SAISM,是Squeeze Adversarial Interpretive Structure Modeling Method 的简写。中文名叫夹逼对抗解释结构模型法。其一般流程图如下：

　　AISM,是Adversarial Interpretive Structure Modeling Method 的简写。运算过程的流程图如下：

　　当任意的决策矩阵中不存在完全相等的值，即不存在回路，AISM运算过程简化为如下：

　　SAISM又叫SAHDT即 Squeeze Adversarial Hasse Diagram Technique 夹逼对抗哈斯图技术

　　 Squeeze 来由：

　　Squeeze 来自纵向的过程，它是一个降维的过程。在机器学习中很流行的一个方法SENet（Squeeze-and-Excitation Networks）其中的Squeeze即为夹逼。

　　纵向的过程中，行的数目不发生变化，列的数目是变小，通常变到1列。

　　行代表评价对象、样本、方案、要素等等。

　　列代表指标、准则、属性等等。

　　 SAISM针对的是多个评价对象的综合评价，如多个学生的成绩好坏，地区的环境好坏等，单个的评价对象对于SAISM来说无意义。

　　CE,是综合评价（Comprehensive Evaluation）简写。

　　所有的综合评价只要是涉及多个评价对象都可以用SAISM模型来指示。比如环境监测综合评价、药物临床试验综合评价、地质灾害综合评价、气候特征综合评价、产品质量综合评价等等；在社会科学中广泛应用于总体特征和个体特征的综合评价。比如，社会治安综合评价，生活质量综合评价、社会发展综合评价、教学水平综合评价、人居环境综合评价等等。在经济学学科领域更为普遍。如，综合经济效益评价、小康建设进程评价、经济预警评价分析、生产方式综合评价、房地产市场景气程度综合评价等等

　　CE有三个关键技术。

　　1、指标的选取。即有多少列。

　　2、权重的确定。即求权重的方法，用主观法，还是客观法

　　3、模型方法的适宜。只要是多个评价对象的，都可以用SAISM

偏序( Partial order )其实质就是序拓扑的求解

$$ \require{cancel} \require{AMScd} \begin{CD} D=\left[ d_{ij} \right]_{n \times m}@>偏序规则>>A=\left[a_{ij} \right]_{n \times n} \\ \end{CD} $$

其中 $D=\left[ d_{ij} \right]_{n \times m}$ 为决策评价矩阵。$n$行$m$列。$n$代表评价对象（要素、方案、样本）；$m$代表维度（准则、属性、目标）。

其中 $A=\left[ a_{ij} \right]_{n \times n}$ 为关系矩阵。是一个布尔方阵。$n$代表评价对象（要素、方案、样本）。

对于决策矩阵$D$中 $n$个要素的任何一列都具有严格的可比性。

偏序规则

对于含有m列的评价矩阵D，其中的任意一列即指标维度，具有同属性，可比较的前提。维度的这种优劣的比较至少有着两种属性。

数值越大越优，数值越小越差，称之为正向指标。记作p1、p2……pm。 数值越小越好，数值越大越差，称之为负向指标。记作q1、q2……qm。

对于决策矩阵$D$中的任意两行$x,y$

负向指标有 $d_{(x,p1)} \geqslant d_{(y,p1)} 且d_{(x,p2)} \geqslant d_{(y,p2)} 且 {\cdots}且d_{(x,pm)} \geqslant d_{(y,pm)}$ 同时有

正向指标有 $d_{(x,q1)} \leqslant d_{(y,q1)} 且d_{(x,q2)} \leqslant d_{(y,q2)} 且 {\cdots}且d_{(x,qm)} \leqslant d_{(y,qm)}$

符合上述规则，要素$x$与要素$y$的偏序关系记作：$x ≺ y$

$x \prec y$的意义为$y要素$优于(好于,牛逼于,帅于,猛于)$x要素$ 。

上述规则成为偏序规则。对于决策矩阵通过偏序规则可以得到关系矩阵 $A$

$$a_{xy}= \begin{cases} 1, x \prec y \\ 0, 其它 \end{cases} $$