数学建模 2 模糊综合评价

辞泽

于 2024-08-03 08:15:10 发布

阅读量866

点赞数 22

分类专栏：数学建模文章标签：数学建模学习 matlab

本文链接：https://blog.csdn.net/rewinded/article/details/140869495

版权

数学建模专栏收录该内容

3 篇文章 0 订阅

订阅专栏

学习资源声明：大师兄数学建模第三讲模糊综合评价

考虑到朋友们在阅读时的方便性，在这里加上目录，便于概览和精确定位。

内容较多，建议各位收藏后阅读。

1 前驱概念

1.1 模糊

现实中的许多现象及关系比较模糊。如高与矮，长与短，大与小，多与少，穷与富，好与差，年轻与年老等。这类现象不满足“非此即彼”的排中律，而具有“亦此亦彼”的模糊性。

需要指出的是，模糊不确定不同于随机不确定。

随机不确定是 因果律破损造成的不确定，而模糊不确定是由于 排中律破损造成的不确定。

确定的量（是啥就是啥）：高等数学、线性代数
不确定的量（是啥不一定是啥）：随机性（概率论）、灰性（灰色统计，在后面会讲）、模糊性

1.2 传统集合

传统集合是指具有相同属性的事物的集体，如正整数集合，具有如下性质：

互异性：集合中任意两个元素都是不同的对象，如{ 1 1 2}和{1 2}这两个集合是等价的
逻辑性：每一个对象都能确定是不是某一集合的元素，这个性质主要用于判断一个集合是否能形成集合
独立性：集合的基数、集合本身的个数必须为自然数（但是集合的元素个数可以是无穷多）
无序性：{a b c}和{c b a}是同一个集合
纯粹性：所谓集合的纯粹性，用个例子来表示，集合A={x|x<2}，集合A 中所有的元素都要符合x<2
完备性：仍用上面的例子，所有符合x<2的数都在集合A中

1.3 传统集合的特征函数

特征函数（Characteristic Function）是概率论和统计学中的一个概念，通常用于描述随机变量的分布特性。对于一个随机变量 X，其特征函数定义为：

φX(t)=E[eitX]

其中：

φX(t) 是随机变量 X 的特征函数。
E 表示期望值。
i 是虚数单位，满足 $eq?i%5E%7B2%7D%3D-1$ 。
t是实数参数。
e 是自然对数的底数，约等于 2.71828。

特征函数有几个重要的性质：

特征函数在概率论中非常有用，因为它可以用于生成随机变量的矩（例如均值、方差等），并且可以用来研究随机变量的分布特性。此外，特征函数在信号处理、控制理论和量子力学等领域也有应用。

1.4 模糊集合表示方法及其隶属函数

模糊集合用来描述形容高矮胖瘦这种没有明确指标的 模糊性问题。不具有传统集合的 互异性，

而是“ 亦此亦彼”的。

详细定义见如下资料：

传统集合有特征函数，模糊集合呢？

其实，模糊集合的特征函数就是我们的隶属函数。

比如我们需要判断一个年龄为30岁的人是否属于年轻人（说年轻也不年轻，说老也不老），我们可以使用下面的隶属函数。隶属函数的取值范围在0到1之间，这个取值也叫隶属度。我们可以简单的把隶属度理解为“概率”。比如15岁的人隶属于年轻人的概率是100%=1 ，50岁的人隶属于年轻人的概率为0。

那么，有了如上基础，我们就可以比较容易理解模糊集合的表示方法。

1.5模糊集合与特征函数的关系

这里主要采用了扎德表示法，个人感觉很妙。

1.6 模糊集合的分类

按照特征函数的趋势，我们将模糊集合分为极小型、中间型、极大型三类。

2 模糊综合评价

2.1 模糊综合评价的定义

说法一：就是以模糊数学为基础，将一些边界不清、不易定量的因素定量化.
说法二：要把论域中的对象对应评语集中一个指定的评语.（把 $eq?U$ 映射到 $eq?V$ 上）
说法三：将方案作为评语集并选择一个最优的方案.

模糊综合评价有三个关键要素，分别是 评价指标集、 评价等级和 指标的权重，即因素集、评语集、权重集。

2.2 使用套路

下面是一个总结梗概，详细使用方法请参考下文。

3 确定隶属函数

3.1 模糊统计法确定隶属函数

发放问卷，让受试者对模糊问题进行描述并归类，用 隶属频率（比例）定义隶属度

例如，评价下面这部电影的好坏程度，我们可以给 $eq?n$ 个人发放调查问卷，如果有 $eq?m$ 个人觉得“好”，那么对于“好”这个评语集的隶属度就是 $eq?%5Cfrac%7Bm%7D%7Bn%7D$ ，如果有 $eq?k$ 个人觉得不好，那么对于“不好”这个评语集的隶属度就是 $eq?%5Cfrac%7Bk%7D%7Bn%7D$ 。

（虽然这种方法看起来很有趣，但是实际在我们的建模竞赛中并没有那么多时间给我们去设计和发放问卷，所以我们更加倾向于下面几种其他方法）

3.2 F分布确定隶属函数

这里给出集中常见类型的隶属函数，左、中、右的列分别表示极小型、中间型、极大型。

那么我们应该如何选择呢？

参照下面的例题：

首先根据资料确定分布类型，然后根据“年轻人”这种类型，确定为属于极小型，然后取相应的隶属函数。最后解出相应的值即为我们的隶属函数。

参考之前所讲模糊集合的分类，“快”为极大型，“中”为中间型，“慢”为极小型。

（上面这道题目的核心在于数轴，按照从小到大的顺序，然后用不同颜色标注出关键节点，通过对节点的分析确定三个隶属函数的区间划分点。）

总结一下：确定隶属函数的最简单方法，就是使用上面给出的各种F分布，根据实际情况选取合适类型，确定类型之后解出模型中的参数即可！

3.3 三分法确定隶属函数

（这种方法大家了解即可，个人认为3.2的方法最实用！）

上图中的 $eq?%5Cxi$ 和 $eq?%5Ceta$ 都服从正态分布。

4 例题分析

4.1 一级模糊综合评价

4.1.1 评语集带有评价色彩型

（为防止朋友们遗忘定义，将一些相关基础定义放在这里）

下面正式进入例题：

简而言之，我们的题目背景即企业员工考核。

解题步骤如下：（下图右上角的小图画错了，其实是分成 $eq?u_%7B1%7D%20%2Cu_%7B2%7D%2Cu_%7B3%7D%2Cu_%7B4%7D$ 四个部分）

第三步确定各因素权重的方法可以用我们上一讲讲过的层次分析法，也可以使用我们下一讲要讲的熵权法。

4.1.2 评语集不带有评价色彩型

这种评语集不带有评价色彩，隶属函数需要自行构造。然后我们需要求出4个隶属函数，然后进行从 $eq?U$ 到 $eq?V$ 的映射。

4.2 多级模糊综合评价

假如我们的考核指标长这样：

大家看，是不是很复杂？

那么对于下面这种例题，又应该如何处理？

在我们处理的时候，首先将因素集分为 $eq?U_%7B1%7D%2CU_%7B2%7D%2CU_%7B3%7D%2CU_%7B4%7D$ ，然后分别算得相应板块综合得分 $eq?B_%7B1%7D%2CB_%7B2%7D%2CB_%7B3%7D%2CB_%7B4%7D$ ，形成综合得分矩阵 $eq?B$ 。最后用一级指标权重 $eq?A$ 处理分析 $eq?B$ ，即 $eq?A%5Ccdot%20B$ ，取结果矩阵中的最大值作为我们该员工的最终得分即可。（下图中最后一步有误，是标注表示的问题，结果是正确的，大家可以参考）