综合评价建模
模糊综合评价模型
模糊综合评价模型模糊综合评价模型(FCM)是一种基于模糊数学理论的多准则决策方法,广泛应用于各种评价问题中,如经济、管理、环境、教育等领域。
FCM能够处理多个评价指标同时存在的复杂评价问题,并通过对各个指标的权重进行模糊化处理,最终得到一个综合评价结果。
本文将介绍FCM的基本原理、应用场景以及优缺点。
FCM的基本原理是将评价指标和权重都表示成模糊数值,并进行模糊综合运算。
模糊数值是介于0和1之间的数值,表示一些事物或概念的模糊程度。
在FCM中,评价指标通过模糊隶属函数表示,权重通过模糊权重函数表示。
通过对这些模糊数值进行模糊综合运算,可以得到一个综合评价结果。
FCM的应用场景非常广泛。
在经济领域,FCM可以用于评估企业的综合实力,帮助企业进行战略决策。
在管理领域,FCM可以用于评估员工的绩效,帮助企业进行人力资源管理。
在环境领域,FCM可以用于评估环境影响,帮助政府进行环境保护政策的制定。
在教育领域,FCM可以用于评估学生的学术表现,帮助学校进行教学管理。
FCM的优点主要包括以下几个方面。
首先,FCM能够处理多个评价指标的模糊性和不确定性,使评价结果更加客观和准确。
其次,FCM能够考虑到不同指标的重要性,通过对权重进行模糊化处理,使评价结果更具权威性。
最后,FCM能够处理评价指标之间的相互关系,考虑到评价指标之间的相互作用,使评价结果更具有实际意义。
然而,FCM也存在一些缺点。
首先,FCM的模型建立需要大量的数据和专业知识支持,对于一些复杂的评价问题,模型建立可能会比较困难。
其次,FCM的模糊综合运算需要进行一系列的计算,计算过程比较复杂,需要一定的计算资源支持。
最后,FCM的评价结果具有一定的主观性,依赖于权重的确定和模糊数值的选择,可能会存在一定的不确定性。
综上所述,模糊综合评价模型是一种灵活、有效的多准则决策方法,可广泛应用于各种评价问题中。
通过对评价指标和权重进行模糊化处理,能够得到一个综合评价结果,帮助决策者进行决策。
综合评价决策模型方法_数学建模
综合评价决策模型方法_数学建模决策模型方法是一个重要的工具,用于解决复杂的决策问题。
综合评价决策模型方法是一个基于多个指标或因素对决策方案进行评价的方法。
该方法在数学建模中常用于分析多个决策方案的优劣,帮助决策者做出最优决策。
首先,层次分析法是一种定性与定量相结合的分析方法,用来解决多个指标之间的相对重要性问题。
它通过建立层次结构,将问题分解为若干个层次,并对各层次进行权值的确定,从而得到最终的评价结果。
层次分析法主要包括建立层次结构模型、构造判断矩阵、计算权重和一致性检验等步骤。
其优点是结构明确、能够定量地评价各指标之间的重要性,但也存在权重确定的主观性较强的问题。
其次,灰色关联度法是一种基于灰色理论的模型,用于评价多个指标之间的关联程度。
它通过建立灰色关联度模型,将多个指标的值转化为灰色数列,进行关联度计算,从而得到各指标的权重。
灰色关联度法主要包括灰色关联度计算和权重确定两个步骤。
其优点是能够考虑指标之间的关联关系,但也存在对指标值的灵敏度较高的问题。
再次,熵权法是一种基于信息熵的权重确定方法,用于评价多个指标的重要性。
它通过计算各指标的熵值和权重,得到最终的评价结果。
熵权法主要包括计算指标熵值、计算指标熵权和综合计算这三个步骤。
其优点是能够客观地确定指标的权重,但也存在对指标值范围要求较高的问题。
最后,矩阵法是一种定量化的综合评价方法,用于评价多个决策方案的优劣。
它通过构造评价指标矩阵,对各决策方案的各指标进行评分,并计算出加权总分,从而对决策方案进行排序。
矩阵法主要包括构造评价指标矩阵、对矩阵进行归一化和计算加权总分这三个步骤。
其优点是方法简单、易于理解和使用,但也存在在权重确定上存在一定主观性的问题。
总的来说,综合评价决策模型方法在数学建模中起着重要的作用。
不同的方法有不同的优缺点,适用于不同的决策问题。
决策者在选择合适的方法时,需要根据实际情况和需求综合考虑。
基于模糊综合评价模型对城市宜居水平的建模与分析
基于模糊综合评价模型对城市宜居水平的建模与分析随着城市化进程的加快和人们生活水平的不断提高,城市宜居水平成为了评价一个城市发展水平的重要指标。
而要对城市的宜居水平进行评价,需要考虑多个方面的因素,包括环境质量、居住条件、经济发展、文化教育等多个方面。
为了更客观、科学地评价城市的宜居水平,本文将基于模糊综合评价模型对城市宜居水平进行建模与分析。
一、模糊综合评价模型介绍模糊综合评价是一种利用模糊数学理论对多种指标进行综合评价的方法。
它能够克服传统评价方法中对指标权重设置困难、主客观权衡不明显等问题,能够更全面、客观地评价事物的优劣势。
其基本思想是将各指标的评价值转化为模糊数,然后进行模糊综合评价,得出综合评价结果。
二、城市宜居水平评价指标要评价一个城市的宜居水平,需要考虑多个指标,包括但不限于:1. 环境质量:包括空气质量、水质、噪音污染等。
2. 居住条件:包括房价水平、住房供应、社区配套设施等。
3. 经济发展:包括城市GDP、就业率、收入水平等。
4. 文化教育:包括教育资源、文化设施、人文环境等。
5. 社会治安:包括犯罪率、社会秩序等。
6. 交通便利:包括道路畅通程度、公共交通覆盖率等。
三、城市宜居水平评价的模糊综合评价模型建立1. 确定评价指标及其量化首先需要确定要评价的城市宜居水平的指标,然后将这些指标进行量化。
环境质量可以使用空气质量指数AQI来表示;经济发展可以使用城市GDP、人均收入等指标表示;文化教育可以使用高等教育覆盖率、图书馆数量等指标表示。
2. 建立模糊矩阵将各指标的量化值构成模糊矩阵,矩阵的行代表各指标,列代表各级别,如优良中差等级。
每个指标对应的等级为其隶属度函数。
3. 确定权重通过专家问卷调查、层次分析法等方法,确定各指标的权重,即对城市宜居水平影响最大的指标。
4. 计算模糊矩阵隶属度函数使用模糊数学理论将各指标转化为模糊数,并计算各指标对各等级的隶属度函数。
5. 进行模糊综合评价将各指标的模糊数值代入模糊综合评价模型,得出城市宜居水平的综合评价结果。
基于大数据的学生综合素质评价模型构建与优化
基于大数据的学生综合素质评价模型构建与优化大数据在教育领域的应用已经成为一个热门话题。
近年来,随着教育数据的不断积累和分析技术的不断进步,基于大数据的学生综合素质评价模型的构建与优化成为了教育领域的重要任务。
本文将探讨基于大数据的学生综合素质评价模型的构建与优化,并介绍一些相关的实践案例。
首先,为了构建一个有效的基于大数据的学生综合素质评价模型,需要从多维度、多层次的角度来考核学生的综合素质。
这包括学生的学业表现、学习态度、创新能力、社交能力等方面。
在考核学业表现方面,可以通过学生的考试成绩、作业水平、学术竞赛获奖等指标来评估。
在考核学习态度方面,可以通过学生的参与度、课堂纪律、课后学习时间等指标来评估。
在考核创新能力方面,可以通过学生的学术论文、科研项目参与等指标来评估。
在考核社交能力方面,可以通过学生的合作能力、沟通能力、领导能力等指标来评估。
其次,为了优化基于大数据的学生综合素质评价模型,需要充分利用大数据分析技术。
大数据分析可以通过挖掘大量的学生数据,进行统计分析和数据建模,从而揭示出学生综合素质的内在规律。
例如,可以利用机器学习算法来构建预测学生成绩的模型,通过分析学生的学习行为数据、学习资源使用数据等,为教师提供个性化的教学建议。
此外,还可以利用数据挖掘技术来发现学生的潜在问题和优势,从而精准地进行评价和指导。
在实践中,已经有一些教育机构和学校开始尝试基于大数据的学生综合素质评价模型的构建与优化。
例如,某大型教育集团利用学生的学习行为数据和成绩数据,构建了一个个性化学习推荐系统。
该系统通过分析学生的学习兴趣、学科能力、学习习惯等数据,为学生精确地推荐适合他们的学习资源和方法,从而提高学生的学习效果和兴趣。
另外,一些学校利用学生的社交网络数据进行学生综合素质评价的研究。
通过分析学生在社交网络中的活动和关系,可以揭示出学生的社交能力、领导能力等方面的信息。
例如,研究人员可以通过分析学生的社交网络连接情况,来判断学生是否具有良好的合作能力和人际关系。
数学建模综合评价与衡量方法(定)
所谓指标就是用来评价系统的参量.例如,在校学生规模、教学质量、师资结构、科研水平等,就可以作为评价高等院校综合水平的主要指标.一般说来,任何—个指标都反映和刻画事物的—个侧面.从指标值的特征看,指标可以分为定性指标和定量指标.定性指标是用定性的语言作为指标描述值,定量指标是用具体数据作为指标值•例如,旅游景区质量等级有5A、4A、3A、2A 和1A之分,则旅游景区质量等级是定性指标;而景区年旅客接待量、门票收入等就是定量指标.从指标值的变化对评价目的的影响来看,可以将指标分为以下四类:(1)极大型指标(又称为效益型指标)是指标值越大越好的指标;(2)极小型指标(又称为成本型指标)是指标值越小越好的指标;(3)居中型指标是指标值既不是越大越好,也不是越小越好,而是适中为最好的指标;(4)区间型指标是指标值取在某个区间为最好的指标.例如,在评价企业的经济效益时,利润作为指标,其值越大,经济效益就越好,这就是效益型指标;而管理费用作为指标,其值越小,经济效益就越好,所以管理费用是成本型指标.再如建筑工程招标中,投标报价既不能太高又不能太低,其值的变化围一般是(-10%,+5%)x标的价,超过此围的都将被淘汰,因此投标报价为区间型指标•投标工期既不能太长又不能太短,就是居中型指标.在实际中,不论按什么方式对指标进行分类,不同类型的指标可以通过相应的数学方法进行相互转换8.2.4评价指标的预处理方法一般情况下,在综合评价指标中,各指标值可能属于不同类型、不同单位或不同数量级,从而使得各指标之间存在着不可公度性,给综合评价带来了诸多不便.为了尽可能地反映实际情况,消除由于各项指标间的这些差别带来的影响,避免出现不合理的评价结果,就需要对评价指标进行一定的预处理,包括对指标的一致化处理和无量纲化处理.1.指标的一致化处理所谓一致化处理就是将评价指标的类型进行统一.一般来说,在评价指标体系中,可能会同时存在极大型指标、极小型指标、居中型指标和区间型指标,它们都具有不同的特点.如产量、利润、成绩等极大型指标是希望取值越大越好;而成本、费用、缺陷 等极小型指标则是希望取值越小越好;对于室温度、空气湿度等居中型指标是既不期望 取值太大,也不期望取值太小,而是居中为好.若指标体系中存在不同类型的指标,必 须在综合评价之前将评价指标的类型做一致化处理.例如,将各类指标都转化为极大型指标,或极小型指标.一般的做法是将非极大型指标转化为极大型指标.但是,在不同 的指标权重确定方法和评价模型中,指标一致化处理也有差异.(1) 极小型指标化为极大型指标,将其转化为极大型指标时,只需对指标x 取倒数:jx'二丄,jxjx =M -x ,jjj其中M =max{x},即n 个评价对象第j 项指标值x..最大者.j 1<i<n 可IJ(2) 居中型指标化为极大型指标jj就可以将x 转化为极大型指标.j(3) 区间型指标化为极大型指标对区间型指标x ,x 是取值介于区间[a,b ]时为最好,指标值离该区间越远就越jjjj差.令M =max{x},m =min{x},c =max{a -m,M -b},取j1<i<n ijj1<i<n ijjjjjj对极小型指标xj或做平移变换:对居中型指标xj,令M =max{x}j1<i<n ij 2(x -m)jj —, M -m =V jj2(M -x)j—,M -m,m =min{x},取j1<i<n ijM +mm <x <—J j ;j J2M +m —J j <x <M.2jj就可以将区间型指标x 转化为极大型指标.j类似地,通过适当的数学变换,也可以将极大型指标、居中型指标转化为极小型指标.2.指标的无量纲化处理所谓无量纲化,也称为指标的规化,是通过数学变换来消除原始指标的单位及其数 值数量级影响的过程.因此,就有指标的实际值和评价值之分.—般地,将指标无量纲化处理以后的值称为指标评价值.无量纲化过程就是将指标实际值转化为指标评价值的过程.对于n个评价对象S,S,,S ,每个评价对象有m 个指标,其观测值分别为12nx(i=1,2,,n;j —1,2,,m).ij⑴标准样本变换法令••••••x —xx *—j (1<i <n ,1<j <m ).ijsj其中样本均值x -丄2x ,样本均方差s -£(x —x )2,x *称为标准观测值.jn ij j Vn ijjiji —11i —1特点:样本均值为0,方差为1;区间不确定,处理后各指标的最大值、最小值不相同;对于指标值恒定(s —0)的情况不适用;对于要求指标评价值x *>0的评价方法(如jij 熵值法、几何加权平均法等)不适用.(2)线性比例变换法对于极大型指标,令xx *—j (max x 丰0,1<i<n ,1<j<m ). ijmax x 1<i<nij1对极小型指标,令minxx *—j(1<i <n,1<j <m). ij x或xx *=1-j —(maxx 丰0,1<i <n,1<j <m ).a -x 1——jjc j1,x —b 1——j jx <a;jja <x <b; jjjx >b.jj©maxx 1<i <n ij1<i <nij该方法的优点是这些变换方式是线性的,且变化前后的属性值成比例.但对任一指标来说,变换后的x *=1和x *=0不一定同时出现.ijij特点:当x >0时,x *e[0,1];计算简便,并保留了相对排序关系.ijij(3)向量归一化法对于极大型指标,令优点:当x >0时,x *e[0,1],即£(x *)2=1•该方法使0<x *<1,且变换前ijij ij ij i =1后正逆方向不变;缺点是它是非线性变换,变换后各指标的最大值和最小值不相同.(4) 极差变换法对于极大型指标,令x -minxx *=ij ——1<i <n ij ——(1<i <n,1<j <m). ijmaxx -minx1<i <n ij 1<i <n ij对于极小型指标,令maxx -xx *=——_ij ij ——(1<i <m,1<j <n). ijmaxx -minx1<i <n ij 1<i <n ij其优点为经过极差变换后,均有0<x *<1,且最优指标值x *=1,最劣指标值ijijx *=0•该方法的缺点是变换前后的各指标值不成比例,对于指标值恒定(s =0)的情况ijj不适用.(5) 功效系数法令x -minxx *=c +—ij_i <i <n ij —x d (1<i <n ,1<j <m ). ijmax x -min x1<i <nij1<i <n ij其中c ,d 均为确定的常数.C 表示"平移量”,表示指标实际基础值,d 表示"旋转量”,即表示"放大”或“缩小”倍数,则x *e[c,c+d].ij通常取c =60,d =40,即xx对于极小型指标,令x *ijx-minxx*=60+—j_i<i<n j—x40(1<i<n,1<j<m).ij maxx-minx1<i<n ij1<i<n ij则x*实际基础值为60,最大值为100,即x*e[60,100].ijij特点:该方法可以看成更普遍意义下的一种极值处理法,取值围确定,最小值为c,最大值为c+d•3.定性指标的定量化在综合评价工作中,有些评价指标是定性指标,即只给出定性地描述,例如:质量很好、性能一般、可靠性高、态度恶劣等•对于这些指标,在进行综合评价时,必须先通过适当的方式进行赋值,使其量化•一般来说,对于指标最优值可赋值10.0,对于指标最劣值可赋值为0.0•对极大型和极小型定性指标常按以下方式赋值.(1)极大型定性指标量化方法对于极大型定性指标而言,如果指标能够分为很低、低、一般、高和很高等五个等级,则可以分别取量化值为1.030,5.0,7.0和9.0,对应关系如图8-2所示•介于两个等级之间的可以取两个分值之间的适当数值作为量化值.很低低一般高很高01.03.05.07.09.010.0图8-2极大型定性指标量化方法(2)极小型定性指标量化方法对于极小型定性指标而言,如果指标能够分为很高、高、一般、低和很低等五个等级,则可以分别取量化值为1.0,3.0,5.0,7.0和9.0,对应关系如图8-3所示.介于两个等级之间的可以取两个分值之间的适当数值作为量化值.很高高一般低很低IIIIII I101.03.05.07.09.010.0模糊综合评价方法在客观世界中,存在着许多不确定性现象,这种不确定性有两大类:一类是随机性现象,即事物对象是明确的,由于人们对事物的因果律掌握不够,使得相应结果具有不可预知性,例如晴天、下雨、下雪,这是明确的,但出现规律不确定;另一类是模糊性现象,即某些事物或概念的边界不清楚,使得事物的差异之间存在着中间过渡过程或过渡结果,例如年轻与年老、高与矮、美与丑等,这种不确定性现象不是人们的认识达不到客观实际所造成的,而是事物的一种在结构的不确定属性,称为模糊性现象.模糊数学就是用数学方法研究和处理具有“模糊性”现象的一个数学分支.而模糊综合评价就是以模糊数学为基础,应用模糊关系合成的原理,将一些边界不清、不易定量的因素定量化,进行综合评价的一种方法..隶属度函数的确定方法隶属度的思想是模糊数学的基本思想,确定符合实际的隶属函数是应用模糊数学方法建立数学模型的关键,然而这是至今尚未完全解决的问题.下面介绍几种常用的确定隶属函数的方法.⑴模糊统计法模糊统计法是利用概率统计思想确定隶属度函数的一种客观方法,是在模糊统计的基础上根据隶属度的客观存在性来确定的.下面以确定青年人的隶属函数为例来介绍其主要过程.①以年龄为论域X,在论域X中取一固定样本点x=27.②设A*为论域X上随机变动的普通集合,A是青年人在X上以A*为弹性边界的模糊集,对A*的变动具有制约作用.其中xeA,或x电A,使得x对A的隶属关系000具有不确定性•然后进行模糊统计试验,若n次试验中覆盖x的次数为m,则称m为0n nx对于A的隶属频率.由于当试验次数n不断增大时,隶属频率趋于某一确定的常数,o该常数就是x属于A的隶属度,即m卩(x)=lim--.A0n*n比如在论域X中取x=27,选择若干合适人选,请他们写出各自认为青年人最适0宜最恰当的年龄区间(从多少岁到多少岁),即将模糊概念明确化.若n次试验中覆盖27岁的年龄区间的次数为m,则称m为27岁对于青年人的隶属频率,表8-4是抽样调查n统计的结果.由于27岁对于青年人的隶属频率稳定在0.78附近,因此可得到x=27o属于模糊集A的隶属度卩(27)=0.78.A③在论域X中适当的取若干个样本点x,x,,x,分别确定出其隶属度12n卩(x)(i=1,2,,n),建立适当坐标系,描点连线即可得到模糊集A的隶属函数曲线.Ai将论域X分组,每组以中值为代表分别计算各组隶属频率,连续地描出图形使得到•••青年人的隶属函数曲线,见表8-5与图8-5所示.确定模糊集合隶属函数的模糊统计方法,重视实际资料中包含的信息,采用了统计分析手段,是一种应用确定性分析揭示不确定性规律的有效方法.特别是对一些隶属规律不清楚的模糊集合,也能较好地确定其隶属函数.16.5~17.5670.51928.5~29.5800.62017.5~18.51240.96129.5~30.5770.59718.5~19.5125 1.0030.5~31.5270.20919.5~20.5129 1.0031.5~32.5270.20920.5~21.5129 1.0032.5~33.5260.20221.5~22.5129 1.0033.5~34.5260.20222.5~23.5129 1.0034.5~35.5260.20223.5~24.5129 1.0035.5~36.510.00824.5~25.51280.992⑵三分法三分法也是利用概率统计中思想以随机区间为工具来处理模糊性的的一种客观方法•例如建立矮个子A1,中等个子A2,高个子A3三个模糊概念的隶属函数•设P3={矮个子,中等个子,高个子},论域X为身高的集合,取X=(0,3)(单位:m).每次模糊试验确定X的一次划分,每次划分确定一对数(g,n),其中匕为矮个子与中等个子的分界点,耳为中等个子与高个子的分界点,从而将模糊试验转化为如下随机试验:即将(g,n)看作二维随机变量,进行抽样调查,求得g、n的概率分布p(x)、P(x)后,再分别导出A1、A?和A3的隶属函数卩(X)、R(X)和g_H_A1A2卩(x),相应的示意图如图8-6所示.A3图8-5年轻人的隶属函数曲线图8-6由概率分布确定模糊集隶属函数通常E 和耳分别服从正态分布N (a ,G 2)和N(a11分别为_gv⑶模糊分布法根据实际情况,首先选定某些带参数的函数,来表示某种类型模糊概念的隶属函数(论域为实数域),然后再通过实验确定参数.在客观事物中,最常见的是以实数集作论域的情形•若模糊集定义在实数域R 上,则模糊集的隶属函数便称为模糊分布.下面给出几种常用的模糊分布,在以后确定隶属函数时,就可以根据问题的性质,选择适当(即符合实际情况)模糊分布,根据测量数据求出分布中所含的参数,从而就可以确定出隶属函数了.为了选择适当的模糊分布,首先应根据实际描述的对象给出选择的大致方向.偏小型模糊分布适合描述像“小”、“冷”、“青年”以及颜色的“淡”等偏向小的一方的模糊现象,其隶属函数的一般形式为「1,x <a; 卩(x)斗A [f (x),x >a.偏大型模糊分布适合描述像“大”、“热”、“老年”以及颜色的“浓”等偏向大的一方的模糊现象,其隶属函数的一般形式为f0,x <a ;卩(x )=\A [f (x ),x >a .中间型模糊分布适合描述像“中”、“暖和“、“中年”等处于中间状态的模糊现象,其隶属面数可以通过中间型模糊分布表示.① 矩形(或半矩形)分布2,G2),则A 1、A 2和A3的隶属函数其中Q (x)二i卩(x)=1—① A1卩(x )=①A21气—e 2dt .(、 x 一a 1丿/ 1GiC\x 一a 2(G 丿2—① 卩(x)=1一① A3x 一a 、Gi丿、x 一ac 2G丿(c)中间型0,x <a ;1,a <x <b ; 0,x >b .卩A x )=<此类分布是用于确切概念.矩形(或半矩形)分布相应的示意图如图8-7所示.图8-7矩形(或半矩形)分布示意图② 梯形(或半梯形)分布梯形(或半梯形)分布的示意图如图8-8所示.③ 抛物形分布(a)偏小型 (b)偏大型 (c)中间型(a)偏小型 (b)偏大型 (c)中间型1,x<a; b —x<<, b —a 0,x>b.卩A(x )=10,x <a;x —a,a <x <b;b —a 1,x >b.0,x <a ,x >d ; ,a <x <b ;b -a 1,b <x <c ;d —x,c <x <d ;d —c(a)偏小型(b)偏大型(c)中间型 图8-8梯形(或半梯形)分布示意图抛物形分布的示意图如图8-9所示.(a)偏小型(b)偏大型(c)中间型图8-9抛物形分布示意图④正态分布(a)偏小型(b)偏大型1,x<a;0,x<a;卩(x)=<(x—a]2卩(x)=<(T—a J2、e〔b,x>a. 1—e—l b丿,x>a.(c)中间型⑤柯西分布(a)偏小型(b)偏大型(c)中间型⑥r 型分布(a)偏小型 (b)偏大型 (c)中间型f l,x <a ; [e _k (x _a ),x >a .f 0,x <a ;卩(x)=kA[1一e _k (x _a ),x >a .卩(x)=<Ae _k (x _a ),x <a; 1,a <x <b; e _k (b _x ),x >b.1,1 x <a; 1+a (x -a)P (a >0,B >0)x >a.0, 1x <a ; Q ,x >a .1+a (x 一a )_P叮x)=1+a (x -a )B'(a >0,B 为正偶数).(a >0,B>0)。
综合评价方法(参考)数学建模
第一章 综合评价概述
一、综合评价的目的 二、综合评价的一般步骤
一、综合评价的目的
*
综合评价一般表现为以下几类问题: a。分类——对所研究对象的全部个体进行分类,
但不同于复合分组(重叠分组); b。比较、排序(直接对全部评价单位排序,或
在分类基础上对各小类按优劣排序); c。考察某一综合目标的整体实现程度(对某一
• 指标的无量纲化就是把不同计量单位的 指标数值,改造成可以直接加总的同量 纲数值,。即通过数学变换,消除计量 单位对原数据的影响。
• 指标的无量纲化是综合评价的前提 • 多数场合下,同向化处理过程与无量纲
化过程是同时进行的。
*
数据指标的无量纲化处理方法
(1)标准差法:
xij
xij x j sj
– 相邻指标比较法;(先按重要性将全部评价指标排 序,再将相邻指标的重要性进行比较
– 层次分析法(AHP)——互反式两两比较构权法。 – 模糊综合评价——模糊评价法奠基于模糊数学。它
不仅可对评价对象按综合分值的大小进行评价和排 序,而且还可根据模糊评价集上的值按最大隶属度 原则去评定对象的等级。
*
2(x j Mj 2(M
Mj
mj mj j xj mj
) )
, ,
mj M
xj
j m 2
M j x
j j
mj 2
Mj
其中M j=max(xij ),m j min(xij )
*
•1.3 将区间型化为极大型
对某个区间型数据指标 x ,则
x
f (x) a ln x b , 3 x 5
其中, , a,b 为待定常数.
模糊综合评价法数学建模
模糊综合评价法数学建模在这篇文章里,我们将聊聊“模糊综合评价法”这种听起来挺高大上的数学建模方法。
别担心,我们会用最简单的语言,让它变得像聊天一样轻松。
准备好了吗?那就一起往下看吧!1. 什么是模糊综合评价法?好,首先咱们得明白模糊综合评价法到底是个啥。
简单来说,它是一种处理那些不太确定、模糊不清的数据的工具。
打个比方吧,就像你在选择一部新手机时,可能会考虑多个方面:价格、性能、外观、品牌等。
可是这些方面有时候很难量化,模糊综合评价法就是用来帮你把这些“模糊”的因素综合起来,从而做出一个比较合理的决策。
1.1 基本概念模糊综合评价法的核心在于“模糊”。
什么是模糊?就是那些不完全确定的东西。
比如,今天你觉得这个手机的外观“很不错”,但并没有具体到说“好到什么程度”。
这种感觉就属于模糊的范围。
模糊综合评价法通过一些数学技巧,把这些模糊的感觉变成一个可以分析的结果。
1.2 应用场景这种方法在许多地方都能用上,比如在评估公司员工的绩效、选择投资项目、甚至在一些医学领域的决策中。
它特别适合那些信息不完全、评价标准多样化的情况。
可以说,模糊综合评价法就像一个能把复杂情况简化的超级工具。
2. 模糊综合评价法的步骤接下来,我们来看一下使用模糊综合评价法的具体步骤。
虽然步骤听起来有点复杂,但其实也没那么难搞。
2.1 确定评价指标首先,你得列出所有需要考虑的评价指标。
以选手机为例,可能包括价格、性能、外观、品牌等。
这里的每一个指标都是用来帮助你做出决策的关键因素。
2.2 建立模糊评价矩阵接下来,咱们就要建立一个模糊评价矩阵。
这个矩阵就是把每个指标的“模糊感”转化为一个可以处理的数据形式。
例如,你可以把“外观好”转化为一个模糊数值,像“7分”,然后在评价矩阵中填上这些数值。
2.3 综合评价最后一步就是综合这些模糊数据。
你需要把所有的模糊数值综合在一起,得出一个总的评价结果。
这一步有点像拼图,把各个小部分都拼在一起,最终你会得到一个清晰的总体评价。
数学建模中综合评价模型
综合评价模型的未来发展方向
01
02
智能化
多元化
随着人工智能和大数据技术的不断发 展,综合评价模型将更加智能化,能 够自动进行数据筛选、处理和模型构 建,提高评价的准确性和效率。
未来综合评价模型将更加多元化,不 仅局限于某一特定领域或问题,而是 能够广泛应用于各个领域,满足不同 需求的评价任务。
03
综合性
综合评价模型能够综合考虑多个因素或指标,避免单一指标评价的片 面性。
客观性
综合评价模型采用数学方法进行数据处理和评估,能够减少主观因素 的影响。
可比性
综合评价模型所得出的评价结果可以进行横向和纵向的比较。
综合评价模型的重要性
提高决策的科学性
综合评价模型能够提供全面、客 观的评价结果,有助于提高决策 的科学性和准确性。
建立数学模型
根据选择的评价方法和评价指标体系,建立相应的数学模型,确保 模型能够客观、准确地反映评价对象的实际情况。
模型验证与优化
对建立的数学模型进行验证和优化,确保模型的准确性和可靠性。
04
CATALOGUE
综合评价模型的优化与改进
优化评价指标体系
评价指标的选取
在选择评价指标时,应遵循科学性、系统性、可操作性和可比较性等原则,确保评价指 标能够全面反映评价对象的特征和状况。
03
02
环境领域
用于评估环境质量、生态系统的健 康状况等。
科技领域
用于评估科技成果的创新性和实用 性等。
04
02
CATALOGUE
综合评价模型的分类
主观评价模型
专家打分法
根据专家对各指标的权重和评分进行综合评 价,主观性强,但易受专家知识水平和经验 的影响。
数学建模综合评价方法
别
称
方法 次序法来排序与 策者、多指标、 因素的对
评价
动态的对象
象
4.运筹 数据包 以相对效率为基 可以评价多输 只表明评 评价经济学中生产
学方法 络分析 础,按多指标投 入多输出的大 价单元的 函数的技术、规模有
(狭义) 模型 入和多指标产 系统,并可用 相对发展 效性,产业的效益评
出,对同类型单 “窗口”技术 指标,无法 价、教育部门的有效
好
on 法 告诉决策者来评
价结果。如果认
为已经满意则迭
代停止;否则再
根据决策者意见
进行修改和再计
算,直到满意为
止
9. 智能 基于 BP 模拟人脑智能化 网络具有自适 精度不高, 应用领域不断扩大, 化评价 人工神 处理过程的人工 应能力、可容 需要大量 涉及银行贷款项目、
方法 经网络 神经网络技术, 错性,能够处 的训练样 股票价格的评估、城
的评价 通过 BP 算法, 理非线形、非 本等
市发展综合水平的
学习或训练获取 局域性与非凸
评价等
方法类 方法名 方法描述
优点
别
称
知识,并存储在 性的大型复杂
神经元的权值
系统
中,通过联想把
相关信息复现。
能够“揣摩”“提
炼”评价对象本
身的客观规律,
进行对相同属性
评价对象的评价
缺点
适用对象
如表所示,各种方法都有自身的优缺点以及适用的范围。
等指标
的对象
经济分 通过可行性分
析法 析、可靠性评价
等
3.多属 多属性 通过化多为少、 对评价对象描 刚性的评 优化系统的评价与
性决策 和多目 分层序列、直接 述比较精确, 价,无法涉 决策 ,应用领域广
数学建模评价类模型——模糊综合评价
数学建模评价类模型——模糊综合评价文章目录•o一级模糊综合评价应用o1)模糊集合o2)隶属度、隶属函数及其确定方法o3)因素集、评语集、权重集o1、模糊综合评价法的定义o2、应用模糊综合评价法需要的一些小知识oo3、模糊综合评价法的应用(实例)oo4、最后总结1、模糊综合评价法的定义先来看看官方标准定义:模糊综合评价法是一种基于模糊数学的综合评价方法。
该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价,即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。
它具有结果清晰,系统性强的特点,能较好地解决模糊的、难以量化的问题,适合各种非确定性问题的解决。
初次看,是不是觉得有点懵懵懂懂的?(偷笑)我来用非官方的语言解释一遍,或许你就明白了。
大家想想,生活中,是不是有很多模糊的概念。
比如班级要评三好学生,那评价的标准一般就是学习成绩好不好、思想品德好不好、身体好不好(我查了下百度才发现三好学生竟然要身体好!?感情身体不好还不行)。
学习成绩好或者不好、思想品德好或者不好、身体好或者不好听起来是不是就很模糊?怎么样就算学习成绩好了或者思想品德好了或者身体好了?对,其实这些指标就是模糊的概念。
模糊综合评价法是什么呢?其实就是对评价对象就评价指标进行综合评判,最后给每个评价对象对于每个指标一个隶属度。
(有点绕口,用三好学生的例子再来阐述一下)比如现在有个学生参与评判三好学生。
标准假如就是评上和评不上。
用模糊综合评价法得到的最终结果就是这名学生对于评上的隶属度和评不上的隶属度。
假如评上的隶属度高一些,那这名学生肯定是被评上咯。
(反之亦然)我这样介绍一下,是为了让大家知道我们这个模糊综合评价到底是干嘛的,不要嫌我啰嗦(吃手手)2、应用模糊综合评价法需要的一些小知识1)模糊集合① 定义:(我觉得这段话不错,来自360百科)这段话其实就举了模糊的一些概念,和经典集合(就是有明确数字的,高中学的那个集合)的区别及其历史。
综合评价方法数学建模
综合评价方法数学建模综合评价方法在数学建模中被广泛应用,用于对模型的准确度和可靠性进行评估。
综合评价方法是通过分析模型的输入、输出和处理过程,结合实际情况来评价模型优劣的一种方法。
本文将介绍几种常见的综合评价方法,并分析它们的优点和不足。
一、误差分析法误差分析法是基于模型输出与实际数据之间的误差来评估模型准确度和可靠性的方法。
该方法通过计算模型的预测值与实际观测值之间的差异,来评估模型的拟合程度。
常用的误差指标包括残差平方和、均方根误差等。
优点是计算简单,直观易懂;缺点是只能评估模型的输出,在一些情况下无法全面评估模型的有效性。
二、参数敏感度分析法参数敏感度分析法是通过改变模型的输入参数,观察模型输出的变化情况,来评估模型的稳定性和可靠性的方法。
该方法通过计算参数的敏感度指标,来评估每个参数对模型输出的影响程度。
常用的敏感度指标包括偏导数、敏感度系数等。
优点是能够全面评估模型的输入对输出的影响;缺点是对于复杂的模型,计算量较大。
三、模型效果评估法模型效果评估法是通过对模型的输出进行评估来评价模型的准确度和可靠性的方法。
该方法通过建立与模型输出相对应的评价指标,来评估模型的效果。
常用的评价指标包括相关系数、拟合好坏指标等。
优点是对模型的整体效果进行综合评估;缺点是评价指标的选择和建立需要考虑实际问题的特点。
四、灵敏度分析法灵敏度分析法是通过改变模型的输入条件,观察模型输出的变化情况,来评估模型的可靠性和鲁棒性的方法。
该方法通过计算输入条件的灵敏度指标,来评估输入条件对模型输出的影响程度。
常用的灵敏度指标包括变动范围、影响程度等。
优点是能够评估模型对输入条件的容忍程度;缺点是对于复杂的模型,计算量较大。
五、假设验证法假设验证法是通过比较模型预测结果与实际观测结果,来评估模型的可靠性和适用性的方法。
该方法通过对模型的假设条件进行验证,来检验模型的合理性和适用性。
常用的方法包括残差分析、拟合优度检验等。
综合评价模型动态加权综合评价方法
wi ( x)
2
1
x
a(i) 1
b(i) K
a(i) 1
2
, a1(i)
x
c,
2
x
b(i) K
b(i) K
a(i) 1
2
,c
x
bK(i) ,
其中参数 c
1 2
(a1( i )
b(i) K
),
且wi
ቤተ መጻሕፍቲ ባይዱ
(c)
0.5
。
(1 i m)
2023/12/28
10
2. 动态加权综合评价旳一般措施
j 1
经计算可得到各城市的 Borda 数及总排序结果如表(2)所示。
表(2):按各城市的水质污染总排序结果
城市 排序
S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14 S15 S16 S17
Borda 数 203 136 143 234 106 139 138 378 232 271 60 357 277 264 438 214 217
, m; k 1, 2,
,
K
)
,即当属性
xi
[ak( i )
,
b(i) k
)
时,则
属性 xi 属于第 k 类 pk (1 k K ) 。也就是对于每一个属性而言,既有不
同类别的差异,同类别的又有不同量值的差异。对于这种既有“质差”,
又有“量差”的问题,如果用通常的定常权综合评价法做综合评价显然是
1. 指标数据旳原则化处理
(4)PH 值的处理 酸碱度(PH 值)的大小反映出水质呈酸碱性的程度,
通常的水生物都适应于中性水质,即酸碱度的平衡值(PH
数学建模中的综合评价方法
综合评价评价是人类社会中一项经常性的、极重要的认识活动,是决策中的基础性工作。
在实际问题的解决过程中,经常遇到有关综合评价问题,如医疗质量的综合评价问题和环境质量的综合评价等。
它是根据一个复杂系统同时受到多种因素影响的特点,在综合考察多个有关因素时,依据多个有关指标对复杂系统进行总评价的方法;综合评价的要点:(1)有多个评价指标,这些指标是可测量的或可量化的;(2)有一个或多个评价对象,这些对象可以是人、单位、方案、标书科研成果等;(3)根据多指标信息计算一个综合指标,把多维空间问题简化为一维空间问题中解决,可以依据综合指标值大小对评价对象优劣程度进行排序。
综合评价的一般步骤1.根据评价目的选择恰当的评价指标,这些指标具有很好的代表性、区别性强,而且往往可以测量,筛选评价指标主要依据专业知识,即根据有关的专业理论和实践,来分析各评价指标对结果的影响,挑选那些代表性、确定性好,有一定区别能力又互相独立的指标组成评价指标体系。
2.根据评价目的,确定诸评价指标在对某事物评价中的相对重要性,或各指标的权重; 3.合理确定各单个指标的评价等级及其界限;4.根据评价目的,数据特征,选择适当的综合评价方法,并根据已掌握的历史资料,建立综合评价模型;5.确定多指标综合评价的等级数量界限,在对同类事物综合评价的应用实践中,对选用的评价模型进行考察,并不断修改补充,使之具有一定的科学性、实用性与先进性,然后推广应用。
目前,综合评价有许多不同的方法,如综合指数法、TOPSIS 法、层次分析法、RSR 法、模糊综合评价法、灰色系统法等,这些方法各具特色,各有利弊,由于受多方面因素影响,怎样使评价法更为准确和科学,是人们不断研究的课题。
下面仅介绍综合评价的TOPSIS 法、RSR 法和层次分析法的基本原理及简单的应用。
8.1 TOPSIS 法(逼近理想解排序法)Topsis 法是系统工程中有限方案多目标决策分析的一种常用方法。
数学建模综合评价方法
建模参考资料综合评价方法一、对于评论指标所谓指标就是用来评论系统的参量.比如,在校学生规模、教课质量、师资构造、科研水同等,就能够作为评论高等院校综合水平的主要指标.一般说来,任何—个指标都反应和刻画事物的—个侧面.从指标值的特色看,指标能够分为定性指标和定量指标.定性指标是用定性的语言作为指标描绘值,定量指标是用详细数据作为指标值.比如,旅行景区质量等级有 5A 、 4A 、3A 、 2A 和 1A 之分,则旅行景区质量等级是定性指标;而景区年游客招待量、门票收入等就是定量指标.从指标值的变化对评论目的的影响来看,能够将指标分为以下四类:(1)极大型指标 ( 又称为效益型指标 ) 是指标值越大越好的指标;(2)极小型指标 ( 又称为成本型指标 ) 是指标值越小越好的指标;(3)居中型指标是指标值既不是越大越好,也不是越小越好,而是适中为最好的指标;(4)区间型指标是指标值取在某个区间内为最好的指标.比如,在评论公司的经济效益时,收益作为指标,其值越大,经济效益就越好,这就是效益型指标;而管理花费作为指标,其值越小,经济效益就越好,所以管理花费是成本型指标.再如建筑工程招标中,招标报价既不可以太高又不可以太低,其值的变化范围一般是( 10%, 5%) ×标的价,超出此范围的都将被裁减,所以招标报价为区间型指标.招标工期既不可以太长又不可以很短,就是居中型指标.在实质中,无论按什么方式对指标进行分类,不一样种类的指标能够经过相应的数学方法进行互相变换1评论指标的办理方法一般状况下,在综合评论指标中,各指标值可能属于不一样种类、不一样单位或不一样数目级,进而使得各指标之间存在着不行公度性,给综合评论带来了诸多不便.为了尽可能地反应实质状况,除去因为各项指标间的这些差异带来的影响,防止出现不合理的评论结果,就需要对评论指标进行必定的预办理,包含对指标的一致化办理和无量纲化办理.1.指标的一致化办理所谓一致化办理就是将评论指标的种类进行一致.一般来说,在评论指标系统中,可能会同时存在极大型指标、极小型指标、居中型指标和区间型指标,它们都拥有不一样的特色.如产量、收益、成绩等极大型指标是希望取值越大越好;而成本、花费、缺点等极小型指标则是希望取值越小越好;对于室内温度、空气湿度等居中型指标是既不希望取值太大,也不希望取值太小,而是居中为好.若指标系统中存在不一样种类的指标,一定在综合评论之前将评论指标的种类做一致化办理.比如,将各种指标都转变为极大型指标,或极小型指标.一般的做法是将非极大型指标转变为极大型指标.可是,在不一样的指标权重确立方法和评论模型中,指标一致化办理也有差异.(1)极小型指标化为极大型指标对极小型指标x j,将其转变为极大型指标时,只要对指标x j取倒数:x j 1x j,或做平移变换:x j M j x j,此中M j max{ x ij } ,即1 i nn 个评论对象第j项指标值x ij最大者.(2)居中型指标化为极大型指标对居中型指标 x j,令M j max{ x ij } , m j min{ x ij } ,取1 i n 1 i n就能够将 x j转变为极大型指标.(3)区间型指标化为极大型指标对区间型指标x j, x j是取值介于区间[a j , b j ] 内时为最好,指标值离该区间越远就越差.令M j max{ x ij } ,1 i n m j min{ x ij }1 i n,c j max{a j m j, M j b j }, 取就能够将区间型指标x j转变为极大型指标.近似地,经过适合的数学变换,也能够将极大型指标、居中型指标转变为极小型指标.2.指标的无量纲化办理所谓无量纲化,也称为指标的规范化,是经过数学变换来除去原始指标的单位及其数值数目级影响的过程.所以,就有指标的实质值和评论值之分.—般地,将指标无量纲化办理此后的值 称为指标评论值.无量纲化过程就是将指标实质值转变为指标评论值的过程.对于 n个评论对象 S 1, S 2 ,L , S n ,每个评论对象有 m 个指标,其观察值分别为x ij (i 1,2,L ,n; j1,2,L , m) .(1) 标准样本变换法令1n1n2 *此中样本均值 x jx ij ,样本均方差 s j( x ijx j ),x ij 称为标准观察值.n i 1n i 1特色:样本均值为 0 ,方差为 1;区间不确立,办理后各指标的最大值、最小值不同样; 对于指标值恒定 ( s j 0 ) 的状况不合用; 对于要求指标评论值 x ij * 0 的评论方法 ( 如熵值法、几何加权均匀法等 ) 不合用.(2) 线性比率变换法对于极大型指标,令 对极小型指标,令 或该方法的长处是这些变换方式是线性的, 且变化前后的属性值成比率. 但对任一指标来说,变换后的 x ij *1 和 x ij * 0 不必定同时出现.特色:当 x ij 0 x *[0,1];计算简易,并保存了相对排序关系.时, ij(3) 向量归一化法对于极大型指标,令对于极小型指标,令n长处:当 x ij0 时, x ij * [0,1] ,即(x ij * )2 1 .该方法使 0 x ij *1,且变换i 1前后正逆方向不变;弊端是它是非线性变换,变换后各指标的最大值和最小值不同样.(4) 极差变换法对于极大型指标,令对于极小型指标,令其长处为经过极差变换后,均有 0 x ij * 1 ,且最优指标值 x ij * 1,最劣指标值 x *ij 0 .该方法的弊端是变换前后的各指标值不行比率,对于指标值恒定( s j 0) 的状况不合用.(5) 功能系数法令此中 c, d 均为确立的常数. c 表示“平移量”,表示指标实质基础值, d 表示“旋转量”,即表示“放大”或“减小”倍数,则x ij*[ c, c d ] .往常取 c 60,d 40 ,即则 x ij*实质基础值为 60 ,最大值为 100,即 x ij*[60,100] .特色:该方法能够当作更广泛意义下的一种极值办理法,取值范围确立,最小值为 c ,最大值为c d .3.定性指标的定量化在综合评论工作中,有些评论指标是定性指标,即只给出定性地描绘,比如:质量很好、性能一般、靠谱性高、态度恶低等.对于这些指标,在进行综合评论时,一定先经过适合的方式进行赋值,使其量化.一般来说,对于指标最优值可赋值10.0 ,对于指标最劣值可赋值为0.0 .对极大型和极小型定性指标常按以下方式赋值.(1)极大型定性指标量化方法对于极大型定性指标而言,假如指标能够分为很低、低、一般、高和很高等五个等级,则能够分别取量化值为,,,和,对应关系如图 2 所示.介于两个等级之间的能够取两个分值之间的适合数值作为量化值.很低低一般高很高图 2 极大型定性指标量化方法(2)0极小型定性指标量化方法对于极小型定性指标而言,假如指标能够分为很高、高、一般、低和很低等五个等级,则能够分别取量化值为,,,和,对应关系如图 3 所示.介于两个等级之间的能够取两个分值之间的适合数值作为量化值.很高高一般低很低二、对于模糊综合评论方法在客观世界中,存在着很多不确立性现象,这类不确立性有两大类:一类是随机性现象,即事物对象是明确的, 因为人们对事物的因果律掌握不够,使得相应结果拥有不行预知性,比如晴日、下雨、下雪,这是明确的,但出现规律不确立;另一类是模糊性现象,即某些事物或观点的界限不清楚,使得事物的差异之间存在着中间过渡过程或过渡结果,比如年青与年迈、高与矮、美与丑等,这类不确立性现象不是人们的认识达不到客观实质所造成的,而是事物的一种内在构造的不确立属性,称为模糊 性现象.模糊数学就是用数学方法研究和办理拥有“模糊性”现象的一个数学分支.而模糊综合评论就是以模糊数学为基础,应用模糊关系合成的原理,将一些界限不清、不易定量的要素定量化,进行综合评论的一种方法.. 1 隶属度函数确实定方法隶属度的思想是模糊数学的基本思想, 确立切合实质的隶属函数是应用模糊数学方法成立数学模型的重点,但是这是到现在还没有完整解决的问题.下边介绍几种常用确实定隶属函数的方法.⑴ 模糊统计法模糊统计法是 利用概率统计思想确立隶属度函数的一种客观方法, 是在模糊统计的基础上依据隶属度的客观存在性来确立的. 下边以确立青年人的隶属函数为例来介绍其主要过程.① 以年纪为论域 X ,在论域 X 中取一固定样本点 x 0 27 .*°*② 设 A 为论域 X 上随机改动的一般会合,A 是青年人在 X 上以A 为弹性界限的模糊集,对 * 的改动拥有限制作用.此中x 0 ° °AA ,或 x 0 A ,使得 x 0对 °A 的隶属关系拥有不确立性. 而后进行模糊统计试验, 若 n 次试验中覆盖 x 0的次数为 m n ,则称 m n°n 为 x 0 对于 A 的隶属频次.因为当试验次数 n 不停增大时,隶属频次趋于某一确立的常数,该常数就是°x 0 属于 A 的隶属度,即比方在论域 X 中取 x 0 27 ,选择若干适合人选,请他们写出各自以为青 年人最适合最适合的年纪区间( 从多少岁到多少岁 ) ,马上模糊观点明确 化.若 n 次试验中覆盖 27 岁的年纪区间的次数为 m ,则称 m为 27 岁对于青n年人的隶属频次,表 4 是抽样检查统计的结果.因为 27 岁对于青年人的隶属频次稳固在0 . 78 邻近,所以可获得x 0 27 属于模糊集°的隶属度AA.°(27) 0.78试验次数 n表 4 27 岁对青年人的隶属频次1020 30 40 50 60 70 80 90 100 110 120 129隶属次数 m 61423313947536268768595101隶属频次 mn③ 在论域 X 中适合的取若干个样本点x 1 , x 2 ,L , x n ,分别确立出其隶属度A i)(i 1,2,L , n),成立适合坐标系,描点连线即可获得模糊集A 的隶属函数°(x°曲线.将论域 X 分组,每组以中值为代表分别计算各组隶属频次,连续地描出图形使获得青年人的隶属函数曲线,见表 5 与图 5 所示.确立模糊会合隶属函数的模糊统计方法,重视实质资猜中包含的信息,采纳了统计剖析手段,是一种应用确立性剖析揭露不确立性规律的有效方法.特别是对一些隶属规律不清楚的模糊会合, 也能较好地确立其隶属函数.表 5 分组计算隶属频次 ( 试验次数 129)分组 频数 隶属频次 分组 频数 隶属频次~ 2 ~ 103 ~ 27 ~ 101 ~ 51 ~ 99 ~ 67 ~ 80 ~ 124 ~ 77 ~ 125 ~ 27 ~ 129 ~ 27 ~ 129 ~ 26 ~ 129 ~ 26 ~ 129 ~ 26 ~129 ~1~128⑵ 三分法三分法也是利用概率统计中思想以随 机区间为工具来办理模糊性的的一种客观方法.比如成立矮个子 ° ° ,高 个1 2A ,中等个子 A°子 A 3 三个模糊观点的隶属函数.设P 3 {矮个子 , 中等个子 , 高个子 } ,论域 X 为身高的会合, 取 X (0,3) ( 单位: 图 5 年青人的隶属函数曲 线 m).每 次模糊试验确立 X 的一次区分,每次划 分 确 定一对数 ( , ) ,此中 为矮个子与中等个子的分界点, 为中等个子与高个子的分界点, 进而将模糊试验转变为以下随机试验: 马上 ( , ) 看作二维随机变量,进行抽样检查,求得°、、 的概率散布 P ( x) 、 P (x) 后,再分别导出 A 1 ° 和 °的隶属函数 ± (x) 、 ±( x) 和 ± ( x) ,相应的表示图如图 6 所示.A 2A 3AA2 A13往常 和 分别听从正态散布 2 ) 和 N ( a 2 2° ° °的隶属N (a 1, 1 , 2),则 A 1 、 A 2 和 A 3 函数分别为x1 t 2此中 ( x)e 2dt.2 图 6 由概率散布确立模糊集隶属函数⑶ 模糊散布法依据实质状况,第一选定某些带参数的函数,来表示某种种类模糊观点的隶属函数(论域为实数域),而后再经过实验确立参数.在客观事物中,最常有的是以实数集作论域的情况.若模糊集定义在实数域 R 上,则模糊集的隶属函数便称为模糊散布.下边给出几种常用的模糊散布,在此后确立隶属函数时,就能够依据问题的性质,选择适合 ( 即切合实质状况 ) 模糊散布,依据丈量数据求出散布中所含的参数,进而就能够确立出隶属函数了.为了选择适合的模糊散布,第一应依据实质描绘的对象给出选择的大概方向.偏小型模糊散布适合描绘像“小”、“冷”、“青年”以及颜色的“淡”等倾向小的一方的模糊现象,其隶属函数的一般形式为偏大型模糊散布适合描绘像“大”、“热”、“老年”以及颜色的“浓”等倾向大的一方的模糊现象,其隶属函数的一般形式为中间型模糊散布适合描绘像“中”、“温暖“、“中年”等处于中间状态的模糊现象,其隶属面数能够经过中间型模糊散布表示.①矩形(或半矩形 )散布(a) 偏小型(b) 偏大型(c) 中间型此类散布是用于切实观点.矩形( 或半矩形 ) 散布相应的表示图如图7 所示.(a) 偏小型(b)偏大型(c)中间型图 7 矩形 ( 或半矩形 ) 散布表示图②梯形 ( 或半梯形 ) 散布(a) 偏小型(b) 偏大型(c) 中间型梯形 ( 或半梯形 ) 散布的表示图如图8 所示.③ 抛物形散布(a) 偏小型(b) 偏大型(c) 中间型(a) 偏小型(b)偏大型(c)中间型图 8 梯形 ( 或半梯形 ) 散布表示图抛物形散布的表示图如图9 所示.(a) 偏小型(b)偏大型(c)中间型图 9 抛物形散布表示图④ 正态散布(a) 偏小型(b) 偏大型(c) 中间型正态散布的表示图如图10 所示.⑤ 柯西散布(a) 偏小型(b) 偏大型(c) 中间型偏小型柯西形散布的表示图如图(a)型偏大型(b)11所示.(c)中间图 10 正态散布表示图⑥型散布(a) 偏小型(b) 偏大型(c) 中间型(a)偏小型(b)图 11偏大型柯西散布表示图(c)中间型此中k0 .型散布的表示图如图12 所示.(a)偏小型(b)图 12偏大型型散布表示图(c)中间型。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
综合评价建模综合评价方法一般有三种:传统的评判方法、模糊综合评判方法、层次分析法。
一、 传统的评判方法传统的评判方法有总评分法和加权评分法:总评分法:根据评判对象的评价项目),,2,1(n i u i =,首先,对每个项目确定出评价的等级和相应的评分数),,2,1(n i s i =,并将所有项目的分数求和∑==ni isS 1,然后,按总分的大小排序,从而确定出方案的优劣.加权评分法:根据评判对象的诸多因素(或指标)),,2,1(n i u i =所处的地位或所起的作用一般不尽相同.因此,引入权重的概念,求其诸多因素(指标)评分),,2,1(n i s i =的加权和∑==ni i is wS 1.其中i w 为第),,2,1(n i i =个因素(指标)的权值.二、 层次分析法层次分析(Analytic Hierarchy Process ,简记AHP )是一种定性和定量相结合的、系统化的、层次化的分析方法.它是将半定性、半定量问题转化为定量问题的行之有效的一种方法,使人们的思维过程层次化.通过逐层比较多种关联因素来为分析、决策、预测或控制事物的发展提供定量依据,它特别适用于那些难于完全用定量进行分析的复杂问题,为解决这类问题提供一种简便实用的方法.因此,它在计算、制定计划、资源分配、排序、政策分析、军事管理、冲突求解及决策预报等领域都有广泛的应用.层次分析法解决问题的最突出的特点是分层比较,综合优化.其解决问题的基本步骤如下:1.系统的递阶层次结构分析系统中各因素之间的关系,建立系统的递阶层次结构,首先要把与问题有关的各种因素层次化,然后构造出一个树状结构的层次结构模型,称为层次结构图.一般问题的层次结构图分为三层,如下图所示.最高层为目标层(O): 问题决策的目标或理想结果,只有一个元素.中间层为准则层(C): 包括为实现目标所涉及的中间环节各因素,每一因素为一准则,当准则多于9个时可分为若干个子层.最低层为方案层(P): 方案层是为实现目标而供选择的各种措施,即为决策方案. 一般说来,各层次之间的各因素,有的相关联,有的不一定相关联;各层次的因素个数也未必一定相同.实际中,主要是根据问题的性质和各相关因素的类别来确定.层次结构图2.构造两两比较矩阵(判断矩阵)对于同一层次的各因素关于上一层中某一准则(目标)的重要性进行两两比较,构造出两两比较的判断矩阵.构造比较矩阵不是把所有因素放在一起比较,而是将同一层的各因素进行两两对比.比较时采用相对尺度标准度量,尽可能地避免不同性质的因素之间相互比较的困难.同时,要尽量依据实际问题具体情况,减少由于决策人主观因素对结果造成的影响.设要比较n 个因素n C C C ,,,21 对上一层(如目标层)O 的影响程度,即要确定它在O 中所占的比重.对任意两个因素i C 和j C ,用ij a 表示i C 和j C 对O 的影响程度之比,按1~9的比例标度来度量),,2,1,(n j i a ij =.于是,可得到两两成对比较矩阵n n ij a A ⨯=)(,又称为判断矩阵,显然0>ij a ,),,2,1,(,1,1n j i a a a ii ijji ===因此,又称判断矩阵为正互反矩阵.比例标度的确定:ij a 取1~9的9个等级,而ji a 取ij a 的倒数(见下表).比例标度值标度ija 含 义1 i C 与j C 的影响相同 3 i C 比j C 的影响稍强 5 i C 比j C 的影响强 7 i C 比j C 的影响明显地强 9 i C 比j C 的影响绝对地强2,4,6,8 i C 与j C 的影响之比在上述两个相邻等级之间91,,21 i C 与j C 的影响之比为上面ij a 的互反数由正互反矩阵的性质可知,只要确定A 的上(或下)三角的2)1(-n n 个元素即可.在特殊情况下,如果判断矩阵A 的元素具有传递性,即满足),,2,1,,(n k j i a a a ij kj ik ==则称A 为一致性矩阵,简称为一致阵.3.计算权重,进行一致性检验由比较矩阵计算被比较因素对每一准则的相对权重,并进行判断矩阵的一致性检验.相对权重向量确定(1) 和法取判断矩阵n 个列向量归一化后的算术平均值,近似作为权重,即),,2,1(111n i aa nw nj nk kjiji ==∑∑==类似地,也可以对按行求和所得向量作归一化,得到相应的权重向量.(2) 求根法(几何平均法)将A 的各列(或行)向量求几何平均后归一化,可以近似作为权重,即),,2,1(111111n i a a w nj nk nn j kj n ij n j i =⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛=∑∑∏∏====(3) 特征根法设想把一大石头Z 分成n 个小块n c c c ,,,21 ,其重量分别为n w w w ,,,21 ,则将n 块小石头作两两比较,记j i c c ,的相对重量为),,2,1,(n j i w w a j i ij ==,于是可得到比较矩阵 ⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=n n n n n n w w w w w w w w w w ww w w w w w w212221212111A 显然,A 为一致性正互反矩阵,记Tn w w w ),,,(21 =W ,即为权重向量.且⎪⎪⎭⎫⎝⎛⋅=n w w w 1,,1,121 W A 则W W W W A n w w w n =⎪⎪⎭⎫⎝⎛⋅=⋅1,,1,121这表明W 为矩阵A 的特征向量,且n 为特征根.事实上:对于一般的判断矩阵A 有W W A max λ=⋅,这里)(max n =λ是A 的最大特征根,W 为max λ对应的特征向量.将W 作归一化后可近似地作为A 的权重向量,这种方法称为特征根法(是一种最常用的方法).一致性检验通常情况下,由实际得到的判断矩阵不一定是一致的,即不一定满足传递性和一致性.实际中,也不必要求一致性绝对成立,但要求大体上是一致的,即不一致的程度应在容许的范围内.主要考查以下指标: (1) 一致性指标:1max --=n nCI λ.(2) 随机一致性指标:RI ,通常由实际经验给定的,如下表.随机一致性指标n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51 1.54 1.56 1.58 1.59(3) 一致性比率指标:RICI CR =,当10.0<CR时,认为判断矩阵的一致性是可以接受的,则max λ对应的特征向量可以作为排序的权重向量.此时()∑∑∑====⋅≈ni inj jijni iiw w annw 111max 1W A λ其中i )(W A ⋅表示W A ⋅的第i 个分量.4.计算方案层对目标层的组合权重和组合一致性检验,并进行排序.计算组合权重和组合一致性检验(1) 组合权重向量设第1-k 层上1-k n 个元素对总目标(最高层)的排序权重向量为()Tk n k k k k w w w )1()1(2)1(1)1(1,,,-----= W第k 层上k n 个元素对上一层(1-k 层)上第j 个元素的权重向量为()1)()(2)(1)1(,,2,1,,,,--==k Tk jn k j k j k jn j p p p k P则矩阵[])()(2)(1)(1,,,k n k k k k -=P P P P是1-⨯k k n n 阶矩阵,表示第k 层上的元素对第1-k 层各元素的排序权向量.那么第k 层上的元素对目标层(最高层)总排序权重向量为[]()T k n k k k k n k k k k k kk www)()(2)(1)1()()(2)(1)1()()(,,,,,,1 =⋅=⋅=---WP P P W PW或k k jn j k ij k in i w p wk ,,2,1,)1(1)()(1==-=∑-对任意的2>k 有一般公式)2()2()3()1()()(>⋅⋅⋅⋅=-k k k k WPPPW其中)2(W 是第二层上各元素对目标层的总排序向量.(2) 组合一致性指标设k 层的一致性指标为)()(2)(11,,,k n k k k CICICI - ,随机一致性指标为)()(2)(11,,,k n k k k RI RI RI -则第k 层对目标层的(最高层)的组合一致性指标为())1()()(2)(1)(1,,,-⋅=-k k n k k k k CICICI CIW组合随机一致性指标为())1()()(2)(1)(1,,,-⋅=-k k n k k k k RI RI RI RIW组合一致性比率指标为)3()()()1()(≥+=-k RICI CRCRk k k k当10.0)(<k CR 时,则认为整个层次的比较判断矩阵通过一致性检验.例1 一类选优排序问题在任何一个单位(如院校、科研单位等)都有根据某些条件对所属人员进行选优的问题(如职称评定、选调职级、教学成果奖、科研成果奖等).为了使选优的结果更合理、更科学、更具有广泛的民主性,我们以某院校选优的实际问题为背景来分析研究这一问题.1 问题的提出设有)1(>N 个参评对象),,2,1(N n P n =,评判条件有九个方面,分别记为)9,,2,1()1( =k C k ,评委会由八个部门组成,分别记为)8,,2,1()2( =i C i,其中)2(1C 、)2(2C 对所有参评对象的各项条件都有评判权,并且具有决定性作用;)2(3C 对所有参评对象的条件)1(1C 、)1(2C 和)1(9C 具有评判权; )2(4C 对所有参评对象的条件)93()1(≤≤k C k 具有评判权; )2(5C 、)2(6C 、)2(8C 对部分有关的参评对象的所有条件具有评判权;)2(7C 仅对有主要关系的参评对象的)1(3C 、)1(4C 和)1(9C 具有评判权.现在要解决的问题是根据各评判员对各参评对象的评判结果综合排序选优.2 模型的假设与分析2.1模型假设:(1)各评判员按照业务主管部门的统一制定的量化标准对参评对象进行评判; (2)问题中所确定的评判员及权限是合理的,并具有充分的民主性;(3)问题中所确定的参评条件能够充分反映出参评对象的真实水平; (4)各评判员对参评对象的量化打分都是公平的.2.2模型的分析:这是一个一般性、又有代表性的选优排序问题,鉴于这一问题所考虑的因素较多,需要在多层次多因素中相互比较,综合排序选优,我们利用层次分析法对此做出决策.首先建立层次结构,共分四层:最上层为目标层(O):选择优秀对象;第二层为准则I 层()1(C ):评优的条件,共有九个因素,依次记为)9,,2,1()1( =k C k ; 第三层为准则Ⅱ层()2(C ):评判员,共有八个因素,依次记为)8,,2,1()2( =i C i ; 第四层为方案层(P): N (≥2)个参评对象,依次记为),,2,1(N n P n =.由问题的条件可知各层次之间的关系,)9,,2,1()1( =k C k 都与O 关联;)2(1C 、)2(2C 、)2(5C 、)2(6C 、)2(8C 与所有)9,,2,1()1( =k C k 关联;)2(3C 与)1(1C 、)1(2C 和)1(9C 关联;)2(4C 与)93()1(≤≤k C k 关联;)2(7C 与)1(3C 、)1(4C 、)1(9C 关联;所有)8,,2,1()2( =i C i与全体参评对象),,2,1(N n P n =关联.3 模型的建立与求解3.1 确定准则I 层()1(C )对目标层(O )的权重0W根据具体评优问题的实际,充分考虑各项条件)1(k C 在评优中所起的作用的大小,构造出成对比较矩阵()99⨯=ija A ,A 是一9阶正互反矩阵.求A 的最大特征值max λ及相应的特征向量,并对特征向量作归一化得()T w w w 0902010,,, =W由随机一致性指标45.1=RI ,计算一致性指标)1(CI 和一致性比率指标RICICR)1()1(=,若1.0)1(<CR,则说明0W 可作为权向量,否则要对A 的元素进行调整.3.2 确定准则Ⅱ层()2(C )对目标层(O )的权重1W(1) 求)2(C 对)1(k C 的权重向量)(1k W根据各评判员对各项条件)1(k C 评判的权威性程度来确定相应的比较矩阵,设)2(C 对)1(k C 的比较矩阵为())9,,2,1()( ==k b k ijk B .注意到:如果有)91(00<≤j j 个评判员对条件)1(k C 不具有评判权,那么在构造比较矩阵k B 时先不考虑该评判员的作用,即k B 的阶数应为09j -,求出k B 的特征向量后在相应位置上补0j 个0.类似如上的方法可以求出每个k B 的最大特征值)(max k λ与相应的特征向量,并作一致性检验,将k B 的特征向量作归一化即为)2(C 对)1(k C 的权重向量,记为())9,,2,1(,,,)(18)(12)(11)(1 ==k w w w Tk k k k W (1.1)若某个k B 不满足一致性,则需对其进行调整,至使)91(1.00)2(0≤≤<k CR k ,且记()())2(9)2(2)2(1)2(*)2(9)2(2)2(1)2(*,,,,,,,RI RI RI CICICI ==RICI(2) 确定)2(C层对O 层的权重1W由(1.1)式得⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡=)9(18)2(18)1(18)9(12)2(12)1(12)9(11)2(11)1(111w w w w w w w w wW 计算01W W ⋅,并作归一化有()Tw w w 1812111,,, =W(3) 组合一致性检验由上可得0)2(*)2(0)2(*)2(,W RIW CI⋅=⋅=RICI,则组合一致性比率指标为)2()2()1()2(RICI CRCR+=若1.0)2(<CR ,则通过一致性检验,否则调整k B .3.3 确定方案层(P )对准则Ⅱ层()2(C )的权重2W假设各评判员按统一的标准对所有参评对象的量化打分是已知的.设各评判员对第n 个参评对象)1(N n P n ≤≤量化打分记为矩阵()),,2,1(98)(N n T n ij n ==⨯T ,即为参评对象)1(N n P n ≤≤的分数矩阵.其中)(n ij T 表示第i 个评判员)2(i C 对n P 的第j 项条件)1(jC 的打分.根据模型的假设,由于每项条件)9,,2,1()1( =k C k 对O 的权重向量为0W ,于是对所有参评对象n P 的分数矩阵作相应转化,令()),,2,1(,,,)(8)(2)(10N n r r r Tn n n n n ==⋅=W T R即为参评对象n P 的水平向量,其中)81()(≤≤k r n k 表示第k 个评判员对参评对象n P 的综合评价指标.记())8,,2,1(,,,)()2()1( =='k r r r TN k k k kR ,由此可构造方案P 层对)2(k C 比较矩阵()N N k ij k d ⨯=)(D ,其中),,2,1,(,0,00,)()()()()(N j i r r r r d j k j k j k i k k ij =⎪⎩⎪⎨⎧≠≠=时当时当,而且所有k D 均为一致阵.于是可知k D 的最大特征值0,)3()(max ==k k CR N λ,其任一列向量都是)(max k λ的特征向量.将其归一化可得P 层对)2(k C 层的权重向量.记作 ())8,,2,1(,,,)()(2)(1)( ==k w w w Tk N k k k W故矩阵[])8()2()1(2,,,WWWW =为方案P 层对准则Ⅱ层的权重,且一致性比率指标为01)3()3(==∑=nk kCRCR.3.4 确定方案层(P )对目标层(O )的组合权重W由于)2(C 对O 的权重1W 和P 对)2(C 的权重为2W ,于是P 对O 的权重为[]()TNw w w '''=⋅=⋅=,,,,,,211)8()2()1(12 WWWWW W W (1.2)如果组合一致性比率指标为1.0)3()2()1(<++=CRCRCR CR ,则组合权重W 可作为目标决策的依据.3.5 排序选优由于(1.2)式中的),,2,1(N n w n='是参评对象n P 对目标O 层的权重,即n w '就表示参评对象n P 的综合水平指标,按其大小依次排序选优.4 模型的评价与应用上面我们给出了一般的选优模型,利用此模型可以解决了实际中多因素的排序选优的一类问题,这种决策方法较其它的方法更具有公平合理性和广泛的民主性,可有效地排除人为因素对选优结果的影响.为选拔优秀人才提供了科学的理论依据,方法简便,可操作性强,易于实现,应用价值高.该模型虽然仅以由八个评判员,九项评判条件的选优排序问题提出的,但模型可以直接推广到任何半定量和半定性多层次、多因素的选优排序问题.模型的应用步骤如下:(1)由业务主管部门或领导机关制定各项条件的量化标准,确定评判员及评判权限; (2)组织各评判员对所有参评对象的各项条件量化打分,给出量化分数矩阵()),,2,1(98)(N n T n ijn ==⨯T .(3)根据各评判条件对评优目标的影响和各评判员的权限及权威性,合理选择比较矩阵A 和)9,,2,1( =k k B 使得更符合实际. (4)将分数矩阵n T 输入计算机.(5)由计算机根据该模型提供的方法进行科学计算,最后输出排序结果.(6)根据排序结果选出优秀者.例2 合理分配住房问题1 问题的提出许多单位都有一套住房分配方案,一般是不同的.某院校现行住房分配方案采用“分档次加积分”的方法,其原则是:“按职级分档次,同档次的按任职时间先后排队分配住房,任职时间相同时再考虑其它条件(如工龄、爱人情况、职称、年龄大小等)适当加分,从高分到低分依次排队”.我们认为这种分配方案仍存在不合理性,例如,同档次的排队主要有任职先后确定,任职早在前,任职晚在后,既便是高职称、高学历,或夫妻双方都在同一单位(干部或职工),甚至有的为单位做出过突出贡献,但任职时间晚,则也只能排在后面.这种方案的主要问题是“按资排辈”,显然不能充分体现重视人才,鼓励先进等政策.根据民意测验,百分之八十以上人认为相关条件为职级、任职时间(为任副处的时间)、工龄、职称、爱人情况、学历、年龄和奖励情况.要解决的问题是:请你按职级分档次,在同档次中综合考虑相关各项条件给出一种适用于任意N人的合理分配住房方案.用你的方案根据表1中的40人情况给出排队次序,并分析说明你的方案较原方案的合理性.表1:40个人的基本情况及按原方案排序人员职级任职时间工作时间职称学历爱人情况出生年月奖励加分P1 8 1991.6 1971.9 中级本科院外 1954.9 0P2 8 1992.12 1978.2 高级硕士院内职工 1957.3 4P3 8 1992.12 1976.12 中级硕士院外 1955.3 1P4 8 1992.12 1976.12 中级大专院外 1957.11 0P5 8 1993.1 1974.2 中级硕士院外 1956.10 2P6 8 1993.6 1973.5 中级大专院外 1955.10 0P7 8 1993.12 1972.3 中级大专院内职工 1954.11 0P8 8 1993.12 1977.10 高级硕士院内干部 1960.8 3P9 8 1993.12 1972.12 中级大专院外 1954.5 0P10 8 1993.12 1974.8 高级本科院内职工 1956.3 4P11 8 1993.12 1974.4 中级本科院外 1956.12 0P12 8 1993.12 1975.12 高级硕士院外 1958.3 2P13 8 1993.12 1975.8 中级大专院外 1959.1 0P14 8 1993.12 1975.9 中级本科院内职工 1956.7 0P15 9 1994.1 1978.10 高级本科院内干部 1961.11 5P16 9 1994.6 1976.11 高级硕士院内干部 1958.2 0P17 9 1994.6 1975.9 高级本科院内职工 1959.6 1P18 9 1994.6 1975.10 高级本科院内职工 1955.11 6P19 9 1994.6 1972.12 初级中专院外 1956.1 0P20 9 1994.6 1974.9 中级大专院内职工 1957.1 0P21 9 1994.6 1975.2 高级硕士院外 1958.11 2P22 8 1994.6 1975.9 中级硕士院内职工 1957.4 3P23 9 1994.6 1976.5 中级本科院外 1957.7 0P24 9 1994.6 1977.1 中级本科院内干部 1960.3 0P25 8 1994.6 1978.10 高级硕士院内干部 1959.5 2P26 9 1994.6 1977.5 中级本科院内职工 1958.1 0P27 9 1994.6 1978.10 中级硕士院内干部 1963.4 1P28 9 1994.6 1978.2 中级本科院外 1960.5 0P29 9 1994.6 1978.10 高级博士后院内干部 1962.4 5P30 9 1994.6 1979.9 中级本科院外 1962.9 1P31 8 1994.12 1975.6 中级大专院内干部 1958.7 0P32 8 1994.12 1977.10 高级硕士院内干部 1960.8 2P33 8 1994.12 1978.7 高级博士后院外 1961.12 5P34 9 1994.12 1975.8 高级博士院外 1957.7 2P35 9 1994.12 1978.10 高级博士院内干部 1961.4 3P36 9 1994.12 1978.10 高级博士院内干部 1962.12 6P37 9 1994.12 1978.10 中级本科院内职工 1962.12 0P38 9 1994.12 1979.10 中级本科院内干部 1963.12 0P39 9 1995.1 1979.10 中级本科院内干部 1961.7 0P40 9 1995.6 1980.1 高级硕士院内干部 1961.3 42 模型的分析由题意可知,该问题是一半定量半定性、多因素的综合选优排序问题,是一个多目标决策问题,我们的主要利用层次分析法对此作出决策.鉴于原来的按任职时间先后排队的方案可能已被一部分人所接受,从某种意义上讲也有一定的合理性.现在提出要充分体现重视人才、鼓励先进等政策,但也有必要照顾到原方案合理的方面,如任职时间、工作时间、年龄的因素应重点考虑.于是,可以认为相关的八项条件在解决这一问题中所起的作用是不同的,应有轻重缓急之分.因此,假设八项条件所起的作用依次为任职时间、工作时间、职级、职称、爱人情况、学历、出生年月、奖励情况,这样能够符合大多数人的利益.任职时间早、工龄长、职级高、高职称、双职工、高学历、年龄大、受奖多的人员都能够得到充分的体现.任何一种条件的优越,在排序中都不能是绝对的优越,需要的是综合实力的优越.由上面的分析,首先将各项条件进行量化,为了区分各条件中的档次差异,确定量化原则如下:任职时间、工作时间、出生年月均按每月0.1分计算;职级差为1分,8级(处级)算2分,9级(副处级)算1分;职称每差一级1分,初级算1分,中级算2分,高级算3分;学历每差一档差1分,中专算1分,大专、本科、硕士、博士、博士后分别算2、3、4、5、6分;爱人情况:院外算1分,院内职工算2分,院内干部算3分;对原奖励得分再加1分.对40人的量化分数见表2.表2:40人的量化分数表3 模型的假设(1) 题中所述的相关的八项条件是合理的,有关人员均无异议;(2) 八项条件在分房方案中所起的作用依次为任职时间、工作时间、职级、职称、爱人情况、学历、出生年月、奖励情况;(3) 每个人的各项条件按统一原则均可量化,而且能够充分反映出每个人的实力; (4) 在量化有关任职时间、工龄、年龄时,均计算到1998年5月.4 模型的建立4.1 建立层次结构问题的层次结构共分三层:第一层为目标层()O :综合选优排序;第二层为准则层()C :相关条件,共有八个因素,依次为任职时间、工作时间、职级、职称、爱人情况、学历、出生年月、奖励情况,分别记为C (1,2,,8)k k = ;第三层为方案层()P :()2N ≥个参评人员,依次记为()1,2,,n P n N = .4.2 确定准则层()C 对目标层()O 的权重1W根据假设(2),C 层的八个因素是依次排列的,我们可以认为对决策目标的影响程度也是依次排列的,且相邻两个的影响程度之差可以认为基本相等.因此,构造比较矩阵如下:1234567812123456713121234561413121234511413121234161514131212317161514112121811615141121A ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦ 这是一个8阶的正互反矩阵,经计算求得A 的最大特征值为max 8.28828λ≈,相应的特征向量作归一化有()10.331315,0.23066,0.157235,0.105903,0.0709356,0.0476811,0.0326976,0.0235625TW =(6.2)对应的随机一致性指标1 1.41RI =,则一致性指标m ax 180.04118381C I λ-=≈-,一致性比率指标1110.0292080.1C I C R RI =≈<,于是1W 作为C 层对O 层的权重向量.4.3 确定方案层()P 对准则层()C 的权重2W根据问题的条件和模型的假设,对每个人各项条件的量化指标能够充分反映出每个人的综合实力.由此可以分别构造P 层对准则C k 的比较矩阵()()()()()(),,,,1,2,,;1,2,,8k k k ik i ji j k N NjT B b b i j N k T ⨯==== 其中 (2.1)显然,所有的()1,2,,8k B k = 均为一致阵,由一致阵的性质可知,k B 的最大特征值()()max 2,0k k N CR λ==,其任一列向量都是()m ax k λ的特征向量,将其归一化可得P 对k C 的权重向量,记作()()()()()()12,,,1,2,,8Tk k k k NW w w w k == (2.2)记()()()11828,,,N W W WW⨯⎡⎤=⎣⎦ (2.3) 即为P 层对C 层的权重,且一致性比率指标为()82210k k C R C R===∑.4.4 确定方案层()P 对目标层()O 的组合权重W由于C 对O 的权重1W 和P 对C 的权重2W ,则P 对O 的权重为()()()()12821112,,,,,,TN W W W WWWW w w w ⎡⎤=∙=∙=⎣⎦(2.4)其组合一致性比率指标为210.0292080.1C R C R C R =+≈<,因此,组合权重W 可作为目标决策的依据.4.5 综合排序由于(2.2)式中的()1,2,,n w n N = 是参评人员n P 对目标O 层的权重,即n w 就表示参评人n P 的综合实力指标,按其大小依次排序,就可以得到决策方案.5 模型的求解在上面的模型中,取40N =.40个人的八项条件的量化指标如表2,由(2.1)、(2.2)式经计算可得P 层对C 层的权重矩阵2W ,其矩阵的每一列表示2W 的一列向量()k W ,即P层对准则C k 的权重向量()1,2,,8k = .由(2.3)、(2.4)和(2.1)式可得P 对O 组合权重为()211240,,,(0.0315587,0.0300782,0.0277362,0.0267428,0.0285133,0.0267332,0.0269690,0.0287756,0.0258714,0.0286668,0.0258207,0.0272656,0.0250687,0.0263636,0.0257468,0.0247239,0.0239682,0.025151TW W W w w w =∙== 4,0.0207114,0.0225957,0.0237618,0.0263821,0.0215905,0.0231776,0.0273104,0.0224454,0.0232328,0.0210685,0.0259746,0.0208275,0.0249390,0.0265460,0.0258889,0.0226997,0.0241848,0.0248248,0.0207412,0.0213651,0.0212535,0.0227248)T以W 的40个分量作为40名参评人员的综合实力指标,按大小依次排序,结果如表3.表3:40人的排序结果6 模型的结果分析利用层次分析法给出了一种合理的分配方案,用此方案综合40人的相关条件得到了一个排序结果.从结果来看,完全达到了问题的决策目标,也使得每个人的特长和优势都得到了充分的体现.既照顾到了任职早、工龄长、年龄大的人,又突出了职称高、学历高、受奖多的人,而且也考虑了双干部和双职工的利益.但是,每一个单项条件的优势都不是绝对的优势.因此,这种方案是合理的,符合绝大多数人的利益.譬如,1P 在任职时间、工龄和年龄有绝对的优势,尽管其它条件稍弱,他仍然排在第一位.8P 与3P 、4P 、5P 、6P 、7P 相比,虽然任职时间晚,工龄短,年龄小,但是,在职称、学历、爱人情况、奖励情况都具有较强的优势,因此,他排在第三位是应该的.类似情况还有25P 、32P 、40P 等.相反的,4P 、6P 、9P 、19P 较其他人的任职稍早、工龄稍长、年龄稍大,但其他条件明显的弱,因此,次序明显靠后也是应该的.在多项条件相同时,只要有一项略强,就排在前面,如35P 与36P ,38P 与39P 等.这些都是符合决策原则的.三、 模糊综合评判方法模糊综合评判是模糊决策中最常用的一种有效方法.在实际中,常常需要对一个事物做出评价(或评估),一般都涉及到多个因素或多个指标,此时就要求我们根据这些因素对事物做出综合评价,这就是所谓的综合评判,即综合评判就是要对受多个因素影响的事物(或对象)做出全面的评价,故模糊综合评判又称为模糊综合决策或模糊多元决策.在这里,首先要介绍模糊数学方法的一些基本概念。