数学建模各类常用的算法（二）

灰色综合评价法（灰色关联分析）

属于灰箱模型
基本思想

       灰色关联分析的实质就是，可利用各 方案 与 最优方案 之间关联度大小对评价象进行比较、排序。关联度越大，说明 比较序列与参考序列变化的态势越一致，反之，变化态势则相悖。由此可得出评价结果。
基本步骤
        建立原始指标矩阵；确定最优指标序列；进行指标标准化或无量纲化处理；求差序列、最大差和最小差；计算关联系数；计算关联度。
优点
        是一种评价具有大量未知信息的系统的有效模型，是定性分析和定量分析相结合的综合评价模型，该模型可以较好地解决评价指标难以准确量化和统计的问题，可以排除人为因素带来的影响，使评价结果更加客观准确。整个计算 过程简单，通俗易懂，易于为人们所掌握;数据不必进行归一化处理，可用原始数据进行直接计算，可靠性强；评价指标体系可以根据具体情况增减；无需大量样本，只要有代表性的少量样本即可。
缺点
        要求样本数据且具有 时间序列特性 ；只是对评判对象的优劣做出鉴别，并 不反映绝对水平 ，故基 于灰色关联分析综合评价具有“ 相对评价 ”的全部缺点。
适用范围
        对样本量没有严格要求， 不要求服从任何分布 ，适合 只有少量观测数据的问题 ；应用该种方法进 行评价时， 指标体系及权重分配是一个关键的题 ，选择的恰当与否直接影响最终评价结果。
改进方法
(1)采用组合赋权法：根据客观赋权法和主观赋权法综合而得权系数。
(2)结合TOPSIS法：不仅关注序列与正理想序列的关联度，而且关注序列与负理想序列的关联度，
依据公式计算最后的关联度。

参考案例

%% 灰色系统
clear
syms a b;
c=[a b]';
A=[130, 135, 150, 160, 171, 183, 195, 205, 216, 228];
B=cumsum(A);
n=length(A);
for i=1:(n-1)
    C(i)=(B(i)+B(i+1))/2;
end
d=A;
d(1)=[];
d=d';
E=[-C;ones(1,n-1)];
c=inv(E*E')*E*d;
c=c';
a=c(1);
b=c(2);
f=[];
f(1)=A(1);
for i=2:(n+20)
    f(i)=(A(1)-b/a)/exp(a*(i-1))+b/a;
end
g=[];
g(1)=A(1);
for i=2:(n+20)
    g(i)=f(i)-f(i-1);
end
t1=2008:2017;
t2=2008:2037;
g;
plot(t1,A,'o',t2,g)

代码解读

这段代码是使用MATLAB语言编写的，它主要实现了一个灰色预测模型（Grey prediction model），这是一种基于灰色系统理论的方法，用于预测时间序列数据的未来趋势。

下面是这段代码各部分的解读：

1. clear：清除所有变量。
2. syms a b;：定义符号变量a和b。
3. c=[a b]';：初始化变量c，这个变量在后面的计算中用于存储参数。
4. A=[130, 135, 150, 160, 171, 183, 195, 205, 216, 228];：这是一个数据序列，用于后面的预测模型。
5. B=cumsum(A);：计算A的累计和。
6. n=length(A);：获取数据序列A的长度。
7. for循环for i=1:(n-1)，C(i)=(B(i)+B(i+1))/2;：计算每个数据点的平均值，这是灰色预测模型的一部分。
8. d=A; d(1)=[]; d=d';：对数据序列A做些处理，移除第一个元素，并转置。
9. E=[-C;ones(1,n-1)];：构建一个矩阵E，其行数为数据点数减一，列数为2。
10. 通过矩阵求逆和矩阵乘法运算，得到c，这是灰色预测模型的参数。
11. 使用参数a和b来创建预测序列f。
12. 使用f和f(1)来创建增量序列g。
13. t1=2008:2017; t2=2008:2037;：定义两个时间范围。
14. g;：显示增量序列g。
15. plot(t1,A,'o',t2,g)：绘制原始数据A和预测的增量序列g的图形。'o'代表在图上标出原始数据点。

此代码段是灰色预测模型的基本实现，它适用于时间序列数据的预测，特别适合于那些数据量小，且具有不完整信息或不确定性的情况。 

运行结果

案例说明 

矩阵A的值根据自己的测试数据进行输入，本程序只是一个参考案例。