python实现多层次模糊综合评价

算法简介

调用示例

例题

代码

具体实现

权重 ak 的确定

频数统计法确定权重

算法理论

算法代码

def frequency(matrix,p):
    '''
    频数统计法确定权重
    :param matrix: 因素矩阵
    :param p: 分组数
    :return: 权重向量
    '''
    A = np.zeros((matrix.shape[0]))
    for i in range(0, matrix.shape[0]):
        ## 根据频率确定频数区间列表
        row = list(matrix[i, :])
        maximum = max(row)
        minimum = min(row)
        gap = (maximum - minimum) / p
        row.sort()
        group = []
        item = minimum
        while(item < maximum):
            group.append([item, item + gap])
            item = item + gap
        print(group)
        ## 初始化一个数据字典，便于记录频数
        dataDict = {}
        for k in range(0, len(group)):
            dataDict[str(k)] = 0
        ## 判断本行的每个元素在哪个区间内，并记录频数
        for j in range(0, matrix.shape[1]):
            for k in range(0, len(group)):
             if(matrix[k, j] >= group[k][0]):
                 dataDict[str(k)] = dataDict[str(k)] + 1
             break
        print(dataDict)
        ## 取出最大频数对应的key，并以此为索引求组中值
        index = int(max(dataDict,key=dataDict.get))
        mid = (group[index][0] + group[index][1]) / 2
        print(mid)
        A[i] = mid
    A = A / sum(A[:]) ## 归一化
    return A

   
   

   
   
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

模糊层次分析法确定权重

算法理论

算法代码

def AHP(matrix):
    if isConsist(matrix):
        lam, x = np.linalg.eig(matrix)
        return x[0] / sum(x[0][:])
    else:
        print("一致性检验未通过")
        return None

def isConsist(matrix):
‘’’
:param matrix: 成对比较矩阵
:return: 通过一致性检验则返回true，否则返回false
‘’’
n = np.shape(matrix)[0]
a, b = np.linalg.eig(matrix)
maxlam = a[0].real
CI = (maxlam - n) / (n - 1)
RI = [0, 0, 0.58, 0.9, 1.12, 1.24, 1.32, 1.41, 1.45]
CR = CI / RI[n-1]
if CR < 0.1:
return True, CI, RI[n-1]
else:
return False, None, None

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23

综合评价

算法理论

算法代码

其中算子的算法在另一篇博客中https://blog.csdn.net/weixin_44112790/article/details/88090412

def appraise(criterionMatrix, targetMatrixs, relationMatrixs):
    '''
    :param criterionMatrix: 准则层权重矩阵
    :param targetMatrix:    指标层权重矩阵列表
    :param relationMatrixs: 关系矩阵列表
    :return:
    '''
    R = np.zeros((criterionMatrix.shape[1], relationMatrixs[0].shape[1]))
    for index in range(0, len(targetMatrixs)):
        row = mul_mymin_operator(targetMatrixs[index], relationMatrixs[index])
        R[index] = row
    B = mul_mymin_operator(criterionMatrix, R)
    return B / sum(B[:])

 
 

 
 
1
2
3
4
5
6
7
8
9
10
11
12
13

                </div>
                <link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-e44c3c0e64.css" rel="stylesheet">
                                </div>