数学建模——（多层）模糊评价模型matlab

SiMmming

已于 2024-07-10 18:45:39 修改

阅读量1.2k

点赞数 18

分类专栏：数学建模文章标签：数学建模

于 2024-07-10 18:41:26 首次发布

本文链接：https://blog.csdn.net/m0_74140776/article/details/140307006

版权

数学建模专栏收录该内容

5 篇文章 0 订阅

订阅专栏

一、应用

在模糊环境下，考虑多因素的影响，为了某种目的对一事物做出综合决策的方法，能够比较好的几句模糊的、难以量化的模型。

二、基本步骤

1、建立综合评价的因素集

这些因素通常具有不同程度的模糊性。

2、建立综合评价的评价集

评价者对评价对象可能做出的各种结果所组成的集合，通常具有不同等级。

3、确定各因素的权重

每个因素都有一个权重集

（1）有数据时，通过熵权法确定

（2）没有数据时，通过层次分析法确定

4、单因素模糊评价

（1）隶属函数的确定方法

①模糊统计法（数模基本不用）

②借助已有的客观尺度

eg.论域（家庭）->模糊集（小康家庭）->隶属度（恩格尔系数）

③指派法（套用分布作为隶属函数，主观性比较强）

（2）逐个对被评价对象从每个因素ui上进行量化

5、综合评价模型

B=A*R

6、对模糊综合评价结果定量分析

模糊综合评价的结果->被评价对象对各等级模糊子集的隶属度（一般是模糊矢量而不是一个值）

定量分析即将综合评价结果转换为综合分值，从而选出最优者

三、举例说明

下面以模糊综合评判在人事考核中的应用进行通俗易懂的说明

1、确定因素集U

U={u1,u2,u3,u4}

其中，u1 表示政治表现，u2 表示工作能力，u3 表示工作态度，u4 表示工作成绩。

2、确定评语集V

V={v1,v2,v3,v4,v5}

其中，v1表示优秀，v2表示良好，v3表示一般，v4表示较差，v5表示差。

3、确定因素集中各因素的权重A

A=[0.25,0.2,0.25,0.3]（与U对应）

4、单因素模糊评价（以子因素为单位，对应评语等级，即对评语等级定量说明）

R1（政治表现，由群众评议打分）： R1=[0.1,0.5,0.4,0,0]
R2（工作能力，由部门领导打分）： R2=[0.2,0.5,0.2,0.1,0]
R3（工作态度，由部门领导打分）： R3=[0.2,0.5,0.3,0,0]
R4（工作成绩，由单位考核组成员打分）： R4=[0.2,0.6,0.2,0,0]

5、综合评价模型

->得到B矩阵：B=[0.175,0.53,0.275,0.02,0]

6、对模糊综合评价结果定量分析（综合分数转换）

->matlab代码：

% Step 1: 定义因素集和评语集
U = {'政治表现', '工作能力', '工作态度', '工作成绩'};
V = {'优秀', '良好', '一般', '较差', '差'};

% Step 2: 定义权重向量
A = [0.25, 0.2, 0.25, 0.3]; % 各因素的权重

% Step 3: 构建模糊评判矩阵
R1 = [0.1, 0.5, 0.4, 0, 0]; % 政治表现
R2 = [0.2, 0.5, 0.2, 0.1, 0]; % 工作能力
R3 = [0.2, 0.5, 0.3, 0, 0]; % 工作态度
R4 = [0.2, 0.6, 0.2, 0, 0]; % 工作成绩

% 组合成一个矩阵
R = [R1; R2; R3; R4];

% Step 4: 计算模糊综合评判结果
B = A * R;

% Step 5: 综合分数转换
P = [5, 4, 3, 2, 1]; % 评判等级权向量
S = B * P';

% 显示最终结果
[~, maxIndex] = max(B);
finalGrade = V{maxIndex};
disp(['综合评判结果为：', finalGrade]);
disp(['综合分数为：', num2str(S)]);

% 可视化结果
figure;
bar(B);
set(gca, 'XTickLabel', V);
xlabel('评语等级');
ylabel('综合隶属度');
title('综合评判结果');

四、进阶版->多层次模糊综合评价

顾名思义，即在模糊综合评价的基础上，将评价问题分解为多个层次，每个层次进行模糊综合评价，然后逐层汇总。（即AHP和模糊综合评价的结合）

1、确定评价体系

①因素集

②评语集

V={v1=优秀,v2=良好,v3=一般,v4=较差,v5=差}

③权重集

一级指标权重：A=[0.25,0.2,0.25,0.3]

2、三级模糊综合评判（各子因素评判）

3、二级模糊综合评判

4、一级模糊综合评判（最终评判）

-->matlab实现

% Step 1: 定义因素集和评语集
U = {'政治表现', '工作能力', '工作态度', '工作成绩'};
V = {'优秀', '良好', '一般', '较差', '差'};

% Step 2: 定义权重向量
A = [0.25, 0.2, 0.25, 0.3]; % 一级指标权重

% 定义模糊评判矩阵
R1 = [0.1, 0.5, 0.4, 0, 0]; % 政治表现
R2 = [0.2, 0.5, 0.2, 0.1, 0]; % 工作能力
R3 = [0.2, 0.5, 0.3, 0, 0]; % 工作态度
R4 = [0.2, 0.6, 0.2, 0, 0]; % 工作成绩

% 将模糊评判矩阵组合成一个矩阵
R = [R1; R2; R3; R4];

% Step 3: 二级模糊综合评判
% 计算模糊综合评判结果
B1 = A(1) * R1;
B2 = A(2) * R2;
B3 = A(3) * R3;
B4 = A(4) * R4;

% 组合评判结果
R_combined = [B1; B2; B3; B4];

% Step 4: 一级模糊综合评判
% 计算综合评判结果
B = A * R_combined;

% Step 5: 综合分数转换
P = [5, 4, 3, 2, 1]; % 评判等级权向量
S = B * P';

% 显示最终结果
disp(['综合评判结果为：良好，综合分数为：', num2str(S)]);

% 可视化结果
figure;
subplot(1,2,1);
plot(1:5, B1, '-o', 'DisplayName', '政治表现'); hold on;
plot(1:5, B2, '-o', 'DisplayName', '工作能力');
plot(1:5, B3, '-o', 'DisplayName', '工作态度');
plot(1:5, B4, '-o', 'DisplayName', '工作成绩');
xlabel('评语等级');
ylabel('隶属度');
title('各子因素模糊综合评判结果');
legend;

subplot(1,2,2);
bar(B);
set(gca, 'XTickLabel', V);
xlabel('评语等级');
ylabel('综合隶属度');
title('综合评判结果');

五、层次分析法or（多层次）模糊综合评级如何选择

层次结构的复杂性：
- 如果问题具有明确的层次结构，且各层次之间存在明显的隶属关系，考虑使用 层次分析法（AHP） 或 多层次模糊综合评价。
- 如果问题层次结构不明显，仅涉及单层次的多因素评价，使用 模糊综合评价法。
信息的模糊性和不确定性：
- 如果评价信息具有明显的模糊性和不确定性，且需要处理多个评价等级，考虑使用 模糊综合评价法 或 多层次模糊综合评价。
- 如果信息相对明确，各因素之间可以通过成对比较确定相对重要性，使用 层次分析法（AHP）。
数据的复杂性：
- 如果评价涉及多个层次和复杂的因素关系，使用 多层次模糊综合评价。
- 如果评价相对简单，层次结构不复杂，使用 模糊综合评价法。