数模学习：模糊综合评价（上）

这里学习的内容与评价类问题相关 综合代表评价体系里有多个指标

一.概述

数学归纳法和秃子悖论(引子）

秃子悖论认为 根据数学归纳法 若一个人少k根头发不是秃子 则一个人少k+1根头发也不是秃子

则秃子也不是秃子

数学中研究的量的划分

生活中处处存在模糊性

与模糊相对的概念就是确定：工资 身高 一切能用具体数值描述出来的都是确定性概念

模糊概念，如：帅与美 善与恶

模糊数学的介绍

模糊数学诞生于1965年 首次出现于L.A.Zadeh发表的“fuzzy sets（模糊集）”中

模糊数学贴合实际的模糊性 常用于解决实际问题

人们运用概念进行判断、评价、推理、决策和控制的过程也可以用模糊性数学的方法来描述

如模糊聚类分析、模糊模式识别、模糊综合评判、模糊决策与模糊预测、模糊控制、模糊信息处理等

这些方法构成了一种模糊性系统理论，构成了思辨数学的雏形

二.经典集合和模糊集合的基本概念

经典集合和特征函数

a.集合的定义

具有相同属性的事物的集体，例如：性别，颜色，手机品牌

b.集合的基本属性

1.若a∈A，b∈A，则a≠b

2.a∈A和a不属于A有且只有之一发生

c.经典集合与特征函数的关系

我们能用一种很简单的函数来确定集合与集合间的关系，这种函数就是特征函数

我们来回顾什么叫函数，函数是一种特殊的映射，通过法则将定义域集合映射到值域集合、

特征函数中，我们可以把定义域称为“论域”，表示“我们感兴趣的一些对象的集合”，值域只有0或1，或者理解成是或非，那这个函数的对应法则就取决于我们选的这个集合A，用于区分论域中的元素是否在A中

有没有感觉很熟悉？

模糊集合和隶属函数

a.模糊集合的定义

用于描述模糊性概念的集合，如：美丑 善恶

b.模糊集合与经典集合的区别

与经典集合相比，模糊集合承认亦此亦彼

c.模糊集合和隶属函数的关系

正如特征函数刻画经典集合的关系，隶属函数也用于刻画模糊集合

***但是，与特征函数的“非此即彼”相对，隶属函数的“值域”是[0,1]***

此时我们引入隶属度的概念，对应函数值。隶属度介于[0,1]，越大表示元素越属于这种集合

（注：若对于模糊集合A和隶属函数,我们可以视为等价）

（再注：（x）不唯一）

d.模糊集合的三种表示方法

论域U={,,...,}，模糊集合为A，隶属度为A（），i=1,2,3...,n

1.（Zadeh）扎德表示法

+号≠加法 只是一种理解方式

2.序偶表示法

3.向量表示法

特别的

e.模糊集合的分类

一般的，我们可以将模糊集合分为三类：偏小型；中间型；偏大型

三种类型的函数图像有较大出入

三.隶属函数的三种确定方法

（终于学到稍微深一点的内容了，学了一晚学的全是皮毛...)

模糊统计法

原理：频率定义隶属度

实际生活中比较常用 通过发调查问卷来统计数据

方法：eg：假设在论域中含有a这个数字，让m个人选出m个区间，若有n个区间包含数字a，则a的隶属度为n/m

数模比赛中不常用，因为需要调查问卷，时间可能来不及，但是当参与的人数足够多时，数值比较趋于好用（什么鬼形容哈哈哈哈哈）

借助已有的客观尺度

要有合适的指标，并能收集到足够的数据

例如，对于家庭的开支这个模糊集，恩格尔系数可以作为隶属度

注意 如果找的指标不位于[0,1]区间，则需要对指标进行归一化

指派法

慎用，主观性较强

并没有，80%的模糊评价方法都需要指派法

指派法是指根据的性质直接套用某些分布作为隶属函数（其实和我一开始想象的建模过程挺像的）

更多详细内容请搜索Membership functions，这里不举太多例子

指派法的优点是方便，缺点是主观性强 而模糊统计法虽然调查麻烦，但主观性相对最弱

一般来说 梯形分布最简单，只需要端点值，就可以构建出模型

有点困了，应用部分就留到明天学 晚安

（根据例题来学习模型会更方便理解一点，请原谅这节笔记全是枯燥的说理）