉度最高的供应商。

在实际应用中，静态的数值有时候很难准确地刻画出属性的特征。事实上，供应商的信誉评分会随着时间的变化而变化。例如，尽管某个供应商在几年前的信誉评分较低，但近年来不断提升服务质量和水平，那么该供应商的信誉评分也会有所提升。因此，动态性是影响供应商信誉度的重要因素之一。

为此，本实施例一种基于直觉模糊数和信誉传递的供应商选择方法，在计算出供应商的信誉属性值之后，还包括：

根据设定的时间序列及其对应的时间权重，运用动态直觉模糊加权平均difwa算子计算供应商的动态信誉属性值。

在实际问题中，供应商信誉的评分数据往往来源于不同的时段。而动态直觉模糊加权平均(dynamicintuitionisticfuzzyweightedaverage，简称difwa)算子定义如下：

设a(k1),a(k2),...,a(ks)为s个不同时段ks(s＝1,2,...,s)的ifn，且ω(k)＝(ω(k1),ω(k2),...,ω(ks))^t为时间序列{ks}(s＝1,2,...,s)的权重向量，ω(ks)≥0(s＝1,2,...,s),则称：

为动态直觉模糊加权平均算子。

可以进一步将上述公式改写为以下形式：

在上述公式中，时间权重和时间序列可以根据实际情况来设置，随着时间的推移，时间越近往往时间权重越大。

例如，为了更好地评估各供应商的信誉属性值，设时间序列三年ts(s＝1,2,3)的动态时间权重为ω(ks)＝(0.2,0.3,0.5)^t，五个产品节点的剩余两年的初始authority向量为a2＝[(0.7,0.3),(0.4,0.6),(0.6,0.4),(0.5,0.5),(0.5,0.5)]^t，a3＝[(0.9,0.1),(0.6,0.4),(0.8,0.2),(0.5,0.5),(0.4,0.6)]^t。

仍然以图2的供应链为例，根据不同年份的信誉评分(图2中仅示出了第一年信誉评分，第二年、第三年的信誉在图2中未列出，具体参见表3和表4)，可以计算出剩余两年的供应商的信誉属性值，结果如下所示：

a[5]2＝[(0.9535,0.0083),(0.8852,0.0062),(0.9467,0.0089),(0.8870,0.0154),(0.8918,0.0062)]^t

a[5]3＝[(0.9767,0.0041),(0.8697,0.0124),(0.9539,0.0031),(0.8982,0.0087),(0.8295,0.0107)]^t。

然后根据difwa算子的计算公式，可以计算出供应商的动态信誉属性值，结果如下所示：

a[5]＝[(0.9617,0.0060),(0.8529,0.0077),(0.9451,0.0037),(0.8675,0.0140),(0.9058,0.0075)]^t。

在计算出供应商的动态信誉属性值后，可以根据直觉模糊数得分函数和精确函数，计算各供应商的信誉属性值对应的得分函数值和精确函数值，并根据计算结果对供应商的动态信誉属性值进行排序。

在上述例子中，一号供应商是这三年来信誉度最高的候选供应商。此外，本实施例中所涉及到的企业信誉属性值也可以用同样的方式进行计算。

此外，供应商的选择不仅考虑信誉，还需要考虑其它属性，例如质量、成本、安全性和满意度等属性，供应商的信誉属性值仅是供应商的属性之一。

需要说明的是，本实施例根据供应商的信誉属性值和预设的供应商其它属性值，选择最优供应商。其中，供应商的信誉属性值优选地采用动态信誉属性值。例如只有一个时间段时，就以供应商的信誉属性值和预设的供应商其它属性值，选择最优供应商；在具有多个时间段，计算出动态信誉属性值时，以供应商的动态信誉属性值和预设的供应商其它属性值，选择最优供应商。在以下的实施例中，统称为供应商的信誉属性值，而预设的供应商其它属性值是根据供应链网络中的实际情况得到，得到的方法与表1、表2类似，同样可以计算对应的动态属性值，这里不在赘述。

本实施例根据供应商的信誉属性值和预设的供应商其它属性值，选择最优供应商，具体说明如下：

步骤f1、采用直觉模糊熵权法ifew为供应商的信誉属性值和预设的供应商其它属性值赋予权重。

例如，采用直觉模糊熵权法ifew以计算各属性的权重wn，计算公式如下：

上述公式中，wn∈[0,1]，(g＝1,2,...,g)，0≤hn≤1(n＝1,2,...,n)。其中，πa表示犹豫度。cn表示第n个需要评价的属性，wn表示第n个属性的权重，g表示第g个供应商；此外，n表示属性的总数，g表示供应商的总数。

通过上述方法，可以计算各属性(信誉、质量、成本、安全性和满意度等)的权重。

步骤f2、采用vikor方法计算各个供应商的影响指数，将影响指数最小的供应商视为最优供应商。

在计算得到各属性的权重后，本实施例利用vikor方法(由opricovic等提出的一种折衷排序的方法)选择出最后供应商。

首先确定正理想解和负理想解。

如果一个属性属于正面属性，则该属性值越大越好；如果一个属性属于负面属性，则该属性值越小越好。正理想解是指最优的属性值，负理想解是指最劣的属性值，最优和最劣可以根据得分函数和精确函数进行比较，前面已经进行了详细的说明，这里不在赘述。

本实施例用和分别表示正理想解和负理想解，则有：

(正面属性)

或：

(负面属性)

其中，fgn表示第g个供应商的第n个属性值，和分别表示正理想解和负理想解。

其次，计算群体效用值和个体遗憾值。

本实施例采用下列公式计算出群体效用值lg和个体遗憾值rg：

其中，wn表示属性的权重。根据ifn的特性，可以选择海明距离计算出lg和rg，其公式如下所示：

在上述公式中，且和分别表示最大的隶属度和非隶属度，fgn＝(μgn,νgn)且μgn和vgn分别表示当前的隶属度和非隶属度，d表示海明距离。

然后，计算每个供应商的影响指数qg。

qg的计算公式如下所示：

上述公式中l⁺＝minlg，l^-＝maxlg，r⁺＝minrg，r^-＝maxrg，λ表示最大群体效用值的权重。λ>0.5，表示根据大多数人的意见制定决策，λ<0.5，表示根据拒绝的情况制定决策；λ＝0.5，表示根据赞同的情况制定决策。

最后，将影响指数最小的供应商视为最优供应商。

需要说明的是，本实施例根据供应商的信誉属性值和预设的供应商其它属性值选择最优供应商，还可以采用topsis方法对供应商进行排序，选出最优供应商。

与上述方法对应地，本申请还提出了一种基于直觉模糊数和信誉传递的供应商选择装置的实施例，所述供应商选择装置，包括：

预处理模块，用于采用直觉模糊数表示供应链中采购链接的原始信誉评分，并采用直觉模糊平均ifa算子对原始信誉评分进行预处理，生成信誉评分矩阵；

信誉属性传递模块，用于采用基于直觉模糊数的超链接诱导主题搜索hits算法计算传递后的供应商的信誉属性值；

供应商选择模块，用于根据供应商的信誉属性值和预设的供应商其它属性值，选择最优供应商。

与上述方法对应地，对于各模块在进行具体处理时的操作，具体说明如下：

本实施例预处理模块采用直觉模糊平均ifa算子对原始信誉评分进行预处理，执行如下操作：

如果企业ei提供产品pj，则信誉评分mij等于空值null；

如果企业ei没有购买产品pj，则信誉评分mij等于其它企业对产品pj的所有信誉评分的平均值；

如果企业ei多次采购产品pj，则信誉评分mij等于企业ei采购产品pj所给出的所有信誉评分的平均值；

其中，mij表示企业ei采购产品pj对应的采购链接的信誉评分。

本实施例信誉属性传递模块采用基于直觉模糊数的超链接诱导主题搜索hits算法计算传递后的供应商的信誉属性值，计算公式如下：

其中，mij表示一个i*j的信誉评分矩阵，aj1表示产品节点j的authority向量，hi1表示企业节点i的hub向量，t表示迭代次数，所述aj1向量中各元素就是对应供应商的信誉属性值。

本实施例所述供应商选择装置，还包括：

动态信誉属性计算模块，用于根据设定的时间序列及其对应的时间权重，运用动态直觉模糊加权平均difwa算子计算供应商的动态信誉属性值。

此时供应商选择模块根据供应商的信誉属性值和预设的供应商其它属性值，选择最优供应商，其中供应商的信誉属性值是指供应商的动态信誉属性值。

本实施例供应商选择模块根据供应商的信誉属性值和预设的供应商其它属性值，选择最优供应商，执行如下操作：

采用直觉模糊熵权法ifew为供应商的信誉属性值和预设的供应商其它属性值赋予权重；

采用vikor方法计算各个供应商的影响指数，将影响指数最小的供应商视为最优供应商。

以下通过一个具体的例子对上述方法和装置进行举例说明：

假设通过审查供应商的基本信息，有五个候选供应商xi(i＝1,2,3,4,5)符合基本的采购要求。采购委员会确定了五个评价属性，包括c1-成本、c2-质量、c3-信誉、c4-安全性及c5-满意度。在过去三年ks(s＝1,2,3)中，不同供应商的评分可以从历史反馈信息中进行提取。假设过去三年的时间权重为ω＝(0.20,0.3,0.5)^t。

根据之前的交易记录，查到四个企业ei(i＝1,2,3,4)对五个供应商xi(i＝1,2,3,4,5)提供的产品pj(j＝1,2,3,4,5)进行了评分。表1显示了第一年的信誉评分矩阵，其余两年的信誉评分矩阵分别列于表3和表4。

接下来，针对三种特殊的评分情况(零值情况、空值情况和重复采购情况)，进行预处理。表5显示了三年间传递后的供应商信誉属性值结果。

表3

表4

表5

然后采用difwa算子计算出供应商各属性的动态属性值。在过去三年中，五个候选供应商的各属性评分分别列于表6-8。根据difwa算子，将各属性评分转换成动态属性值，如表9。

表6

表7

表8

表9

然后，确定正理想解和负理想解，如表10所示。

表10

采用直觉模糊熵权法ifew为供应商各属性值赋予权重，可以得到五个候选供应商的最佳属性权重。上述属性权重分别是：“成本0.1970”、“质量0.1922”、“信誉0.2153”、“安全性0.1954”和“满意度0.2001”。

最后，计算各供应商的影响指数qg，计算出的各个供应商的lg，rg和qg的值如表11。

表11

在计算每个供应商的影响指数后，可以得到各候选供应商的排名顺序：基于上述分析，可以得知三号供应商是最优的供应商。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。