数学建模1-评价类问题

数学建模-评价类问题

问题的引入：

假设小明同学高考结束，准备选择EE或者是CS里面的一个，现在，我们需要帮助小明做出符合数学的抉择。

（其实是一类问题，问题本身是非数学的，再比如，你母亲和女友同时落水，你准备救哪一个，但是，我们需要根据我们所学的数学知识，做出抉择）

那么我们就打分吧。

一个显然的想法：确定好打分指标，然后，对每个方案进行打分。

但是，问题在于，怎么打分？毕竟，打分这事，有点主观性过强。

所以，接下来，介绍的，评价类算法，就是告诉我们，怎么打分。

首先上场的是层次分析法

简单的介绍：（此处引用他人的博客。。）

说白了，就是几步，我画了个流程图来概括其大致思路。

根据问题，确定目标层

根据文献（自己的推测？）确定准则层与决策层（个数小于15）

然后两两确定，写出判断矩阵，再进行一致性检验，

在一致性检验通过的时候，求解权重

（P.S这种方法，也可以进行判断比较并确定其它评价方法里面准则的权重）（套娃？？）

然后上场的，是TOPSIS方法（优劣解距离法）

上种方法评价的决策层不能太多，否则，差异太大

如果我们已经得到了数据，那么，层次分析法就显得太主观了，引入数据来分析，更加客观。

此处再次引用他人博客

基本的思路

对指标进行分类：

​ 极大（小）型指标：越大（小）越好

​ 中间（区间）型：居中（某一个区间）就好

然后极小型（中间型）转极大型

标准化消去指标间的量纲

最后进行归一化：

（抽象的来看，就是导出评价对象在评价域这个向量空间里面，与我们最大（小）值向量的距离，并以此来进行排序）

导出与最大/最小

所以，方法的核心就是：对我们手中所得到的数据进行处理，找出指标，处理掉指标的量纲影响，确定一个评价空间，在这个向量空间里面，找出每一个对象距离最大值与最小值的距离。

二话不说，上流程图：

在TOPSIS方法里面，每个指标对应的权重，是可以根据层次分析法进行赋值的，不过，这种方法主观性太强了。还有一种方法，也可以对指标进行赋值

熵权法

指标的变异程度越小，反应的信息量越小，对应的权值应该越低

而概率越大的事件，其信息量应该越少，概率越小，信息量应该越多。

基本原理：引用他人博客

基本的流程:

1）数据处理，归一化

2）计算信息熵

3）计算权重

换一种角度，还有方法进行评价-模糊综合评价

其实，所有的评价类问题的方法，抽象的来看，说的都是一个东西。

定义：

​ 因素集：所研究的问题，可以从多个角度看，因素集，即问题空间中的一组基。

​ 评语集：将问题空间里面的元素经映射后，对应的结果（值域）。

​ 权重集：各因素集元素在某一次至评语集映射中所占权重。

我们在评价类问题里面需要解决的要做的：把论域中的对象对应至评语集中指定的评语。不同的评价类方法，就是不同的映射。将论域V里面的问题，映射到我们的评价域U。

上面的比较抽象，其实简单的来说，就是对某一特定对象给出一个评价。或者，将把评价换成方案。

那么，回到原点，什么是模糊综合评价？

简单的来说，就是引入模糊数学里面的概念，通过隶属函数（模糊）/模糊统计法，确定好各因素在评语集里面所占的份量，最后，赋予权重，找最大的权值的评语作为我们的结论。

详细的解说：
别人的博客

我对上述过程画了一张图来帮助理解。