数学建模之模糊综合评价

概述

(一). 数学归纳法与秃子悖论：
数学归纳法：1、当n=1时，结论成立；2、假设当n=k时，验证结论成立；3、所以有当n=k+1时，结论也同样成立；
秃子悖论：1、当头发减少一根时，我不是秃子；2、假设减少k根，我同样不是秃子；3、那么减少k+1根我同样也不是秃子。(有点谢广坤的意思)
解释： 量变引发质变

(二)量的概念：

1. 确定性的量：几何，代数。
2. 不确定的量：随机性(概率，随机过程)，灰性(灰色系统)，模糊性(模糊数学)

(三)生活中的模糊性
确定性比如：性别，天气，年龄，身高，体重…
模糊性比如：帅，高，白，年轻…

(四)模糊数学介绍

模糊数学又称Fuzzy 数学，是研究和处理模糊性现象的一种数学理论和方法。由于模糊性概念已经找到了模糊集的描述方式，人们运用概念进行判断、评价、推理、决策和控制的过程也可以用模糊性数学的方法来描述。例如模糊聚类分析、模糊模式识别、模糊综合评判、模糊决策与模糊预测、模糊控制、模糊信息处理等。这些方法构成了一种模糊性系统理论，构成了一种思辨数学的雏形，它已经在医学、气象、心理、经济管理、石油、地质、环境、生物、农业、林业、化工、语言、控制、遥感、教育、体育等方面取得具体的研究成果。

经典集合和模糊集合

(一)经典集合与特征函数

1. 经典集合：具有相同属性的事物的集体。例如：颜色，自然数集，手机品牌…
2. 经典集合的基本属性：集合内所有元素相互之间具有互斥性，确定性。
3. 特征函数： f A : U − > { 0 , 1 } f_A:U->\{0,1\} fA​:U−>{0,1}，U是论域(我们所感兴趣的事物的集合)，$f_A$表示A的特征函数。

(二)模糊集合与隶属函数

1. 模糊集合：用来描述模糊概念的集合(帅，高，白年轻)
2. 与经典集合相比，模糊集合承认亦此亦彼的概念。
3. 隶属函数：$U_A:U->[0,1]$，相比于特征函数只有两种结果0和1，在隶属函数中有无数的可能性。

隶属函数的三种确定方法

1. 模糊统计法（用的比较少，因为要设计发放问卷，比赛时间紧，来不及，但现实应用中比较常见）：找多个人对同一个模糊概念进行描述，用隶属频率去定义隶属度。
2. 借助已有的客观尺度（需要合适的指标，并能收集到数据）
3. 指派法（根据问题的性质直接套用某些分布作为隶属函数，主观性较强）:梯形分布（最常用且简单）
   

应用：模糊综合评价

一级模糊综合评价

(一)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的一个指定评语或者是将方案作为评语集并选择一个最优的方案。

1. 因素集
2. 评语集
3. 权重集

(二)一级模糊评价举例：
在对企业员工考核时，根据企业需要，我们设定不同的指标作为考核项目，如果指标较少我们选择一级模糊综合评价；若指标较多，我们可采用多级模糊综合评价，步骤如下：

1. 确定因素集：在员工表现方面，我们需要确定评价内容：如工作态度，业务能力，政治表现，沟通能力等。这些因素构成了因素集。
2. 确定评语集：由于每个指标的评价不同，往往也有不同的评价等级，例如很差，较差，一般，较好，很好等。
3. 确定因素的权重：一般情况下因素集中的各因素在评价体系中所起的作用并不相同，综合评价结果不仅与各元素的评价有关，而且很大程度上依赖各因素对评价所起的作用，这就需要对不同的因素确定其权重分配，确定权重的方法：德尔菲法（Delphi），层次分析法（无数据），熵权法（有数据）…
4. 确定模糊综合矩阵： 对指标$u_i$来说，对各个评语的隶属度为V上的模糊子集。
5. 综合评价结果 = 因素的权重集合 * 确定的模糊综合矩阵

例题：对公司某员工的年终综合评价
（1）取因素集 U = { 政 治 表 现 u 1 ， 工 作 能 力 u 2 ， 工 作 态 度 u 3 ， 工 作 成 绩 u 4 } U=\{政治表现u_1，工作能力u_2，工作态度u_3，工作成绩u_4\} U={政治表现u1​，工作能力u2​，工作态度u3​，工作成绩u4​}
（2）取评语集 V = { 优 秀 v 1 ， 较 好 v 2 ， 一 般 v 3 ， 较 差 v 4 ， 差 v 5 } V=\{优秀v_1，较好v_2，一般v_3，较差v_4，差v_5\} V={优秀v1​，较好v2​，一般v3​，较差v4​，差v5​}
（3）确定各因素权重$A=[0.25,0.20,0.25,0.30]$
（4）确定模糊矩阵，对每个因素$u_i$作出评价：

1. $u_1$比如由群众打分确定，$R_1=[0.1,0.5,0.4,0,0]$，这里群众认为这位员工政治表现$u_1$为优秀的隶属度为10%，较好为50%，一般为40%。
2. $u_2,u_3,u_4$由部门领导打分为$R_2=[0.2,0.5,0.2,0.1,0]$ $R_3=[0.2,0.5,0.3,0,0]$ $R_4=[0.2,0.6,0.2,0,0]$
3. 构成R矩阵为
   $$R=\left[\begin{array}{ccccc}0.1& 0.5& 0.4& 0& 0\\ 0.2& 0.5& 0.2& 0.1& 0\\ 0.2& 0.5& 0.3& 0& 0\\ 0.2& 0.6& 0.2& 0& 0\end{array}\right]$$
4. 模糊综合评价。进行矩阵运算：
   $$B=A\ast R=[0.25,0.20,0.25,0.30]\ast \left[\begin{array}{ccccc}0.1& 0.5& 0.4& 0& 0\\ 0.2& 0.5& 0.2& 0.1& 0\\ 0.2& 0.5& 0.3& 0& 0\\ 0.2& 0.6& 0.2& 0& 0\end{array}\right]$$
   $$B=[0.175,0.53,0.275,0.02,0]$$
   由此可见，这位员工的评价是较好。（因为较好的概率为0.53，概率最大）

多级模糊综合评价

（1）为什么要引入多级模糊综合评价
当因素集中元素较多，我们可以对其分类，归类后简化处理。
确定权重时，指标越少，越容易确定。
（2）多级模糊综合评价模型例题
其实多级模糊综合评价是多个一级模糊综合评价反复进行运算的结果。
比如如何颁发奖的学金问题，我们可以通过学习成绩，竞赛成绩，个人荣誉，志愿服务等方面来进行评价，那学习成绩又可以分为：专业课成绩与非专业课成绩；竞赛成绩可分为：院级竞赛，校级竞赛，省级竞赛，国家级竞赛；个人荣誉可分为：国家级荣誉奖项，省级荣誉奖项，校级荣誉奖项；志愿服务也可分为：社会志愿服务，校内志愿服务等。
所以面对这样的多级模糊综合评价，我们只需要把多级分为多个一级，分别计算这些一级模糊综合评价模型，最后再统一起来，这就是多级模糊综合评价模型。