🔆 文章首发于我的个人博客:欢迎大佬们来逛逛
数学建模:模糊综合评价分析
综合评价分析
构成综合评价类问题的五个要素:
- 被评价对象
- 评价指标
- 权重系数
- 综合评价模型
- 评价者
综合评价的一般步骤:
- 确定综合评价的目的(分类?排序?实现程度)
- 建立评价指标体系
- 对指标数据进行预处理:一致化和无量纲化处理
- 确定各个指标的权重
- 求综合评价值
常用评价方法
一级模糊综合评价
- 评价对象为
X
X
X ,其具有评价指标集:
U
=
{
u
1
,
u
2
,
.
.
.
u
m
}
U = \left \{u_1,u_2,...u_m \right \}
U={u1,u2,...um}, 具有评价等级集:V =
{
v
1
,
v
2
,
.
.
.
v
n
}
\left \{v_1,v_2 , ... v_n \right\}
{v1,v2,...vn}
- m m m 表示指标(因素) n n n 表示评语的总个数。
- 对 U 中每一指标根据评判集中的等级指标进行模糊评判,得到相对偏差模糊矩阵 R R R , 其中 i , j i,j i,j 表示第 i i i 个指标处于 j j j 评语的隶属度是 R i j R_{ij} Rij
R = [ r 11 , r 12 , ⋯ , r 1 n r 21 , r 22 , ⋯ , r 2 n r m 1 , r m 2 , ⋯ , r m n ] R=\begin{bmatrix}r_{11},r_{12},\cdots,r_{1n}\\r_{21},r_{22},\cdots,r_{2n}\\r_{m1},r_{m2},\cdots,r_{mn}\end{bmatrix} R= r11,r12,⋯,r1nr21,r22,⋯,r2nrm1,rm2,⋯,rmn
- 自此 { U , V , R } \left \{ U,V,R \right \} {U,V,R} 构成一个模糊综合评价模型,然后确定各指标的权系数向量,记为 : A A A
A = { a 1 , a 2 , ⋯ , a n } A=\{a_{1},a_{2},\cdots,a_{n}\} A={a1,a2,⋯,an}
- 利用矩阵的模糊乘法得到综合模糊评价结果,合成评价结果 B B B :
运算为模糊乘法,逻辑乘∧(取最小)和逻辑加∨(取最大)
B = A ⋅ R B = A\cdot R B=A⋅R
- 归一化(标准化)后,得到:
B = { b 1 , b 2 , ⋯ , b m } B=\{b_{1},b_{2},\cdots,b_{m}\} B={b1,b2,⋯,bm}
- 因此便可以根据 B B B 来判断评价结果。
如何得到相对偏差模糊矩阵 R R R ?
-
相对偏差评价法:
-
虚拟化理想方案 u u u
u = ( u 1 , u 2 , ⋯ , u n ) u i = { max j { a i j } , a i j 为效益型指标 min j { a i j } , a i j 为成本型指标 u{=}(u_1,u_2,\cdots,u_n)\\\\{u_i=\begin{cases}\max_j\left\{a_{ij}\right\},&a_{ij}\text{为效益型指标}\\\min_j\left\{a_{ij}\right\},&a_{ij}\text{为成本型指标}&\end{cases}} u=(u1,u2,⋯,un)ui={maxj{aij},minj{aij},aij为效益型指标aij为成本型指标
-
建立相对偏差模糊矩阵 R R R :
R = ( r 11 r 12 ⋯ r 1 n r 21 r 22 ⋯ r 2 n ⋮ ⋮ ⋱ ⋮ r m 1 r m 2 ⋯ r m n ) r i j = ∣ a i j − u i ∣ max j { a i j } − min j { a i j } \begin{gathered}\text{R} =\left(\begin{array}{cccc}r_{11}&r_{12}&\cdots&r_{1n}\\r_{21}&r_{22}&\cdots&r_{2n}\\\vdots&\vdots&\ddots&\vdots\\\\r_{m1}&r_{m2}&\cdots&r_{mn}\end{array}\right) \\\\\boldsymbol{r_{ij}} =\frac{\left|a_{ij}-u_i\right|}{\max_j\left\{a_{ij}\right\}-\min_j\left\{a_{ij}\right\}} \end{gathered} R= r11r21⋮rm1r12r22⋮rm2⋯⋯⋱⋯r1nr2n⋮rmn rij=maxj{aij}−minj{aij}∣aij−ui∣
-
-
相对优属度评价法:
-
使用如下公式来计算相对偏差模糊矩阵 R R R:
r i j = { a i j / max j { a i j } , a i j 为效益型 min j { a i j } / a i j , a i j 为成本型 min j ∣ a i j − α j ∣ / a i j − α j ∣ , a i j 为固定型 \begin{aligned}r_{ij}&=\begin{cases}a_{ij}\Big/\max_j\left\{a_{ij}\right\},a_{ij}\text{为效益型}\\\min_j\left\{a_{ij}\right\}\Big/a_{ij},a_{ij}\text{为成本型}\\\min_j\left|a_{ij}-\alpha_j\right|\Big/a_{ij}-\alpha_j\Big|,a_{ij}\text{为固定型}&\end{cases}\end{aligned} rij=⎩ ⎨ ⎧aij/maxj{aij},aij为效益型minj{aij}/aij,aij为成本型minj∣aij−αj∣/aij−αj ,aij为固定型
-
如何得到指标权系数向量 A A A ?
变异系数法。
数学建模:变异系数法 | HugeYlh
- 得到第 i i i 项指标的均值与方差
x i ‾ = 1 n ∑ j = 1 n a i j , s i 2 = 1 n − 1 ∑ j = 1 n ( a i j − x i ‾ ) 2 ν i = s i / ∣ x i ‾ ∣ \overline{x_i}=\frac1n\sum_{j=1}^na_{ij},s_i^2=\frac1{n-1}\sum_{j=1}^n\left(a_{ij}-\overline{x_i}\right)^2 \\\\\boldsymbol{\nu_{i}}=\boldsymbol{s_{i}}/\left|\overline{\boldsymbol{x_{i}}}\right|\boldsymbol{} xi=n1j=1∑naij,si2=n−11j=1∑n(aij−xi)2νi=si/∣xi∣
- 得到权重值 a i a_i ai
a i = ν i / ∑ ν i a_i=\nu_i/\sum\nu_i ai=νi/∑νi
熵权法
数学建模:熵权法 | HugeYlh
- 计算每一个指标所占全部指标的比例,得到变异值矩阵
p i j = Y y ¨ ∑ i = 1 m Y i j , i = 1 , ⋯ , m , j = 1 , ⋯ , n p_{ij}=\frac{Y_{\ddot{y}}}{\sum_{i=1}^mY_{ij}},i=1,\cdots,m,j=1,\cdots,n pij=∑i=1mYijYy¨,i=1,⋯,m,j=1,⋯,n
-
计算信息熵
E j = − ln ( m ) − 1 ∑ i = 1 m p i j ln p i j E_j=-\ln(m)^{-1}\sum_{i=1}^mp_{ij}\ln p_{ij} Ej=−ln(m)−1i=1∑mpijlnpij
-
获取各个指标的权重
综合代码
- 使用相对偏差评价法求得模糊矩阵 R R R :
clc;clear;
% 5行 7列 表示5个评价对象,6项指标
X=[1000 120 5000 1 50 1.5 1
700 60 4000 2 40 2 2
900 60 7000 1 70 1 4
800 70 8000 1.5 40 0.5 6
800 80 4000 2 30 2 5];
% 其中第一列与最后一列指标为效益性(越大越好),其他指标为成本型(越小越好)
[m,n]=size(X);
%% 计算相对偏差模糊矩阵R
maxA=max(X);
minA=min(X);
G=maxA-min(X);%最大值减去最小值
A1=max(X(:,1));%A1为效益型
A2=min(X(:,2:n-1));%A2~A6为成本型
A3=max(X(:,7));%A7为效益型
u=[A1,A2,A3]; %得到u然后带入到求 每个r_{ij} 的公式
%%
R = X;
R = (abs(X-repmat(u,m,1)))./G;
%% 利用变异系数计算权向量A
x=mean(X);
s=std(X);
v=s./x;
vsum=sum(v);
A = v./vsum;
%% B为m个评价结果
B=R*(A');
- 使用相对优属度来求得模糊矩阵 R R R
R i j = a i j m a x j ( a i j ) R_{ij} = \frac {a_{ij}}{max_{j}(a_{ij})} Rij=maxj(aij)aij
%%
clc;clear;close all;
A=[58 38 14 8 57 10
50 45 11 9 52 12
42 47 8 12 50 15
45 42 12 15 46 16
47 44 13 10 49 13];
[m,n]=size(A);
h=max(A);%最大值
H=repmat(h,m,1);
Mij=A./H;% 得到模糊关系矩阵Mij 相对优属度
%% 熵权法
% 得到变异值矩阵
Qij = Mij./repmat(sum(Mij),m,1);
% 计算各指标的信息熵
for j=1:n
% 计算每个指标的信息熵
fj(j)=-1/log(m)*sum(Qij(:,j).*log(Qij(:,j)));
end
% 计算各指标权重
v=(1-fj)./sum((1-fj));
B=Qij*v';%最终评价结果
disp(B)%显示结果
多级模糊综合评价
评价模型:
C = A B = A ( A 1 R 1 A 2 R 2 ⋯ A n R n ) = A ( B 1 B 2 ⋯ B n ) C=A\text{B}=A\left(\begin{array}{c}A_1R_1\\A_2R_2\\\cdots\\A_nR_n\end{array}\right)=A\left(\begin{array}{c}B_1\\B_2\\\cdots\\B_n\end{array}\right) C=AB=A A1R1A2R2⋯AnRn =A B1B2⋯Bn
即计算出各个二级指标的模糊综合评价的归一化后的评价结果 B B B 后,然后分别进行一级指标的模糊综合评价,并且得到结果: C C C文章来源:https://www.toymoban.com/news/detail-704117.html
总结
- 灰色关联分析法、相对偏差法和相对优属度法对同一问题的评价、排序结果不尽相同.
- 当各指标在评价体系重要性相当时,用变异系数法确定指标权重,可提高上述方法排序的分辨率;
- 当各指标在评价体系重要性差异较大时,可考虑用层次分析法确定指标权重;
- 在实际中, 对于评价类问题,应同时应用上述几种方法进行综合评价,以提高评价的可靠性。
31 老哥带你学数模:模糊综合评价算法.pdf文章来源地址https://www.toymoban.com/news/detail-704117.html
到了这里,关于数学建模:模糊综合评价分析的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!