模糊综合评价（实际应用部分）

1.评价问题概述

模糊综合评价问题就是把论域中的对象应用集中一个指定的评语或者将方案作为评语集并选择一个最优方案。

 其中因素集就是评价指标的集合，而评语集就是各评价指标的所有结果，权重集就是该指标所占的权重。

2.一级模糊综合评价模型

在指标个数较少时，运用一级模糊综合评判。而在问题较为复杂.指标较多时,运用多层次模糊综合评判,以提高精度。

一级模糊综合评判模型的建立,主要包括以下步骤。

（1）确定因素集。所有指标因素构成了评价指标体系集合,即因素集

（2）确定评语集。由于每个指标的评价值的不同,往往会形成不同的等级。由各种不同决断构成的集合称为评语集，

（3）确定各因素的权重。

        有数据：熵权法

        无数据：层次分析法

（4）确定模糊综合判断矩阵。

（5）综合评判

实例

 代码实现：

%% 模糊评判矩阵
R = [0.1 0.5 0.4 0 0
    0.2 0.5 0.2 0.1 0
    0.2 0.5 0.3 0 0
    0.2 0.6 0.2 0 0]
%% 各因素的权重
A = [0.25 0.2 0.25 0.3]
%% 隶属度计算
B = A*R

3.多级模糊综合评价模型

当因素集中元素过多，也就是指标过多时，我们可以对其进行分类，归类后可以简化我们的计算。

 

 

简言之，就是将二级看成一级来算。比如后面的例子，可以将专业课成绩和非专业课成绩单独算一个隶属度B1，看成学习成绩的隶属度。同样计算出竞赛成绩、个人荣誉和志愿服务的隶属度B2、B3、B4。最后组合成新的模糊综合评判矩阵R: 

  然后用四个一级指标的权重A 和R相乘即可。

 实例：

 

 

 代码实现：

%% 模糊评判矩阵
R1 = [0.8 0.2 0; 0.7 0.3 0] % 学习成绩的模糊综合评判矩阵
R2 = [0 0 1; 0.5 0.5 0; 0 0.6 0.4] % 竞赛成绩
%R3 = [] R4=[] 这里就不举例计算了 
%% 各因素的权重
A = [0.4 0.3 0.2 0.1];% 一级指标
A1 = [0.6 0.4]; %二级指标：学习成绩
A2 = [0.5 0.3 0.2];%竞赛成绩
A3 = [0.5 0.3 0.2];%个人荣誉
A4 = [1];%志愿服务
%% 二级指标的隶属度计算
B1 = A1*R1
B2 = A2*R2
%直接假设B3 B4 的值，就不用A3*R3 A4*R4计算了
B3 = [0.4 0.2 0.4]
B4 = [0.1 0.8 0.1]
 
%% 一级指标的模糊综合评判矩阵
R = [B1;B2;B3;B4]
%% 一级指标的隶属度计算
B = A*R

 

小结：该模型在数模比赛中较为不常用，大多可以用topsis法或熵权法体代，而且实际运用起来难度较大，如果实在找到其它可替代方法，建议改用其它方法。