数学建模各类常用的算法（四）

模糊综合评判法 

1. 原理简介
1.1 因素集与评价集
因素集（又称“评价指标”，是我们要选取的评价对象）
\[U={u1,u2,u3,...,um}\]

上式中U称为因素集，里面含有m个待评价的对象。

例：当评价花店中某一品种的花时

U={花色，花香，样式，价格}

评价集（是我们给待评价对象设置的评级等级）（一般划分为3~5个等级）
[V={v1,v2,v3,...,vn}\]

上式中V称为评价集，里面含有n个评价等级。

例：当评价花店中某一品种的花时

V={很受欢迎，欢迎，一般，不受欢迎}

 1.2 评价指标权重向量
概念介绍
[A={a1,a2,a3,...,am}\]

上式中A为权重向量，里面每一个元素代表每一个待评价的指标占待评价对象的权重。

例：当评价花店中某一品种的花时

A={0.4,0.4,0.1,0.1}

表示：

花色在评价这中花的权重为0.4

花香在评价这中花的权重为0.4

样式在评价这中花的权重为0.1

价格在评价这中花的权重为0.1

 确定方法（2种）
主观：层次分析法
客观：变异系数法
【主要讲解变异系数法】

 

上式中vi属于变异系数（可以理解为权重）；si为每一个指标的标准差；xi为每一个指标的均值

1.3 模糊综合评价矩阵 
概念介绍
 

上式中rij表示ui对vj的隶属度。

确定方法（2种）
相对偏差法
相对优属度法
【主要讲解相对偏差法】

（1）建立一个虚拟理想方案u

（2）建立相对偏差模糊矩阵R

（3）确定权重向量wi

（4）偏差加权

（5）F值综合评价

2. 相对偏差法+变异系数法 求解思路
2.1 建立虚拟矩阵
 

其中

 效益型指标：越高越好的指标
例如：收益、回报等。

成本型指标：越低越好的指标
例如：成本、投资费用，污染度。

 2.2 建立相对偏差模糊矩阵
 

 其中

 

2.3 变异系数法确定权重向量
 

2.4 对各方案偏差加权
 

2.5 用F值进行综合评价
若  ，则第i个方案排在第s个方案之前【F值越小，方案优先级越高，方案越好】

多层级模糊综合评判
对于一些复杂的系统，如人事考核中涉及的指标较多时，需要考虑的因素很多，这时如果仍用一级模糊综合评判，则会出现两个方面的问题：一是因素过多，它们的权数分配难以确定；另一方面，即使确定了权分配，由于需要满足归一化条件，每个因素的权值都小，对这种系统，可以采用多层次模糊综合评判方法。对于人事考核而言，采用二级系统就足以解决问题了，如果实际中要划分更多的层次，那么可以用二级模糊综合评判的方法类推。

实现的思路是将每一个原指标作为一级指标，划分出二级指标，从而可以对一级指标进行评判。然后根据结果再进行一次评判。
只有一级指标时，一级指标的评价分数由其他方法给出。划分出二级指标后，由其他方法给出二级指标的评价分数。下图即为某位员工的二级指标打分情况。将一级评判的结果作为一级指标的打分。具体步骤可见程序。
 

待处理数据

复制以下数据并保存在mhdata.txt文件中，即上图中的二级指标打分表。

0.8	0.15	0.05	0	0
0.2	0.6	0.1	0.1	0
0.5	0.4	0.1	0	0
0.1	0.3	0.5	0.05	0.05
0.3	0.5	0.15	0.05	0
0.2	0.2	0.4	0.1	0.1
0.4	0.4	0.1	0.1	0
0.1	0.3	0.3	0.2	0.1
0.3	0.2	0.2	0.2	0.1
0.1	0.3	0.5	0.1	0
0.2	0.3	0.3	0.1	0.1
0.2	0.3	0.35	0.15	0
0.1	0.3	0.4	0.1	0.1
0.1	0.4	0.3	0.1	0.1
0.3	0.4	0.2	0.1	0
0.1	0.4	0.3	0.1	0.1
0.2	0.3	0.4	0.1	0
0.4	0.3	0.2	0.1	0

原代码

clc, clear
a=load('mhdata.txt');
% 一级指标权重
w=[0.4  0.3  0.2  0.1];     
% 二级指标权重
w1=[0.2  0.3  0.3  0.2];   
w2=[0.3  0.2  0.1  0.2  0.2];
w3=[0.1  0.2  0.3  0.2  0.2];
w4=[0.3  0.2  0.2  0.3];
% 对子因素进行一级模糊综合评判
b(1,:)=w1*a([1:4],:);
b(2,:)=w2*a([5:9],:);
b(3,:)=w3*a([10:14],:);
b(4,:)=w4*a([15:end],:);
% 进行二级模糊综合评判，c即为评判结果
c=w*b
 

运行结果为“优秀、良好、一般、较差、差”五个评价等级的打分。

c =

    0.2880    0.3540    0.2355    0.0865    0.0360

可以看到，综合评价结果在“良好”一项分数最高，根据最大隶属度原则，可以认为对该员工的评价良好。

对模糊综合评判中的矩阵运算，应该进行模糊运算，将矩阵相乘中的相乘变为取小，相加变为取大。请读者考虑更简单的实现方法。