Det finns välkända problem i samband med att utvinna sannolikheter, verktyg och kriteriumvikter i verkliga beslutsanalyser. Den här artikeln utforskar olika beräkningseffektiva metoder för att generera vikter i beslutsstödssystem med flera kriterier. Därmed utgör den ett hjälpmedel för MCDA-modellerare och verktygsdesigners vid val av surrogatmetoder för kriterievikter. Med tanke på utmaningarna med att få fram exakta kriterievikter från beslutsfattare, utvärderar studien en rad tekniker för att automatiskt generera surrogatvikter, med fokus på både ordinarie och kardinal rankingmetoder. Med en noggrann undersökningsmetodik som aldrig tidigare använts, undersöker vi automatiska viktgenererande algoritmer med flera kriterier i den här artikeln. Metoderna som testas inkluderar traditionella rankbaserade modeller som rank summa (RS), rank reciprocal (RR) och rank order centroid (ROC), tillsammans med nyare tillvägagångssätt som Sum Reciprocal (SR) och Cardinal Sum Re-ciprocal (CSR). Resultaten visar att SR-metoden för ordinalfallet och CSR-metoden för kardinalfallet presterar bättre vad gäller robusthet än andra metoder, även inklusive den lovande nya geometriska klassen av metoder. Det har också visat sig att linjär programmering (LP) presterar dåligt jämfört med surrogatviktsmodeller. Dessutom, som förväntat, presterar kardinalmodellerna bättre än ordinalmodellerna. Men oväntat är den väletablerade LP-modellens prestanda sämre än man tidigare trott.

There are well-known issues in conjunction with eliciting probabilities, utilities, and crite-ria weights in real-life decision analysis. This article explores various computationally ef-ficient methods for generating weights in multi-criteria decision support systems. There-by, it constitutes an aid for MCDA modellers and tool designers in selecting surrogate methods for criteria weights. Given the challenges in eliciting precise criteria weights from decision-makers, the study evaluates a range of techniques for automatically generating surrogate weights, focusing on both ordinal and cardinal ranking approaches. With a thorough inquiry methodology never before used, we examine automatic multi-criteria weight-generating algorithms in this article. The methods tested include traditional rank-based models such as rank sum (RS), rank reciprocal (RR), and rank order centroid (ROC), alongside newer approaches like the Sum Reciprocal (SR) and Cardinal Sum Re-ciprocal (CSR). The results show that the SR approach for the ordinal case and the CSR method for the cardinal case perform better in terms of robustness than other methods, even including the promising new geometric class of methods. It is also shown that linear programming (LP) performs poorly when compared to surrogate weight models. Addi-tionally, as expected, the cardinal models perform better than the ordinal models. Unex-pectedly, though, the well-established LP model’s performance is worse than previously thought.