数学建模：评价决策类——模糊综合评价法

目录

1.引言

2.模糊集合的分类

3.评价问题概述

4.解题步骤

5.举例说明

6.代码实现

---

1.引言

处理现实的数学模型可分为三大类：

1）确定性数学模型，即模型背景具有确定性，对象之间具有必然关系。

2）随机性数学模型，即模型背景具有随机性和偶然性。

3）模糊性模型，即模型背景及关系具有模糊性，判断的‘不分明性’。

今天我们来介绍下模糊性模型。

2.模糊集合的分类

主要有三类：偏小型、中间型和偏大型，类似于TOPSIS法中的极大型、极小型、中间型、区间型指标。

举个例子来说就是：“年轻”是一个偏小型的模糊集合，岁数越小，隶属度越大，就越“年轻”；“年老”则是一个偏大型的模糊集合，岁数越大，隶属度越大，就越“年老”；而“中年”则是一个中间型集合，岁数只有处在某个中间的范围，隶属度才越大。

然而不管模糊集合是哪一种类型，隶属度越大，属于这个集合的程度也越大。

3.评价问题概述

模糊评价问题是要把论域中的对象对应评语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。
在模糊综合评价中，引入三个集合：
① 因素集（评价指标集）：

② 评语集（评语的结果）：

③ 权重集（指标的权重）：

例如：评价一个学生的表现：

U={专业排名，课外实践，志愿服务，竞赛成绩}

V={优，良，差}

A={0.4，0.2，0.1，0.3}

4.解题步骤

1.一级模糊综合评价：

① 构造判断矩阵R。

② 进行模糊综合评判：B=A·R（即权重·判断矩阵）。

2.多层次模糊综合评价模型（结合后面例题会好理解一些）：

① 给出被评价的对象集合：

② 确定因素集（指标体系）：，
若因素众多，往往将  按某些属性分成 s 个子集，即 

③ 确定评语集： 。

④ 由因素集  与评语集  ，可获得一个评价矩阵  。

⑤ 对每一个  ，分别作出综合决策， 。

⑥ 将每一个  视为一个元素，记  ，可得  的单因素判断矩阵  ，将每个  作为  的一部分，反映了  的某种属性，按重要性分配权重 ，由此得到二级模糊综合评价模型为：

⑦ 依次类推可以得到多层次模糊综合评价模型。

5.举例说明

例：对某陶瓷厂生产的6种产品的销售前景进行评判。

1）影响评判对象因素集的选取
从产品情况、销售能力、市场需求三个方面考虑，根据专家评判法，得到评判对象因素集及子因素组成（如下图），因素后面数据表示权重：

 2）备择集 V={1,2,3,4,5,6} 代表6种不同的陶瓷产品。

3）一级模糊综合评价
通过上图可以看出，“运行费用”下属的三级指标是定量指标，有具体数据，对这些数据进行归一化即可求出各种产品的该指标与总指标的比重，得到单因素隶属度。而其他因素如产品品牌、产品质量等可以通过市场调查，把消费者满意度来作为单因素隶属度。
6种产品的单因素隶属度如下表：

因素		产品1	产品2	产品3	产品4	产品5	产品6
u_11产品品牌		0.12	0.18	0.17	0.23	0.13	0.17
u_12产品质量		0.15	0.13	0.18	0.25	0.12	0.17
u_13性价比		0.14	0.13	0.16	0.18	0.20	0.19
u_14产品款式		0.12	0.14	0.15	0.17	0.19	0.23
u_15产品包装		0.16	0.12	0.13	0.25	0.18	0.16
u_21店铺信用度		0.13	0.15	0.14	0.18	0.16	0.24
u_22售后服务		0.12	0.16	0.13	0.17	0.19	0.23
u_23运行费用	u_231材料费	0.18	0.14	0.18	0.14	0.13	0.23
	u_232运输费用	0.15	0.20	0.15	0.25	0.10	0.15
	u_233设备维修费用	0.25	0.12	0.13	0.12	0.18	0.20
	u_234设备折旧费用	0.16	0.15	0.21	0.11	0.20	0.17
	u_235人员工资	0.23	0.18	0.17	0.16	0.15	0.11
	u_236电耗费用	0.19	0.13	0.12	0.12	0.11	0.33
	u_237水耗费用	0.17	0.16	0.15	0.08	0.25	0.19
u_24销售人员能力		0.14	0.13	0.15	0.16	0.18	0.24
u_25广告、宣传		0.16	0.15	0.15	0.17	0.18	0.19
u_31行业需求		0.15	0.14	0.13	0.18	0.14	0.26
u_32家庭需求		0.16	0.15	0.18	0.14	0.16	0.21

由上表可知：影响运行费用的各因素的单因素评价矩阵
又已知权重分配  所以运行费用的一级评判为：

4）二级模糊综合评价
对产品情况、销售能力、市场需求下属的单因素指标进行二级评判，可知：
① 产品情况的二级评判：


所以产品情况的二级评判如下： 
② 销售能力的二级评判：
可将运行费用的一级评判结果作为二级的单因素评价值，即评价矩阵的第三行，如此可以得到：

所以 
③ 市场需求的二级评判：


所以 

5）三级模糊综合评价
将二级评判结果  作为行，组成三级评判的单因素评判矩阵：

权重分配 
所以 

由以上结果可知，产品 6 得分最高，可加大投资，产品 1、2 得分较低，应减少投资。

6.代码实现

import numpy as np

# 1.一级综合模糊评价
# 影响运行费用的各因素的单因素评价矩阵为：
R23=np.array([
    [0.18,0.14,0.18,0.14,0.13,0.23],
    [0.15,0.20,0.15,0.25,0.10,0.15],
    [0.25,0.12,0.13,0.12,0.18,0.20],
    [0.16,0.15,0.21,0.11,0.20,0.17],
    [0.23,0.18,0.17,0.16,0.15,0.11],
    [0.19,0.13,0.12,0.12,0.11,0.33],
    [0.17,0.16,0.15,0.08,0.25,0.19]
])
# 权重分配为
A23=np.array([0.20,0.15,0.10,0.10,0.20,0.15,0.10])
# 评价结果
B23=np.dot(A23,R23)

# 2.二级模糊综合评价
# 产品情况的二级评判如下：
R1=np.array([
    [0.12,0.18,0.17,0.23,0.13,0.17],
    [0.15,0.13,0.18,0.25,0.12,0.17],
    [0.14,0.13,0.16,0.18,0.20,0.19],
    [0.12,0.14,0.15,0.17,0.19,0.23],
    [0.16,0.12,0.13,0.25,0.18,0.16]
])
A1=np.array([0.15,0.40,0.25,0.10,0.10])
B1=np.dot(A1,R1)

# 销售能力二级评判如下：
R2=np.array([
    [0.13,0.15,0.14,0.18,0.16,0.25],
    [0.12,0.16,0.13,0.17,0.19,0.23],
    B23,
    [0.14,0.13,0.15,0.16,0.18,0.24],
    [0.16,0.15,0.15,0.17,0.18,0.19]
])
A2=np.array([0.2,0.15,0.25,0.25,0.15])
B2=np.dot(A2,R2)

# 市场需求的二级评判
R3=np.array([
    [0.15,0.14,0.13,0.18,0.14,0.26],
    [0.16,0.15,0.18,0.14,0.16,0.21]
])
A3=np.array([0.55,0.45])
B3=np.dot(A3,R3)

# 3.三级模糊综合评判
R=np.array([B1,B2,B3])
A=np.array([0.4,0.3,0.3])
B=np.dot(A,R)

print(B)

输出结果：