数学建模学习(3):综合评价类问题整体解析及分析步骤

文章介绍了评价算法在选择决策中的应用,强调了数据预处理的重要性,包括正向和负向指标的标准化处理,如最大最小规范化和倒数处理。此外,提到了针对特定最佳值或范围的单点型和区间型指标处理方法。最后,文章讨论了主观性强的层次分析法和TOPSIS法在决策支持中的作用。
摘要由CSDN通过智能技术生成

一、评价类算法的简介

对物体进行评价,用具体的分值评价它们的优劣

选这两人其中之一当男朋友,你会选谁?

不同维度的权重会产生不同的结果

所以找到每个维度的权重是最核心的问题

0.25

二、评价前的数据处理

供应商ID

可靠性

指标2

指标3

指标4

指标5

1

1

4

100

56

1000

2

2

6

105

55

2000

正向指标处理:即越大越好的指标

方案一:正向指标的标准化处理

function data =zheng1(data1)
    data =(data1-min(data1))./(max(data1)-min(data1))
end

 方案二:直接赋值

function data = zheng2(data1)
    data = data1
end

负向指标处理:即越小越好的指标

方案一:

function data = fu3(data1)
    data = (max(data1) - data1) ./ (max(data1) - min(data1))
end

方案二:

function data = fu4(data1)
    data = (max(data1) - data1);
end

方案三:

function data = fun5(data1)
    data = 1 ./ (max(abs(data1))+data1);
end

单点型指标处理:即某个值的时候是最好的

function data = qu6(data1,a)
    data = 1./(abs(data1-a)/max(abs(data1-a)))
end

区间型指标处理:即一定区间范围内最好

function data = qu7(data1,a,b)
for i=1:length(data1)
        if(data1>a)&&(data1<b)
            data(i)=1;
        elseif(data1<a)
            data(i)=data1/a;
        elseif(data1>b)
            data(i)=b/data1;
        end
end

标准化处理

消除量纲

层次分析法算法流程:

主观性比较强,通过人来判断

 

 

 

三、TOPSIS法

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值