模糊数学笔记：七、模糊综合评判决策

模糊决策通常有意见集中决策、二元排序决策和综合评判决策（又称模糊综合决策）等方法。其中意见集中决策较为简单，即是得票最多的方案作为决策结果，二元排序决策则是将评价对象的得分进行两两对比，最终得到最优的决策结果。相对而言，模糊综合决策在生活和工作中使用最多，在相关文献中也最常见到。

1、基本思想

模糊综合决策的基本思路非常简单，即根据评判对象列出评价项目，对每个项目定出评价的等级，并用分数表示。将所得分数累加，然后按总分的大小排列次序，以决定方案的优劣。比如高考、考研、公务员考试基本都是这种思路。

关于模糊综合决策的几个名字的解释：

• 综合评判：考虑多个因素对事物作出综合评价。
• 评判：按照给定的条件对事物的优劣、好坏进行评比、判别。
• 综合：评判条件包含多个因素或多个指标。

这里最常用的评分方法就是加权平均：
$$E=\sum _{i=1}^n{a}_i{S}_i,i=1,2,\dots ,n$$
这里$E$表示加权评价分数，$a_i$ 是第 $i$ 个元素所占的权重, 且要求
$$\sum _{i=1}^n{a}_i=1$$

2、模糊综合决策 的主要步骤

• 第一步：建立因素集 U = { u 1 , u 2 , … , u n } U=\left\{u_{1}, u_{2}, \ldots, u_{n}\right\} U={u1​,u2​,…,un​} 与决断集 V = { v 1 , v 2 , … , v m } V=\left\{v_{1},v_{2}, \ldots, v_{m}\right\} V={v1​,v2​,…,vm​}

• 第二步：建立模糊综合评判矩阵，即对于每一个因素$u_i$, 先建立单因素评判:
  $$\left(r_{i1},r_{i2},\dots ,r_{im}\right)$$
  即 $r_{ij}\left(0⩽r_{ij}⩽1\right)$ 表示 $v_j$ 对因素 $u_i$ 所作的评判, 这样就 得到单因素评判矩阵 $\mathbf{R}={\left(r_{ij}\right)}_{n\times m}$

• 第三步：综合评判. 根据各因素权重 $A=\left(a_1,a_2,\dots ,a_n\right)$ 综合评判 $:B=A\oplus R=\left(b_1,b_2,\dots ,b_m\right)$ 是 $V$ 上的一个模糊子集, 根据运算 $\oplus$ 的不同定义, 可得到不同的模型.

3、常用评判模型

• $M(\wedge ,\vee )$主因素决定型
  b j = ∨ { ( a i ∧ r i j ) , 1 ≤ i ≤ n } ( j = 1 , 2 , … , m ) b_{j}=\vee\left\{\left(a_{i} \wedge r_{i j}\right), 1 \leq i \leq n\right\}(j=1,2, \ldots, m) bj​=∨{(ai​∧rij​),1≤i≤n}(j=1,2,…,m)
  由于综合评判的结果 $b_j$ 的值仅由 $a_i$ 与 $r_{ij}(i=1,2,\dots ,n)$ 中的某一个确定(先取小, 后取大运算), 着眼点是考虑主要因素, 其他因素对结果影响不大, 这种运算有时出现决策结果不易分辨的情况.

• $M(\cdot ,\vee )$主因素突出型
  b j = ∨ { ( a i ⋅ r i j ) , 1 ≤ i ≤ n } ( j = 1 , 2 , … , m ) b_{j}=\vee\left\{\left(a_{i} \cdot r_{i j}\right), 1 \leq i \leq n\right\} \quad(j=1,2, \ldots, m) bj​=∨{(ai​⋅rij​),1≤i≤n}(j=1,2,…,m)
  $M(\cdot ,\vee )$ 与模型 $M(\wedge ,\vee )$ 较接近, 区别在于用 $a_i{r}_{ij}$ 代替了 $M$ $(\wedge ,\vee )$ 中的 $a_i\wedge r_{ij}$ 在模型$M$ $(\cdot ,\vee )$中,对 $r_{ij}$ 乘以小于1的权重$a_i$表明 $a_i$ 是在考虑多因素时 $r_{ij}$ 的修正值,与主要因素有关,忽略了次要因素.

• $M(\wedge ,+)$ 主因素突出型
  $$b_j=\sum \left(a_i\wedge r_{ij}\right)(j=1,2,\dots ,m)$$

• $M(・,十)$ 加权平均模型
  $$b_j=\sum \left(a_i\cdot r_{ij}\right)(j=1,2,\dots ,m)$$
  模型$M(・,十)$对所有因素依权重大小均衡兼顾, 适用于考虑各因素起作用的情况.

4、模糊评价应用实例

考虑对某厂生产的服装进行评价，其中

因素集 U = { u 1  (花色)，  u 2  (式样)，  u 3  (耐穿程度)，  u 4 ( 价 格 ) } \boldsymbol{U}=\left\{{u}_{1} \text { (花色)， } u_{2} \text { (式样)， } u_{3} \text { (耐穿程度)， } {u}_{4} (价格)\right\} U={u1​ (花色)， u2​ (式样)， u3​ (耐穿程度)， u4​(价格)} ,

评判集 V = { v 1  (很欢迎)  , v 2  (较欢迎)，  v 3 ( 不 太 欢 迎 ) , v 4  (不欢迎)  } V=\left\{v_{1} \text { (很欢迎) }, \quad v_{2} \text { (较欢迎)， } v_{3} (不太欢迎) ,\quad{v}_{4} \text { (不欢迎) }\right\} V={v1​ (很欢迎) ,v2​ (较欢迎)， v3​(不太欢迎),v4​ (不欢迎) }

对各因素所作的评判如下:
$$\begin{array}{ccccc}{u}_1:& (0.2,& 0.5,& 0.2,& 0.1)\\ u_2:& (0.7,& 0.2,& 0.1,& 0)\\ u_3:& (0,& 0.4,& 0.5,& 0.1)\\ u_4:& (0.2,& 0.3,& 0.5,& 0)\end{array}$$
注意，该评判直接决定了关系矩阵：
$$R=\left(\begin{array}{cccc}0.2& 0.5& 0.2& 0.1\\ 0.7& 0.2& 0.1& 0\\ 0& 0.4& 0.5& 0.1\\ 0.2& 0.3& 0.5& 0\end{array}\right)$$
对于给定各因素权重 $A=(0.1,0.2,0.3,0.4),$ 分别用各种模型所作的评判如下：

$$\begin{array}{rl}M(\wedge ,\vee ):& B=(0.2,0.3,0.4,0.1)\\ M(\cdot ,\vee ):& B=(0.14,0.12,0.2,0.03)\\ M(\wedge ,+):& B=(0.5,0.9,0.9,0.2)\\ M(\cdot ,+):& B=(0.24,0.33,0.39,0.04)\end{array}$$

对另一组权重$A=(0.4,0.35,0.15,0.1)$, 可得到另一组评判：

$$\begin{array}{rl}M(\wedge ,\vee ):& B=(0.35,0.4,0.2,0.1)\\ M(\cdot ,\vee ):& B=(0.245,0.2,0.08,0.04)\\ M(\wedge ,+):& B=(0.65,0.85,0.55,0.2)\\ M(\cdot ,+):& B=(0.345,0.36,0.24,0.055)\end{array}$$
上述结果可以看到，对第一组权重该批产品得到的评价基本上都是“不太受欢迎”；而对第二组权重该批次产品得到的评价主要是“较欢迎”（第二个模型的结果为受欢迎）。而不同模型之间的结果相关不太大。由此可见，权重的选取往往是决定性的。

5、其它问题

• 多层次评价：通常对于因素较多的情况下，可先对因素进行分级，再针对每一级单独进行评价，最终得到多层次综合评价模型。
• 权重确定方法：上文已提到，权重往往是决定评价结果的关键因素。关于权重确定的方法也是学界一直以来重点研究的问题。现行主要方法包括统计法、模糊协调决策和模糊关系方程等方法。