模糊层次综合分析法Python实践及相关优缺点分析

模糊综合评价法（FCE，Fuzzy Comprehension Evaluation Method）是一种根据模糊数学隶属度理论把定性评价转化为定量评价的方法，它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。

FCE计算的前提条件之一是确定各个评价指标的权重，也就是权向量， 它一般由决策者直接指定，但对于复杂的问题，例如评价指标很多并且相互之间存在影响关系， 直接给出各个评价指标的权重比较困难， 而这个问题正是AHP所擅长的。

1. 模糊综合评价算法步骤

我们假设以企业组织和管理水平评价为例，用模糊综合评价方法给出定量评价，其中主要涉及模糊综合评价法（模糊数学范畴）和层次综合分析法（运筹学范畴）理论知识，以及线性代数矩阵运算基础，本文重点介绍模糊综合评价法。

首先举例，我们先看模糊综合评价数据表，这是专家（或其他统计方式）对评价打分表投票表决结果统计数据，简单的说就是对需要评价的因素（指标）给出主管或客观的“优、良、一般、较差、非常差”评价。这样，我们能给企业什么样的评价呢？

1.1. 确定因素集及权重向量

因素集是以影响评价对象的各种因素为元素所组成的一个普通集合，通常用 UU U 表示， U=(u1,u2,⋯,um)U=(u_{1},u_{2},\cdots ,u_{m}) ( u 1 ​ , u 2 ​ , ⋯ , u m ​ ) ，其中元素 uiu_{i} u i ​ 代表影响评价对象的第i个因素。这些因素，通常都具有不同程度的模糊性。

这里假设评定公司组织与管理水平的指标集为 U=(u1,u2,u3,u4,u5)U=(u_{1},u_{2},u_{3},u_{4},u_{5}) ( u 1 ​ , u 2 ​ , u 3 ​ , u 4 ​, u 5 ​ ) ， u1u_{1} u 1 ​ 表示为持证上岗， u2u_{2} u 2 ​ 表示组织赋能， u3u_{3} u 3 ​ 表示合规管理， u4u_{4} u 4 ​ 表示员工赋能， u5u_{5} u 5 ​ 表示绩效管理。

由于实际评价业务中往往是因素集中元素较多（指标太多），我们通常可以对其进行归类分层分析。比如下表的评价标准，通过准则层和因素层形成多级指标，这里就要用到多级模糊综合评价。 （一般一级不超过5个） 。

上表中的权重来自AHP（层次分析法）[1]，其中因素集和权重矩阵实际数据如下表所示。其中，权重使用AHP（层次分析法）[1]完成的，权重逐层分解，例如“持证上岗”权重分解到“人员专业化”和“人员持证率”两项权重。因素集 u1=(u11,u12)u_{1}=(u_{11},u_{12}) ( u 1 1 ​ , u 1 2 ​ ) 与因素集 u2=(u21,u22,u23)u_{2}=(u_{21},u_{22},u_{23}) ( u 2 1 ​ , u 2 2 ​ , u 2 3 ​ ) 之间，在因素层没有直接关系，其各自权重分别独立使用。

1.2. 建立综合评价的评价集

评价集是评价者对评价对象可能做出的各种结果所组成的集合，通常用 VV V 表示， V=(v1,v2,⋯,vn)V=(v_{1},v_{2},\cdots,v_{n}) ( v 1 ​ , v 2 ​ , ⋯ , v n ​ ) ，其中元素 vjv_{j} v j ​ 代表第j种评价结果，可以