一、决策矩阵(属性矩阵、属性值表)
方案集  X = { }
方案   的属性向量   = { ,…, }
当目标函数为  时,    =  ( )
二、数据预处理
    数据的预处理(又称规范化)主要有如下三种作用。
首先，属性值有多种类型。有些指标的属性值越大越好，如科研成果数、科研经费等是效益型；有些指标的值越小越好，称作成本型。另有一些指标的属性值既非效益型又非成本型。例如研究生院的生师比，一个指导教师指导4至6名研究生既可保证教师满工作量， 也能使导师有充分的科研时间和对研究生的指导时间，生师比值过高，学生的培养质量难以保证；比值过低；教师的工作量不饱满。这几类属性放在同一表中不便于直接从数值大小来判断方案的优劣，因此需要对属性表中的数据进行预处理，使表中任一属性下性能越优的值在变换后的属性表中的值越大。
其次是非量纲化。多目标评估的困难之一是指标间不可公度，即在属性值表中的每一列数具有不同的单位(量纲)。即使对同一属性，采用不同的计量单位，表中的数值也就不
同。在用各种多目标评估方法进行评价时，需要排除量纲的选用对评估结果的影响，这就是非量纲化，亦即设法消去(而不是简单删去)量纲，仅用数值的大小来反映属性值的优劣。
　　第三是归一化。原属性值表中不同指标的属性值的数值大小差别很大，如总经费即
使以万元为单位，其数量级往往在千( )、万( )间，而生均在学期间发表的论文、专著的数量、生均获奖成果的数量级在个位( )或小数( )之间，为了直观，更为了便于
采用各种多目标评估方法进行比较，需要把属性值表中的数值归一化，即把表中数均变换到［0，1］区间上。