模糊综合评价模型(上
概念解释
问题引出
现在有一个人,假设这个人掉1根头发不是秃子,掉2根头发不是秃子…那么根据数学归纳法,掉n根头发也不是秃子,所以结论是一个光头不是秃子。这明显是一个悖论,数学上引入模糊的概念解决这个问题。
知识背景
数学中将量(量简单来讲就是数字)的划分:
- 确定性的量 { 性别、天气、年龄…}
- 经典数学(几何、代数)
- 不确定的量 { 长得是否帅、天气是否好、 花香不香…}
- 随机性(概率论、随机过程)
- 灰色系统(只能得到部分信息)
- 模糊性
模糊数学的基本概念
经典集合和特征函数
- 经典集合(确定性的量)
- 例如: 颜色集合{ 红, 白, 黑}
- 特性:1. 互斥性(集合中任意两个事件不相同)2.确定性(一个元素要么在集合中,要么不在集合中)
- 特征函数:
f
a
:
U
→
0
,
1
f_a: U \rightarrow {0, 1}
fa:U→0,1 ,其中
U
U
U 是论域,即一些对象的集合,
f
a
f_a
fa是一个特征函数,可以理解成分类函数
- 举例:
假设A是全班及格同学分数的集合, A = {60, 61, …, 100},那么将所有同学分为及格(1)和不及格(0)两类。
f a ( x ) = { 1 x ∈ A 0 x ∉ A f_a(x)=\left\{ \begin{aligned} 1 & & x\in A\\ 0 & & x\notin A \end{aligned} \right. fa(x)={10x∈Ax∈/A
- 举例:
模糊集合和隶属函数
- 模糊集合 (不确定的量)
- 例如:长的高的人集合、长的帅的人集合
- 数学中对模糊集合的刻画:隶属函数,用来描述一个元素有多少把握可以出现在某个模糊集合中。
- 举例
u A : U → [ 0 , 1 ] u_A : U \rightarrow [0,1] uA:U→[0,1], 区别 {0,1} 和 [0,1], 一个是集合,一个是区间。
现在设A = “年轻”, U = (0, 50)表示年龄的集合,那么隶属函数如下,即当年龄在(0,20)时100%进入年轻集合,如果大于40岁那么就不可能进入年轻集合,如果是20到40岁时有 40 − x 20 \frac {40 - x}{20} 2040−x的概率进入
u A ( x ) = { 1 , 0 < x < 20 40 − x 20 , 20 ≤ x ≤ 40 0 , 40 < x < 50 u_A(x)=\left\{ \begin{aligned} 1 & & ,0<x<20 \\ \frac {40 - x}{20} & & ,20 \leq x \leq 40\\ 0 & & ,40<x < 50 \end{aligned} \right. uA(x)=⎩⎪⎪⎪⎨⎪⎪⎪⎧12040−x0,0<x<20,20≤x≤40,40<x<50
- 举例
- 对于模糊集合中的每个元素均对应A中的一个隶属度,隶属度越大表示越属于一个集合。
模糊集合的三种表示方法(仅仅了解即可)
这里为了方便直接上图了(敲出来实在太累了>-<)
注:(1)式中分母的清风、小明等,仅仅是一种描述(可以看成形参),本质上是量。我们一般使用扎得表示法,下面给一个例子:
注:根据不同场景,隶属函数不同,但是总体趋势可以看出来,比如中年,如果年龄逐渐靠近40岁就越大概率进入中年集合。
隶属函数的三种确定方法
模糊统计法(条件苛刻,不介绍)
借助已有的客观尺度
借助已有的客观尺度,选取合适的尺度收集数据
注意:隶属度的范围必须处于0到1之间,否则需要经过一定的处理(归一化
x
i
∑
x
i
\frac{x_i}{\sum x_i}
∑xixi)
指派法(最常用)
根据问题的性质直接套用某些分布函数作为隶属函数
举两个理题说明用法:
- 下面这题中,只要根据生活经验确定a的值,即确定什么是年轻的岁数,可以取25、30等。β是任意取的,无论怎么取都可以,反正有一堆数据都用统一的方法。
- 下面给出使用梯形模板的隶属函数的不同表示方法,在实际使用时,使用哪一个(偏大、小、两头)要具体情况具体分析。下面的
S
O
2
SO_2
SO2偏大型是指当浓度越高,评分越高,得出隶属函数以后可以使用正向化的方法(1-ans)。或者直接使用偏小型指标更为方便。
模糊综合评价模型的应用
模糊综合评价问题就是要把论域中的对象对应评语集中一个指定的评语或者将方案作为评语集并选择一个最优的方案。
评语集:例如评价一个学生的表现,V = {优,良,中,差}, U = {0.5, 1.0, 0.3} 等等。
将方案最为评语集:AHP中旅游地点组成的集合。
模糊综合评价中,引入了三个集合:
- 因素集(评价指标集) U = {专业排名,课外实践,志愿服务,竞赛成绩}
- 评语集(评价的结果)V = {优,良, 中, 差}
- 权重集(指标的权重) A = {0.5, 0.1, 0.1, 0.3}
一级模糊综合评价模型
直接上图,码字太累了:
注: *下文提到的熵权法会在另外一篇blog中介绍
矩阵解释:
- 对于每一个因素集都有一个评语集,例如上述的例子:
-
U = {专业排名,课外实践,志愿服务,竞赛成绩}
-
V = {优,良, 中, 差}
对于每一个因素集中因素(例如专业排名)都对应一整个评语集,专业排名对应优、良、中、差四个指标,也就是说,专业排名要有一个隶属函数来对应这几个评语(对应R1),而矩阵中的正好是对应的隶属度 【千万注意是隶属度!隶属度!隶属度!】。
- 模糊综合评价矩阵的第一列是多个指标对于评语1的隶属度,即专业排名、课外实践、志愿服务、竞赛成绩是优的隶属度(也可以看成概率),后面几列同理。
- 当模糊综合评价矩阵乘上相应的权重后,每一列就是综合隶属度了,比如第1列就是专业排名占0.5,课外实践、志愿服务占0.1, 竞赛成绩占0.3以后得出的综合隶属度。这样可以找出最大的综合隶属度是哪一个,就可以得出到底是优还是良等评语了。
一级模糊评价应用
- 注: 隶属度是自己主关确定的,可以使用上述的方法,也可以直接用概率(模糊统计)的方法(如下)