评价类模型-灰色关联分析★★★★★

该博客为个人学习清风建模的学习笔记，部分课程可以在B站：【强烈推荐】清风：数学建模算法、编程和写作培训的视频课程以及Matlab等软件教学_哔哩哔哩_bilibili

目录

1概述 

 2应用

2.1进行系统分析

2.1.1画统计图

2.1.2确定分析数列

2.1.3对变量进行预处理

2.1.4计算子序列中各个指标与母序列的关联系数

2.1.5定义灰色关联度

2.1.6得出结论

2.1.7讨论

2.1.8代码

 2.2用于综合评价问题

2.2.1步骤

2.2.2代码

3总结

---

 

名称	重要性	难度
灰色关联分析	★★★★★	★★

1概述 

在系统分析和综合评价问题还可以参考层次分析法、Topsis+熵权法，可以看博主其他文章，地址在：

评价类模型-层次分析法★★★★★-CSDN博客

评价类模型-Topsis优劣解距离法★★★★★-CSDN博客

评价类模型-基于熵权法的Topsis模型★★★★-CSDN博客

  参考:刘思峰. 灰⾊系统理论及其应⽤(第五版)[M]. 北京: 科学出版社, 2010: 62.

 2应用

2.1进行系统分析

步骤：

2.1.1画统计图

使用excel绘图，画图后得配上简单的分析:
1四个变量均呈上升的趋势
2第二产业的增幅较为明是
3第二产业和第三产业的差距在后三年相差更大

2.1.2确定分析数列

2.1.3对变量进行预处理

excel求均值的函数AVERAGE

求绝对值的函数ABS

求最大值的函数MAX

求最小值的函数MIN

2.1.4计算子序列中各个指标与母序列的关联系数

2.1.5定义灰色关联度

灰色关联度为每一列关联系数的均值

2.1.6得出结论

2.1.7讨论

美赛不推荐使用灰色关联分析

2.1.8代码

代码摘自清风老师：

%% 灰色关联分析用于系统分析例题的讲解
clear;clc
load gdp.mat  % 导入数据 一个6*4的矩阵
% 不会导入数据的同学可以看看第二讲topsis模型，我们也可以自己在工作区新建变量，并把Excel的数据粘贴过来
% 注意Matlab的当前文件夹一定要切换到有数据文件的这个文件夹内
Mean = mean(gdp);  % 求出每一列的均值以供后续的数据预处理
gdp = gdp ./ repmat(Mean,size(gdp,1),1);  %size(gdp,1)=6, repmat(Mean,6,1)可以将矩阵进行复制，复制为和gdp同等大小，然后使用点除（对应元素相除），这些在第一讲层次分析法都讲过
disp('预处理后的矩阵为：'); disp(gdp)
Y = gdp(:,1);  % 母序列
X = gdp(:,2:end); % 子序列
absX0_Xi = abs(X - repmat(Y,1,size(X,2)))  % 计算|X0-Xi|矩阵(在这里我们把X0定义为了Y)
a = min(min(absX0_Xi))    % 计算两级最小差a
b = max(max(absX0_Xi))  % 计算两级最大差b
rho = 0.5; % 分辨系数取0.5
gamma = (a+rho*b) ./ (absX0_Xi  + rho*b)  % 计算子序列中各个指标与母序列的关联系数
disp('子序列中各个指标的灰色关联度分别为：')
disp(mean(gamma))

 2.2用于综合评价问题

2.2.1步骤

正向化是一个重要的步骤，它主要指的是将不同性质的指标（如正向指标、逆向指标、适度指标等）转化为同一趋势的指标，以便于后续的分析和处理。具体来说，正向化通常是将逆向指标（即指标值越小评价越好的指标）和适度指标（即指标值越接近某个值越好的指标）转化为正向指标（即指标值越大评价越好的指标）。

2.2.2代码

%% 灰色关联分析用于综合评价模型例题的讲解
clear;clc
load data_water_quality.mat
% 不会导入数据的同学可以看看第二讲topsis模型，我们也可以自己在工作区新建变量，并把Excel的数据粘贴过来
% 注意Matlab的当前文件夹一定要切换到有数据文件的这个文件夹内

%%  判断是否需要正向化
[n,m] = size(X);
disp(['共有' num2str(n) '个评价对象, ' num2str(m) '个评价指标']) 
Judge = input(['这' num2str(m) '个指标是否需要经过正向化处理，需要请输入1 ，不需要输入0：  ']);   %1

if Judge == 1
    Position = input('请输入需要正向化处理的指标所在的列，例如第2、3、6三列需要处理，那么你需要输入[2,3,6]： '); %[2,3,4]
    disp('请输入需要处理的这些列的指  标类型（1：极小型， 2：中间型， 3：区间型） ')
    Type = input('例如：第2列是极小型，第3列是区间型，第6列是中间型，就输入[1,3,2]：  '); %[2,1,3]
    % 注意，Position和Type是两个同维度的行向量
    for i = 1 : size(Position,2)  %这里需要对这些列分别处理，因此我们需要知道一共要处理的次数，即循环的次数
        X(:,Position(i)) = Positivization(X(:,Position(i)),Type(i),Position(i));
    % Positivization是我们自己定义的函数，其作用是进行正向化，其一共接收三个参数
    % 第一个参数是要正向化处理的那一列向量 X(:,Position(i))   回顾上一讲的知识，X(:,n)表示取第n列的全部元素
    % 第二个参数是对应的这一列的指标类型（1：极小型， 2：中间型， 3：区间型）
    % 第三个参数是告诉函数我们正在处理的是原始矩阵中的哪一列
    % 该函数有一个返回值，它返回正向化之后的指标，我们可以将其直接赋值给我们原始要处理的那一列向量
    end
    disp('正向化后的矩阵 X =  ')
    disp(X)
end

%% 对正向化后的矩阵进行预处理
Mean = mean(X);  % 求出每一列的均值以供后续的数据预处理
Z = X ./ repmat(Mean,size(X,1),1);  
disp('预处理后的矩阵为：'); disp(Z)

%% 构造母序列和子序列
Y = max(Z,[],2);  % 母序列为虚拟的，用每一行的最大值构成的列向量表示母序列
X = Z; % 子序列就是预处理后的数据矩阵

%% 计算得分
absX0_Xi = abs(X - repmat(Y,1,size(X,2)))  % 计算|X0-Xi|矩阵
a = min(min(absX0_Xi))    % 计算两级最小差a
b = max(max(absX0_Xi))  % 计算两级最大差b
rho = 0.5; % 分辨系数取0.5
gamma = (a+rho*b) ./ (absX0_Xi  + rho*b)  % 计算子序列中各个指标与母序列的关联系数
weight = mean(gamma) / sum(mean(gamma));  % 利用子序列中各个指标的灰色关联度计算权重
score = sum(X .* repmat(weight,size(X,1),1),2);   % 未归一化的得分
stand_S = score / sum(score);   % 归一化后的得分
[sorted_S,index] = sort(stand_S ,'descend') % 进行排序

3总结

灰色关联分析、层次分析和TOPSIS在处理复杂决策问题时各有特点和优势。灰色关联分析适用于处理不确定性数据和多因素关联问题；层次分析适用于处理复杂的决策因素体系；TOPSIS则适用于具有多个决策因素且需要综合评价的情况。

灰色关联分析是对层次分析法和Topsis方法的补充，对于灰色关联分析来说，是使用灰色关联度作为权重来分析的，而基于熵权法的Topsis模型的权重分析更好，并且美赛不适合使用灰色关联分析。