评价类问题概述
评价类问题的基本范畴
- 对题中所给目标按照一定的标准进行分类
- 将题中数据运用数学模型进行处理,并得到唯一指标结果进行比较或排序
- 探究某一综合问题的不同方面并计算验证其总体实现程度
评价类问题基本要素
- 被评价对象 如(工厂产品、员工绩效)
- 评价指标 如(生产成本、运输损耗)
- 权重系数 如(原料价格优先级高,维护费用优先度低)
- 评价模型 如(灰色模型、模糊综合)
- 评价主体 如(商场经理、上游经销商)
评价类问题的步骤
- 明确评价问题目的
- 建立评价指标体系
- 对数据进行预处理
- 判断评价指标权重
- 计算综合评价总值
层次分析法
问题引入
选择大学问题, 将自己关心的要素列举出来, 并根据重要程度给出权重 (权重和为1) .
要素 | 权重 |
---|---|
学习氛围 | 0.4 |
就业前景 | 0.3 |
男女比例 | 0.2 |
校园景色 | 0.1 |
最终评分后表格如下:
要素 | 权重 | 华科 | 武大 |
---|---|---|---|
学习氛围 | 0.4 | 0.7 | 0.3 |
就业前景 | 0.3 | 0.5 | 0.5 |
男女比例 | 0.2 | 0.3 | 0.7 |
校园景色 | 0.1 | 0.25 | 0.75 |
总分 | 1 | 0.515 | 0.485 |
指标如何选择
- 学术网站查找文献资料
- 自己编或者直接百度
指标的权重如何赋值
不同指标两两比较,通过比较结果计算权重.
可以用1-9表示重要程度,表示指标的相互关系.
标度 | 含义 |
---|---|
1 | 重要性相同 |
3 | 一个因素比另一个因素稍微重要 |
5 | 明显重要 |
7 | 强烈重要 |
9 | 极端重要 |
2,4,6,8 | 上述相邻判断的中值 |
倒数 | 如果A和B相比是3,那么B和A相比就是1/3 |
判断矩阵
根据上面的赋值可以通过 C n 2 C_{n}^{2} Cn2 次比较完成填写判断矩阵.
景色 | 花费 | 居住 | 饮食 | 交通 | |
---|---|---|---|---|---|
景色 | 1 | 1/2 | 4 | 3 | 3 |
花费 | 2 | 1 | 7 | 5 | 5 |
居住 | 1/4 | 1/7 | 1 | 1/2 | 1/3 |
饮食 | 1/3 | 1/5 | 2 | 1 | 1 |
交通 | 1/3 | 1/5 | 3 | 1 | 1 |
- a i j a_{ij} aij的意义是和 j j j 相比 i i i 的重要程度.
- 当 i = j i=j i=j 时,两个指标相同, 因此同等重要记作1.
- a i , j > 0 a_{i,j}>0 ai,j>0 且满足 a i j × a j i = 1 a_{ij}\times a_{ji}=1 aij×aji=1 我们称满足这一条件的矩阵为正互反矩阵 .
同样的, 对于同一个指标来说, 对不同选择进行两两比较也可以得到对于某个指标的判断矩阵.
景色 | 苏杭 | 北戴河 | 桂林 |
---|---|---|---|
苏杭 | 1 | 2 | 5 |
北戴河 | 1/2 | 1 | 2 |
桂林 | 1/5 | 1/2 | 1 |
通过两两比较,有时会出现矛盾的情况 (即不一致现象).我们引入一致矩阵.
一致矩阵
景色 | 苏杭 | 北戴河 | 桂林 |
---|---|---|---|
苏杭 | 1 | 2 | 4 |
北戴河 | 1/2 | 1 | 2 |
桂林 | 1/4 | 1/2 | 1 |
a i j = i 的重要程度 j 的重要程度 a j k = j 的重要程度 k 的重要程度 a_{ij}=\frac{i的重要程度}{j的重要程度}\ \ \ \ \ a_{jk}=\frac{j的重要程度}{k的重要程度} aij=j的重要程度i的重要程度 ajk=k的重要程度j的重要程度
a i k = i 的重要程度 k 的重要程度 = a i j × a j k a_{ik}=\frac{i的重要程度}{k的重要程度}=a_{ij}\times a_{jk} aik=k的重要程度i的重要程度=aij×ajk
若正互反矩阵满足上式, 则称它为一致矩阵.
一致矩阵的特点: 各行(各列)成倍数关系.
在求权重之前, 必须进行 一致性检验.
一致性检验
原理: 检验判断矩阵是否和一致矩阵有太大差距.
n
n
n阶正互反矩阵
A
A
A为一致矩阵当且仅当最大特征值
λ
m
a
x
=
n
\lambda_{max}=n
λmax=n,
正互反矩阵
A
A
A非一致时, 一定满足
λ
m
a
x
>
n
\lambda_{max} > n
λmax>n
第一步: 计算一致性指标
C
I
CI
CI
C
I
=
λ
m
a
x
−
n
n
−
1
CI=\frac{\lambda_{max}-n}{n-1}
CI=n−1λmax−n
第二步: 查找相应的平均随机一致性指标
R
I
RI
RI
第三步: 计算一致性比例
C
R
CR
CR
C
R
=
C
I
R
I
CR=\frac{CI}{RI}
CR=RICI
如果 C R < 0.1 CR<0.1 CR<0.1 则认为判断矩阵的一致性可以接受, 否则需要对判断矩阵进行修正.
权重的计算
方法一: 算数平均法求权重
景色 | 苏杭 | 北戴河 | 桂林 |
---|---|---|---|
苏杭 | 1 | 2 | 5 |
北戴河 | 1/2 | 1 | 2 |
桂林 | 1/5 | 1/2 | 1 |
仅用第一列数据计算的权重:
- 苏杭=1/(1+0.5+0.2)=0.5882
- 北戴河=0.5/(1+0.5+0.2)=0.2941
- 桂林=0.2/(1+0.5+0.2)=0.1177
第二列, 第三列分别为:
- 苏杭=0.5714, 0.625
- 北戴河=0.2857, 0.25
- 桂林=0.1429, 0.125
综合三列,可以求平均权重:
- 苏杭=(0.5882+0.5714+0.625)/3=0.5949
- 北戴河=…=0.2766
- 桂林=…=0.1285
第一步: 将判断矩阵按照列归一化(每一个元素除以其所在列的和)
第二步: 将归一化的各列相加(按行就和)
第三步: 将相加后得到的向量中每个元素除以n即可得到权重向量.
假设判断矩阵 A = [ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋱ ⋮ a n 1 a n 2 ⋯ a n n ] , 假设判断矩阵 A=\begin{bmatrix} a_{11} &a_{12} &\cdots &a_{1n} \\ a_{21} &a_{22} &\cdots &a_{2n} \\ \vdots &\vdots &\ddots &\vdots \\ a_{n1} &a_{n2} &\cdots &a_{nn} \end{bmatrix}, 假设判断矩阵A= a11a21⋮an1a12a22⋮an2⋯⋯⋱⋯a1na2n⋮ann ,
那么算数平均法求得权重向量 ω i = 1 n ∑ j = 1 n a i j ∑ k = 1 n a k j ( i = 1 , 2... n ) 那么算数平均法求得权重向量\ \omega_{i}=\frac{1}{n}\sum^{n}_{j=1}\frac{a_{ij}}{\sum^{n}_{k=1}a_{kj}}\ \ \ (i=1,2...n) 那么算数平均法求得权重向量 ωi=n1j=1∑n∑k=1nakjaij (i=1,2...n)
方法二: 几何平均法求权重
第一步: 将判断矩阵按照列归一化(每一个元素除以其所在列的和)
第二步: 将归一化的各列相加(按行就和)
第三步: 将相加后得到的向量中每个元素除以n即可得到权重向量.
假设判断矩阵 A = [ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋱ ⋮ a n 1 a n 2 ⋯ a n n ] , 假设判断矩阵 A=\begin{bmatrix} a_{11} &a_{12} &\cdots &a_{1n} \\ a_{21} &a_{22} &\cdots &a_{2n} \\ \vdots &\vdots &\ddots &\vdots \\ a_{n1} &a_{n2} &\cdots &a_{nn} \end{bmatrix}, 假设判断矩阵A= a11a21⋮an1a12a22⋮an2⋯⋯⋱⋯a1na2n⋮ann ,
那么算数平均法求得权重向量 ω i = ( ∏ j = 1 n a i j ) 1 n ∑ k = 1 n ( ∏ j = 1 n a k j ) 1 n ( i = 1 , 2... n ) 那么算数平均法求得权重向量\ \omega_{i}=\frac{(\prod^{n}_{j=1}a_{ij})^{\frac{1}{n}}}{\sum^{n}_{k=1}(\prod^{n}_{j=1}a_{kj})^{\frac{1}{n}}}\ \ \ (i=1,2...n) 那么算数平均法求得权重向量 ωi=∑k=1n(∏j=1nakj)n1(∏j=1naij)n1 (i=1,2...n)
思路跟上一种方法差不多, 只是把算数平均换成了几何平均.
方法三: 特征值法求权重
第一步: 求出矩阵
A
A
A 的最大特征值和对应的特征向量
第二步: 对求出的特征向量进行归一化处理即可得到权重
最后根据权重可求出各个选择方案的得分.