模糊综合评判模型

最新推荐文章于 2024-08-02 22:32:45 发布

zedkyx

最新推荐文章于 2024-08-02 22:32:45 发布

阅读量784

点赞数 2

分类专栏：数学建模文章标签：线性代数概率论 matlab

本文链接：https://blog.csdn.net/zedkyx/article/details/126325997

版权

数学建模专栏收录该内容

6 篇文章 5 订阅

订阅专栏

一、何为“模糊”

数学中所研究的量可以划分为确定性和不确定性。

确定性的代表是经典数学（几何、代数），而不确定性又分为随机性（概率论、随机过程），灰性（灰色系统）以及模糊性（模糊数学）。

在生活中也处处存在着模糊性：帅、高、白、年轻......

二、模糊集合和隶属函数

模糊集合与经典集合最大的不同之处在于承认亦此亦彼

数学中用隶属函数来刻画模糊集合（此处记为A）
$u_{A}:\upsilon \rightarrow \left [ 0,1 \right ]$ 此处 $\upsilon$ 代表论域，0到1的区间表示可取中间的任意值

A="年轻"、 $\upsilon =\left ( 0,150 \right )$ 表示年龄的集合，现假定隶属函数为：（不唯一）

$u_{A}\left ( x \right )=\begin{Bmatrix} 1 & 0< x< 20\\ \frac{40-x}{20} & 20\leq x\leq 40\\ 0 & 40< x< 150 \end{Bmatrix}$

隶属度含义：此处隶属度的值越接近1，越年轻。

模糊集合的表示方法： $A=\left \{ \left ( 10,1 \right ),\left ( 20,1 \right ),\left ( 30,0.5 \right ),\left ( 40,0 \right ) \right \}$

$A=\int _{x\epsilon \left ( 0,20 \right )}\frac{1}{x}\: +\int _{\left ( x\epsilon \left [ 20,40 \right ] \right )} \frac{\frac{40-x}{20}}{x}\: +\int _{x\epsilon \left ( 40,150 \right )}\frac{0}{x}$

模糊集合的分类：偏小型、中间型、偏大型

例：（小，中，大）、（冷，暖，热）、（年轻，中年，年老）

隶属函数的确定与模糊集合的类型息息相关

三、隶属函数的确定方法

在数模比赛中，先查找资料是否有客观的尺度

论域模糊集隶属度
设备设备完好设备完好率
产品质量稳定正品率
家庭小康家庭恩格尔系数

注：指标必须介于0和1之间，否则需进行归一化。

如果没有，则用指派法（直接套用已有分布作为隶属函数）

用的最多的是梯形分布，一般形式如下：（根据生活经验或别人的研究成果、常识）

$A\left ( x \right )=\left\{\begin{matrix} 1 & x<a\\ \frac{b-x}{b-a} & a\leq x\leq b\\ 0 & x< b \end{matrix}\right.$

如果有三个节点，则中间的函数为 $\frac{x-min}{max-min}\: ,\: \frac{max-x}{max-min}$ （两个max、min不同）

其他还有 $\Gamma$ 型分布、正态分布、柯西分布（在指数部分，一般倾向于简化模型，取1或2）等

正态分布（一般形式）： $A\left ( x \right )=e^{-\left ( \frac{x-a}{\sigma } \right )^{2}}$

柯西分布（一般形式）： $A\left ( x \right )=\frac{1}{1+\alpha \left ( x-a \right )^{\beta }}$ $\left ( \alpha,\beta > 0,\beta\: is\: even \right )$

四、一级模糊综合评价应用模式

模糊综合评价可以用于：

把论域中的对象对应评语集中一个指定的评语
将方案作为评语集并选择一个最优的方案

模型：

因素集（评价指标集） $U=\left \{ u_{1},u_{2},...,u_{n} \right \}\left ( generally\: n\leq 5 \right )$ 且指标间相关性不强
评语集（评价的结果） $V=\left \{ v_{1},v_{2},...,v_{m} \right \}$
权重集（指标的权重） $A=\left [ a_{1},a_{2},...,a_{n} \right ]$

确定权重的方法：

无数据：层次分析法（附代码）_zedkyx的博客-CSDN博客_层次分析法代码

有数据：熵权法（附在最后）

确定模糊综合判断矩阵（从U到V到模糊关系 $R=\left ( r_{ij} \right )_{n\times m}$ ）

其中， $r_{nm}$ 代表 $u_{n}$ 对于评语 $v_{m}$ 的隶属度（由隶属函数确定）

综合评判

进行模糊变换 $T_{R}:F\left ( U \right )\rightarrow F\left ( V \right )$ ，即 $A_{1\times n}\cdot R_{n\times m}=B_{1\times m}$

综合后的评判可看作是V上的模糊向量，记为 $B=[b_{1},b_{2},...,b_{m}]$ （ $b_{i}$ 为隶属度）

若 $max\left \{ b_{1},b_{2},...,b_{m} \right \}= b_{k}$ ，评价对象划分为k类。

五、多级模糊综合评价模型

实质上是对因素集进行进一步划分（根据相关性～聚类分析？）

偷个懒～～～

熵权法

（1）对原始数据进行归一化/标准化处理

套话：将各指标值 $a_{ij}$ 转化为标准化指标 $\tilde{a_{ij}}$ ，有

$\tilde{a_{ij}}=\frac{a_{ij}-\mu _{j}}{s_{j}}\: \: i=1,...,n,\: j=1,...,m$

$\mu _{j}=\frac{1}{n}\sum_{i=1}^{n}a_{ij}\: ,s_{j}=\sqrt{\frac{1}{n-1}\sum_{i-1}^{n}\left ( a_{ij}-\mu _{j} \right )^{2}}$

即 $\mu _{j},s_{j}$ 为第j个指标的样本均值和样本标准差

（2）根据信息论中信息熵的定义：一组数据的信息熵 $E_{j}=-ln\left ( n \right )^{-1}\cdot \sum_{i=1}^{n}p_{ij}lnp_{ij}$

其中 $p_{ij}=Y_{ij}/\sum_{i=1}^{n}Y_{ij}$

如果 $p_{ij}=0$ ，则定义 $\lim_{p_{ij}\to 0}p_{ij}lnp_{ij}=0$

（3）通过信息熵计算各指标的权重

$W_{i}=\frac{1-E_{i}}{k-\sum E_{i}}\: \:\left ( i=1,2,...,k \right )$