模糊综合评价模型

一、模糊数学

       现实世界中许多现象和关系具有不确定性。这些不确定性的表现形式多种多样，如随机性、灰色性、模糊性和粗糙性等。

       模糊数学可以利用模糊集及其运算研究处理不确定现象和关系。

二、模糊集

        高矮，长短，大小，多少，穷富，好差等关系具有“亦此亦彼”的模糊性。模糊不同于随机

模糊集的运算：

隶属度函数的确定：

确定隶属度的常用方法是：模糊分布法

模糊分布法将隶属函数看成一种模糊分布，首先根据问题性质选取适当的模糊分布，再根据相关数据确定分布中的参数。常见的模糊分布如下：

 偏小型一般适用于描述“小”“少”“浅”“淡”等偏向小的程度的模糊现象。偏大相反，中间同理。

三、模糊综合评价

综合评价方法有：灰色评价、层次分析、模糊综合评价、数据包络分析、人工神经网络评价、理想解法等，有时，还可将两种评价方法集成为组合评价方法。（综合评价结果不是唯一的）

模糊综合评价步骤：

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他们的隶属度向量获得模糊评价矩阵（u行v列）；

 

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评价综合结果。

 

 归一化：(vi-vmin)/(vmax-vmin)当各指标不在0-1范围内；在0-1范围但相加不等于1时,除以总和

 4）模糊合成与综合评价

 模糊合成算子：（其中利用R信息一行有问题）

5.相对偏差模糊矩阵评价法（最后 越小越好）

 算法案例：

 编程实现：

A=[1000	120	5000	1	50	1.5	1
700	60	4000	2	40	2	2
900	60	7000	1	70	1	4
800	70	8000	1.5	40	0.5	6
800	80	4000	2	30	2	5];
[m,n]=size(A);%找出多少行多少列
maxA=max(A);%找出每列最大值
minA=min(A);%找出每列最小值
G=maxA-min(A);%最大值减去最小值
A1=max(A(:,1));%A1为效益型
A2=min(A(:,2:n-1));%A2~A6为成本型
A3=max(A(:,7));%A7为效益型
u=[A1,A2,A3];
R=zeros(m,n);%将模糊综合矩阵初值设置为0
% 如下是得出模糊综合矩阵
for i=1:m
    for j=1:n
        R(i,j)=abs(A(i,j)-u(j))/G(j)
    end
end
%利用变异系数计算权向量
x=mean(A);
s=std(A);
v=s./x;
v2=sum(v);
c=zeros(1,7);
for i=1:7
    c(i)=v(i)/v2;
end

FF=R*c';

6.相对优属度模糊评价方法（最后 越大越好）

 7.讨论