学习day3 数学建模 熵权法、模糊综合评价

熵权法

一个根据信息熵给出权重的办法，跟前面的层次分析法和TOPSIS的主观得出权重相比，会显得比较客观。

基本步骤

1. 先得出正向化矩阵 -> 正向矩阵标准化
2. 计算第j项指标下第i个样本权重
3. 计算熵权

数据标准化

分两种情况，数据中没有负数，采用
$$Z_{ij}=\frac{x_{ij}}{\sqrt{{\sum }_{i=1}^n{x}_{ij}^2}}$$
如果数据中有负数，则采用Min-Max归一化
Z ~ = x − m i n { x 1 j , x 2 j , . . . , x n j } m a x { x 1 j , x 2 j , . . . , x n j } − m i n { x 1 j , x 2 j , . . . , x n j } \tilde Z = \frac{x-min\{{x_{1j},x_{2j},...,x_{nj}}\}}{max\{{x_{1j},x_{2j},...,x_{nj}}\} - min\{{x_{1j},x_{2j},...,x_{nj}}\}} Z~=max{x1j​,x2j​,...,xnj​}−min{x1j​,x2j​,...,xnj​}x−min{x1j​,x2j​,...,xnj​}​
也就对于每列减去当前列的最小值，除以该列的变动范围。

计算第j项指标下第i个样本权重

每个元素除以该列的和，计算样本所占的比重。
$$p_{ij}=\frac{{\tilde{z}}_{ij}}{{\sum }_{i=1}^n{\tilde{z}}_{ij}}$$

计算熵权

举例：

模糊综合评价

课程中讲了很多概念，但是对于应用来说，感觉不太需要注意那么多，这里挑一些重点写出来。

概念

1. 论域：所讨论的属性的各个取值，比如每个人的身高
2. 模糊集合：可以理解为样本属于这个集合的概率（隶属度）。
3. 隶属函数：将数据转换成隶属度的函数。

这里举个例子：

假设论域为 X = { 140 , 150 , 160 , 190 } X = \{140,150,160,190\} X={140,150,160,190}表示每个人的身高。
隶属函数为${\mu }_A(x)=\frac{x-140}{190-140}$
模糊集合为：$(0,0.2,0.4,1)$

模糊集合的分类

分为三类：偏小型、中间型、偏大型。也就是偏向哪，隶属度越高。比如：偏小型就是数据越小，隶属度越高。
对于年龄来说，年轻属于偏小型，中年属于中间型，年老属于偏大型。

隶属函数的确定方法

1. 模糊统计法：找一堆人投票，计算出属于的比例。比如：30个人投票，3个人认为这个人是年轻的，那这个人年轻的隶属度就是0.1
2. 借助已有的客观尺度：借用一些已经有的指标来确定。比如：“1 - 恩格尔系数“作为小康家庭的隶属度
3. 指派法（最常用）：根据主观意愿，直接给一个隶属函数。

指派法的一些函数：

评价类问题概述

需要确定三个集合：

1. 因素集：评价的指标，比如：政治表现、工作态度
2. 评语集：评价的结果，比如：优、良、中、差、选择哪个方案
3. 权重集：每个指标的权重

举例

1. 模糊统计法
   
   根据一些评分规则，比如同事领导打分等得出相应数据。
   
   进行矩阵乘法。
   
2. 指派法
   
   需要选择一个最优方案。
   对于这种，就没有办法通过打分来解决了，可以直接指派隶属函数进行计算。
   可采矿量，应该越多越好，属于偏大型，可以指派${\mu }_A(x)=\frac{x}{8800}$。
   基建投资，应该越少越好，属于偏小型，假设投资最大为8000万元。，可以指派${\mu }_B(x)=1-\frac{x}{8000}$。
   其他类推，然后通过函数，计算出隶属度。
   
   假设权重$A=(0.25,0.20,0.20,0.10,0.25)$，矩阵相乘得到：
   
3. 多层模糊评价
   
   

对每一层之下计算出隶属度后，作为当前的隶属度，以销售能力为例。

将计算出的$B_{23}$作为运行费用的隶属度，计算出销售能力的隶属度。

最后，再根据$u_1,u_2,u_3$计算出产品属于好的隶属度。