تعریف نوتاسیون ها:

تعداد سطر در ماتریس تصمیم گیری (گزینه ها) با علامت m نشان داده می شود

تعداد ستون در ماتریس تصمیم گیری (معیار ها) با علامت n نشان داده می شود

عنصر واقع در سطر i و در ستون j در ماتریس با x_ij نشان داده می شود

نرمالیزه شده عنصر واقع در سطر i و در ستون j با r_ij نشان داده می شود بزرگترین مقدار در ستون jام را با x_j^max و کوچکترین مقدار را با x_j^min نشان می دهیم.

 
1- نرمالیزه کردن برداری    (Vector Normalization)

[math]r_{ij}=\frac{x_{ij}}{\sqrt{\sum\limits_{i=1}^m {(x_{ij})}^2}}[/math]

 
2- Linear Max-Min

[math]r_{ij}=\frac{{{x_j}^{max}} – {x_{ij}}}{{{x_j}^{max}} – {{x_j}^{min}}}[/math] (for cost criterion)

[math]r_{ij}=\frac{{{x_{ij}} – {x_j}^{min}}}{{{x_j}^{max}} – {{x_j}^{min}}}[/math] (for benefit criterion)

 
3- تبدیل مقیاس خطی روش ماکزیمم Linear Scale Transformation (Max method)

[math]r_{ij}=\frac{x_{ij}}{{x_j}^{max}}[/math] (for benefit criterion)

[math]r_{ij}=1-{\frac{x_{ij}}{{x_j}^{max}}}[/math] (for cost criterion)

4- تبدیل مقیاس خطی روش مجموع Linear Scale Transformation (Sum method)

[math]r_{ij}=\frac{{x_{ij}}}{\sum\nolimits_{i=1}^m{x_{ij}}}[/math]

5- دقت افزوده Enhanced Accuracy

[math]r_{ij}=1-{\frac{x_j^{max}-x_{ij}}{\sum\nolimits_{i=1}^m{(x_j^{max}-x_{ij})}}}[/math] (Benefit)

[math]r_{ij}=1-{\frac{x_{ij}-x_j^{min}}{\sum\nolimits_{i=1}^m{(x_{ij}-x_j^{min})}}}[/math] (Cost)

6- نرمالیزه کردن لگاریتمی Logarithmic Normalization

[math]r_{ij}=\frac{lnx_{ij}}{ln(\prod\nolimits_{i=1}^m{x_{ij})}}[/math] (Benefit)

[math]r_{ij}=\frac{1-{\frac{lnx_{ij}}{ln(\prod\nolimits_{i=1}^m{x_{ij})}}}}{m-1}[/math] (Cost)