评价模型是数学建模中最基础的模型之一,往往对应的是现实生活中对各种方案做出评价的问题。例如,临近暑期你是选择去重庆旅游还是去贵州呢?
一、层次分析法
简称AHP,是指将与决策总是有关的元素分解成目标、准肌、方案等层次,在此基础上进行定性和定量分析的决策方法。
1.原理
层次分析法是将决策问题按照总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构,然后用求解判断矩阵特征向量的办法,求得每一层次的各元素对上一层次某元素的优先权重,最后再加权和的方法递阶归并各备选方案对总目标的最终权重,此权重最大者即为最优方案。
2.具体操作
层次分析法的主要流程:
- 选择指标,构建层次模型
- 对目标层到准则层之间和准则层到方案层之间构建比较矩阵
- 对每个比较矩阵计算CR 值检验是否通过一致性检验,如果没有通过检验需要调整比较矩阵
- 求出每个矩阵最大的特征值对应的归一化权重向量
- 根据不同矩阵的归一化权重向量计算出不同方案的得分进行比较
其中一致性检验指的是:在构建成对比较矩阵时,有可能会出现逻辑错误,一致性检验就是确定构建的成对比较矩阵是否存在逻辑问题,比如A比B重要,B比C重要,但是又出现了C比A重要。一致性检验通常是用CR值进行分析,CR值小于0.1则通过了一致性检验,反之则没有。CR值的计算方法后文将给出。
在选择指标的时候,题目中通常不会给出,需要我们自己查阅资料,经过大量文献考证或社会调查后选取的。评价指标按照一定的层级结构组织起来就构成了一个评价指标体系。
从结构上来看,层次分析法将模型大致分为目标层、准则层和方案层。目标层是评价目标,准则层是评价指标体系,方案层是多个对比方案。通俗来说,层次分析法就是为了实现我们的目标,在不同的方案之间做比较,选取最优的方案,它是基于比较的方法。
例如用层次分析法选购空调的结构图:
构建成对比较矩阵就是将各要素之间相互两两比较,矩阵的大小就是因素的总个数,矩阵的每一项表示因素i对因素j的相对重要程度。由于对角线上的元素都是和自己做比较,所以对角线上的元素为1。另外,还有一个重要的性质:关于对角线对称的元素的乘积为1,即:
这个矩阵的每一项取值多少,通常使用Santy的1-9标度方法给出:
在构建矩阵时各元素要满足以下条件
通过上述方法手动构建好成对比较矩阵后,便开始对每个矩阵进行最大特征值及其对应的特征向量的求解和一致性检验。对于最大特征值的求解这里不作说明(主要是我懒),请读者自行查找。
在计算CR值判断是否通过一致性检验时,CR的计算公式如下:
其中CI值的计算公式为:
RI对照表如图:
当计算的CR值超过了0.1,此时矩阵就可以认为存在逻辑错误,需要修改、调整矩阵,重复以上步骤。
经过一致性检验后,对最大特征值对应的特征向量进行归一化得到权重向量。归一化的公式为:
最后一步便是给每个方案进行打分。最终选取得分最高的那个方案。
层次分析法在构建成对矩阵时主观因素较多,下面将介绍一个更为客观的方法。
二、熵权分析法
熵权法是一种客观的赋权方法,基于信息论的理论基础,根据各指标的数据的分散程度,利用信息熵计算并修正得到各指标的熵权,较为客观。
1.原理
根据信息熵的定义,对于某项指标,可以用熵值来判断某个指标的离散程度,其信息熵值越小,指标的离散程度越大, 该指标对综合评价的影响就越大,即权重就越大,如果某项指标的值全部相等,则该指标在综合评价中不起作用,即权重越小。因此,可利用信息熵这个工具,计算出各个指标的权重,为多指标综合评价提供依据。其基础原理就是:指标的离散程度越大,权重越大。
2.具体操作
在层次分析法中,我们忽略了一个现象,就是评价的指标不一样。有的是指标越大越好,如成绩,有的是越小越好,有的是在一定范围内,若不先将这个指标统一,分析问题不一定全面,可能会出现问题。所以熵权法第一步便是数据预处理,即指标正向化,就是将原本负向的指标转为正向指标,比如将死亡率转为存活率。此时所有的指标都转换为了越大越好。
对于不同情况的指标进行正向化的方法也不同:
- 对于及大型指标:即指标越大越好,此时不需要正向化,只需要通过min-max规约或Z-score规约进行规约消除量纲的影响即可。
- 对于及小型指标,它的正向化可以取相反数,如果都为正数,也可以取其倒数
- 对于区间型:它的正向化遵循以下式子:
-
对于中值型指标:比如ph指标,它的正向化遵循以下式子:
-
采用熵权法的主要计算步骤如下:
- 根据评价等级对指标重要性进行打分,然后构建评价矩阵
- 将评价矩阵进行归一化处理,得到归一化评价矩阵
- 根据信息熵计算公式,计算各个指标的信息熵。信息熵的计算公式如下:
- 根据熵权计算公式,计算出各个指标的客观权重系数。
三、TOPSIS分析法
TOPSIS分析法常用在有限方案多目标决策分析中,基本思想为:对原始方案进行归一化,找出最优和最劣方案,对每个决策计算最优方案和最劣方案的欧几里得距离,然后再计算相似度,若方案与最优方案相似度越高则越优先。
主要步骤为:
- 将原始矩阵正向化
- 将正向化矩阵标准化(消除量纲的影响)
- 计算得分并归一化
其中,正向化的方法和熵权法的一样。标准化的方法有很多,这里只列出一个:
在第三步计算得分并归一化中,首先定义正理想解和负理想解:
然后计算各评价对象到正理想解和负理想解的欧几里得距离 :
再计算每个评价对象的相似度(即得分):
最后根据得分排序便可得到结果。
注:文章内容来源于开源学习平台Datawhale的学习笔记