目录
一、量
二、分类
三、模糊函数的三种表示方法
四、应用:模糊综合评价(评判)
一、量
①确定性:经典数学(几何、代数)
②不确定性:
随机性(概率论、随机过程)
灰性(灰色系统)
模糊性(模糊数学)
二、分类:
- 偏小型:年轻、小、冷
- 中间型:中年、中、暖
- 偏大型:年老、大、热
三、模糊函数的三种表示方法
(1)模糊统计法(设计调查问卷,不推荐,主观性最弱)(2)借助已有的尺度(需要已有的指标,并能收集到数据)
论域 | 模糊集 | 隶属度 |
---|---|---|
设备 | 设备完好 | 设备完好率 |
产品 | 质量稳定 | 正品率 |
家庭 | 小康家庭 | 恩格尔系数 |
注:如果找的隶属度不在0-1之间,则可归一化
(3)指派法(根据问题的性质直接套用某些分布作为隶属函数、主观性较强)
基本上用这个方法,梯形分布
四、应用:模糊综合评价(评判)
(1)模糊评价问题是要
①把论域中的对象对应评语集中一个指定的评语或者
②将方案作为评语集并选择一个最优的方案。(两个角度)
在模糊综合评价中,引入了三个集合:
① 因素集(评价指标集)U={u1、u2、u3…un}
② 评语集(评价的结果)V={v1,v2,v2…vm}
③ 权重集(评价的结果)A={a1,a2,a3…an}
例如:评价一名学生的表现
U={专业排名、课外实践、志愿服务、竞赛成绩}
V={优、良、差}
A={0.5,0.1,0.1,0.3}
(2)一级模糊综合评价模型
步骤:
-
① 确定因素集。
-
② 确定评语集。
-
③ 确定各因素的权重集。
(Delphi法、加权平均法、众人评估法等) (数学建模)中: 无数据:层次分析法。 有数据:熵权法
-
④ 确定模糊综合判断矩阵。
ri表示隶属度,表示对每个评语的隶属度,它是一个从U–>V的模糊关系矩阵。
- ⑤ 综合评价
得到综合评价的结果
B就得到了综合评价结果,从B中选取最大的数值即表示作为该评价结果。
(by the way–隶属函数的选取必须符合正向化~)
应用举例:
-
例如:评价一名学生的表现: U={专业排名、课外实践、志愿服务、竞赛成绩} V={优、良、差} A={0.5,0.1,0.1,0.3} 假设U都是由民主评议打分得: R1=[0.5 0.4 0.1] R2=[0.2 0.5 0.3] R3=[0.1 0.4 0.5] R4=[0.7 0.3 0 ] 得到评价矩阵: R=[0.5 0.4 0.1; 0.2 0.5 0.3; 0.1 0.4 0.5; 0.7 0.3 0 ] B=A·R=[0.5 0.1 0.1 0.3]·R(R是上面那个矩阵) 得到B = [ 0.4900 0.3800 0.1300] 选取最大的数据0.4900,表示该名学生的表现为优