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。
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。