幂平均（带有惩罚机制）的理论介绍和python实现（含数学建模案例）

理论介绍

  幂平均（power mean）也叫广义平均（generalized mean）或赫尔德平均（Hölder mean），是毕达哥拉斯平均（包含了算术、几何、调和平均）的一种抽象化。其定义如下：
  若p是一非零实数，可定义实数的p次幂平均为：

  公式原理并不是我们的重点，我们在此主要关注幂平均中的惩罚机制。所谓惩罚机制，通俗的讲就是对相对离散的值的容忍程度。用一个例子说明：
  下面是小胡同学和小孙同学的6门成绩：

成绩	小孙	小胡
语文	100	80
数学	80	80
英语	60	80
物理	80	80
生物	60	80
技术	100	80
我们对比多种平均值计算结果：
参数	小孙	小胡
------------	-------------	----
算数平均值	80	80
几何平均值	78.29735282	80
调和平均值	76.59574468	80
平方平均值	81.64965809	80
p=-3 幂平均	73.41161032	80
p=-2 幂平均	74.95121951	80
p=-1 幂平均	76.59574468	80
p=-0.5 幂平均	77.44283825	80
p=0.5 幂平均	79.15209296	80
p=1 幂平均	80	80
p=2 幂平均	81.64965809	80
p=3 幂平均	83.20335292	80
观察上表，我们发现在算术平均值相同的两个数组中，随着p的增大，波动较大的数组的幂平均值随p的增大而增大。这就是所谓的惩罚/奖励机制，即对波动大小的偏好设置。

案例实现

  我们知道，在数学建模中会采取多模型联合的方法，其中比较简单经典的思想就是平均思想。相较于简单粗暴的算数平均，幂平均的联合方法更加灵活，更容易贴近题目主题。

  结合综合评价方法，我们可以对不同的综合评价结果组合采取幂平均方法联合。水平有限，较冗长。

def power_average(left, right, data, k):       # 幂平均(k为惩罚制度)
    data = data[left:right]
    k_power = np.power(data, k)
    k_power[k_power == np.inf] = 10000      # 处理0开方
    k_power_sum = k_power.T.sum(axis=1)/(right-left)
    score = np.power(k_power_sum, 1/k)
    return score

def mixed_score(subjective, objective, data, k):	# 对客观型和主观型综合评价方法采取不同p值的幂平均
    Standard_data = Normalization(data)
    a = pd.DataFrame(Standard_data.T)
    a.to_excel('a.xlsx')
    if subjective > 1:		# 防止只有一种综合评价方法，幂平均报错
        subjective_score = power_average(0, subjective, Standard_data, k)
    else:
        subjective_score = Standard_data[0, :]
    if objective > 1:
        objective_score = power_average(subjective, subjective+objective, Standard_data, 2)
    else:
        objective_score = Standard_data[subjective, :]
    print(subjective_score)
    print(objective_score)
    mixed = []
    mixed.append(subjective_score)
    mixed.append(objective_score)
    print(mixed)
    score = power_average(0, 2, mixed, k)
    return score

结果

  在此我们只需关注Subjective，Objective，Final Score三条线，这是联合模型的结果可视化。
  多种综合评价方法（AHP, TOPSIS, Entropy method, CRITIC, Factor Analysis）的实现见这篇博客：https://blog.csdn.net/Hjh1906008151/article/details/123433270