模糊综合评价

1. 模糊集

(1) 基本概念

模糊集：分类界限比较模糊，不好量化。多与少，大与小，长与短

${\mu }_A$：A的隶属函数

${\mu }_A(x)$：x对A的隶属度

(2) 模糊集的运算

模糊集A，B的隶属关系${\mu }_A(x),{\mu }_B(x)$

• 包含：$A\subset B\iff {\mu }_A(x)\le {\mu }_B(x)$

• 相等：$A=B\iff {\mu }_A(x)={\mu }_B(x)$

• 并：$A\cup B\iff {\mu }_C(x)={\mu }_A(x)\vee {\mu }_B(x)$

• 补：$A^C\iff {\mu }_{A^C}(x)=1-{\mu }_A(x)$

• 内积：

• 外积：

(3) 隶属函数的确定

① 模糊分布法

1. 偏小型

2. 偏大型

3. 中间型

②

2. 模糊综合评价

适用情况：边界不清，不易定量的评价因素

步骤

1. 确定被评价对象的因素集和评价集
2. 分别确定各因素的权重及它们的隶属度向量，获得模糊评价矩阵
3. 将模糊评价矩阵与因素的权向量进行模糊运算并归一化，得到模糊评价综合结果。

模糊合成

模糊合成算子

归一化

最大隶属度法

认定被评价对象的等级为最大隶属度对应的等级，适用于

加权平均法

给评价集 $V=v_1,v_2,\cdot \cdot \cdot ,v_n$ 中的各等级赋以适当的分值 $C=c_1,c_2,\cdot \cdot \cdot ,c_n$，用归一化的综合评价向量$B=b_1,b_2,\cdot \cdot \cdot ,b_n$对C的加权平均值

$$\sum _{i=1}^n{c}_i{b}_i$$

主因素突出型

加权平均型