数学建模——模糊层次分析法

合集下载

数学建模模糊综合评价法

数学建模模糊综合评价法

学科评价模型(模糊综合评价法)摘要:该模型研究的是某高校学科的评价的问题,基于所给的学科统计数据作出综合分析。

基于此对未来学科的发展提供理论上的依据。

对于问题1、采用层次分析法,通过建立对比矩阵,得出影响评价值各因素的所占的权重。

然后将各因素值进行标准化。

在可共度的基础上求出所对应学科的评价值,最后确定学科的综合排名。

(将问题1中的部分结果进行阐述)(或者是先对二级评价因素运用层次分析法得出其对应的各因素的权重(只选取一组代表性的即可),然后再次运用层次分析法或者是模糊层次分析法对每一学科进行计算,得出其权重系数)。

通过利用matlab确定的各二级评价因素的比较矩阵的特征根分别为:4.2433、2、4.1407、3.0858、10.7434、7.3738、3.0246、1对于问题2、基于问题一中已经获得的对学科的评价值,为了更加明了的展现各一级因素的作用,采用求解相关性系数的显著性,找出对学科评价有显著性作用的一级评价因素。

同时鉴于从文献中已经有的获得的已经有的权重分配,对比通过模型求得的数值,来验证所建模型和求解过程是否合理。

对于问题3、主成份分析法,由于在此种情况下考虑的是科研型或者教学型的高校,因此在评价因素中势必会有很大的差别和区分。

所以在求解评价值的时候不能够等同问题1中的方法和结果,需要重新建立模型,消除或者忽略某些因素的影响和作用(将问题三的部分结果进行阐述)。

一、问题重述学科的水平、地位是评价高等学校层次的一个重要指标,而学科间水平的评价对于学科本身的发展有着极其重要的作用。

而一个显著的方面就是在录取学生方面,通常情况下一个好的专业可以录取到相对起点较高的学生,而且它还可以使得各学科能更加深入的了解到本学科的地位和不足之处,可以更好的促进该学科的发展。

学科的评价是为了恰当的学科竞争,而学科间的竞争是高等教育发展的动力,所以合理评价学科的竞争力有着极其重要的作用。

鉴于学科评价的两种方法:因素分析法和内涵解析法。

数学建模——层次分析法

数学建模——层次分析法

数学建模——层次分析法层次分析法(Analytic Hierarchy Process,AHP)是一种用于复杂决策和评估问题的定量方法,旨在帮助决策者在多个准则和选项之间进行权衡和选择。

该方法由美国学者Thomas L. Saaty于1970年代初提出,已经广泛应用于管理、工程、经济学、环境科学等领域。

方法步骤:1.建立层次结构:将复杂的决策问题分解为不同层次的因素和准则,形成层次结构。

层次结构包括目标层、准则层和选择层。

2.创建比较矩阵:对每个层次内的准则和选择进行两两比较,确定它们之间的相对重要性。

使用尺度来表示两者之间的相对优先级,通常是1到9之间的数值。

3.计算权重:通过计算比较矩阵的特征向量,得出每个准则和选择的权重。

特征向量反映了每个准则和选择对目标的贡献程度。

4.一致性检验:检查比较矩阵的一致性,确保所做的两两比较是合理的。

如果比较矩阵不够一致,需要进行调整。

5.计算综合得分:将每个选择的权重与其所属准则的权重相乘,得出每个选择的综合得分。

综合得分反映了每个选择在整体目标中的重要性。

6.做出决策:根据综合得分,确定最佳选择。

较高的综合得分通常意味着更优选。

示例:选择旅游目的地假设你想选择一个旅游目的地,考虑了三个因素:景色美丽度、文化体验和交通便利性。

你将这三个因素作为准则,然后列出了三个潜在的旅游目的地:A、B 和C。

步骤:1.建立层次结构:2.目标层:选择最佳旅游目的地3.准则层:景色美丽度、文化体验、交通便利性4.选择层:A、B、C5.创建比较矩阵:比较准则之间的相对重要性,如景色美丽度相对于文化体验的比较,以及文化体验相对于交通便利性的比较。

使用1到9的尺度,表明一个因素比另一个因素重要多少。

6.计算权重:计算每个准则和每个选择的权重,使用特征向量法。

7.一致性检验:检查比较矩阵的一致性。

如果一致性不够,可能需要重新考虑比较。

8.计算综合得分:将每个选择的权重与其所属准则的权重相乘,得出每个选择的综合得分。

数学建模(层次分析法(AHP法))省公开课获奖课件市赛课比赛一等奖课件

数学建模(层次分析法(AHP法))省公开课获奖课件市赛课比赛一等奖课件
O(选择旅游地)
准则层
C1 景色
C2 费用
C3 居住
C4 饮食
C5 旅途
方案层
P1 桂林
P2 黄山
P3 北戴河
例2 大学毕业生就业选择问题 取得大学毕业学位旳毕业生,在“双向选择”时,
用人单位与毕业生都有各自旳选择原则和要求。就 毕业生来说选择单位旳原则和要求是多方面旳,例 如:
①能发挥自己才干作出很好贡献(即工作岗位适合 发挥自己旳专长);
wn
1
w1 w2
即 aik akj aij i, j 1,2,, n
A
但在例2旳成对比较矩阵中, a23 7, a21 2, a13 4 a23 a21 a13
在正互反矩阵A中,若 aik akj aij ,(A 旳元素具有 传递性)则称A为一致阵。
定理:n 阶正互反阵A旳最大特征根max n, 当且仅当 =n时A为一致阵
这种措施旳特点是在对复杂旳决策问题旳 本质、影响原因及其内在关系等进行进一 步分析旳基础上,利用较少旳定量信息使 决策旳思维过程数学化,从而为多目旳、 多准则或无构造特征旳复杂决策问题提供 简便旳决策措施。
是对难于完全定量旳复杂系统作出决策旳 模型和措施。
层次分析法在经济、科技、文化、军事、 环境乃至社会发展等方面旳管理决策中都 有广泛旳应用。
比较同一层次中每个原因有关上一层次 旳同一种原因旳相对主要性
在拟定各层次各原因之间旳权重时,假如只是定 性旳成果,则经常不轻易被别人接受,因而Saaty 等人提出构造:成对比较矩阵A = (aij)nn,即: 1. 不把全部原因放在一起比较,而是两两相互比较。 2. 对此时采用相对尺度,以尽量降低性质不同旳诸 原因相互比较旳困难,以提升精确度。

【数学建模浅谈层次分析法】

【数学建模浅谈层次分析法】

浅谈层次分析法摘要本文主要阐述层次分析法的定义、特点、基本步骤以及它的优缺点。

层次分析法是在对复杂的决策问题的本质、影响因素及其内在关系等进行深入分析的基础上,利用较少的定量信息使决策的思维过程数学化,从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。

由于它在处理复杂的决策问题上的实用性和有效性,很快在世界范围内得到重视。

它的应用已遍及经济计划和管理、能源政策和分配、行为科学、军事指挥、运输、农业、教育、人才、医疗和环境等领域。

关键词:层次分析多目标多准则成对比较一致性检验前言数学是一切科学和技术的基础,是研究现实世界数量关系、空间形式的科学。

随着社会的发展,电子计算机的出现和不断完善,数学不但运用于自然科学各学科、各领域,而且渗透到经济、管理以至于社会科学和社会活动的各领域。

众所周知,利用数学解决实际问题,首先要建立数学模型,然后才能在该模型的基础上对实际问题进行分析、计算和研究。

数学建模(Mathematical Modeling)活动是讨论建立数学模型和解决实际问题的全过程,是一种数学思维方式。

从学术的角度来讲,数学建模就是利用数学技术去解决实际问题;从价值的角度来讲,数学建模是一个思维过程,它是一个解决问题的过程(创新),更是一个升华理论方法的过程(总结);从哲学的角度来讲,数学建模是认识世界和改造世界的过程。

1 数学建模过程和技巧数学建模的过程是通过对现实问题的简化、假设、抽象,提炼出数学模型;然后运用数学方法和计算机工具等,得到数学上的解答;再把它反馈到现实问题,给出解释、分析,并进行检验。

若检验结果符合实际或基本符合,就可以用来指导实践;否则就再假设、再抽象、再修改、再求解、再应用。

构造数学模型不是一件容易的事,其建模过程和技巧具体主要包括以下步骤:⑴模型准备在建模前要了解实际问题的背景,明确建模的目的和要求;深入调研,去粗取精,去伪存真,找出主要矛盾;并按要求收集必要的数据。

数学建模第三讲层次分析法

数学建模第三讲层次分析法

数学建模第三讲层次分析法在数学建模的领域中,层次分析法(Analytic Hierarchy Process,简称 AHP)是一种相当实用且重要的决策方法。

它能够帮助我们在面对复杂的多准则决策问题时,做出更为合理、科学的决策。

那么,什么是层次分析法呢?简单来说,层次分析法就是把一个复杂的问题分解成若干个层次,通过两两比较的方式,确定各层次元素之间的相对重要性,最后综合这些比较结果,得出最终的决策方案。

比如说,我们要选择一个旅游目的地。

这时候,可能会考虑多个因素,比如景点吸引力、交通便利性、住宿条件、餐饮质量、费用等等。

这些因素就构成了不同的层次。

然后,我们会对每个因素进行两两比较,比如景点吸引力比交通便利性更重要吗?重要多少?通过这样的比较,我们就能给每个因素赋予一个相对的权重。

为了更清楚地理解层次分析法,我们来看看它的具体步骤。

第一步,建立层次结构模型。

这是层次分析法的基础。

我们需要把问题分解成目标层、准则层和方案层。

目标层就是我们最终要实现的目标,比如选择最佳的旅游目的地。

准则层就是影响目标实现的各种因素,像前面提到的景点吸引力、交通便利性等等。

方案层就是我们可以选择的具体方案,比如去三亚、去桂林、去丽江等等。

第二步,构造判断矩阵。

在这一步,我们要对同一层次的元素进行两两比较,比较它们对于上一层某个元素的重要性。

比较的结果通常用 1 9 标度法来表示。

比如说,如果因素 A 比因素 B 稍微重要,就给A 对B 的比较值赋 3;如果 A 比 B 明显重要,就赋 5;如果 A 比 B 极端重要,就赋 9。

反过来,如果 B 比 A 稍微重要,就给 B 对 A 的比较值赋 1/3,以此类推。

第三步,计算权重向量并进行一致性检验。

通过数学方法,比如特征根法,计算出每个判断矩阵的最大特征值和对应的特征向量。

这个特征向量就是我们所需要的权重向量。

但是,为了确保我们的判断是合理的,还需要进行一致性检验。

如果一致性比率小于 01,就认为判断矩阵的一致性是可以接受的;否则,就需要重新调整判断矩阵。

数学建模优秀论文基于层次分析法的模糊综合评价模型

数学建模优秀论文基于层次分析法的模糊综合评价模型

承诺书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.我们完全明白,在竞赛开始后参赛队员不能以任何方式(包括电话、电子邮件、网上咨询等)与队外的任何人(包括指导教师)研究、讨论与赛题有关的问题。

我们知道,抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料(包括网上查到的资料),必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。

我们郑重承诺,严格遵守竞赛规则,以保证竞赛的公正、公平性。

如有违反竞赛规则的行为,我们将受到严肃处理。

我们参赛选择的题号是(从A/B/C/D中选择一项填写):我们的参赛报名号为(如果赛区设置报名号的话):所属学校(请填写完整的全名):广东金融学院参赛队员(打印并签名) :1. 曾彬2. 曾庆达3. 陈佳玲指导教师或指导教师组负责人(打印并签名):日期: 2013 年8 月 22日赛区评阅编号(由赛区组委会评阅前进行编号):编号专用页赛区评阅编号(由赛区组委会评阅前进行编号):全国评阅编号(由全国组委会评阅前进行编号):高校学生评教系统改进的研究摘要本文是研究关于高等学校学生评价教师的评价系统问题,用层次分析法确定了十项指标的权值,并给出了一个新的评教分数的计分模型-模糊综合评价模型。

本文亮点在于采用基于层次分析法的模糊数学模型。

首先,建立层次分析模型,充分考虑每个指标对综合评价的贡献,并把贡献按权值进行分配;通过层次分析法中的归一化处理,得到两两指标间的相对重要性的定量描述,从而解决不同指标间的差异。

其次建立模糊综合评教模型,输入一组专家(同学)的模糊评价,通过最大隶属度原则把模糊评价输出为综合评价。

最后本文在难易程度不同的课程下(在专业必修课,专业选修课,公共选修课下进行评价),得出同一教师的综合评价,发现其在不同课程下的综合评价均相同。

于是得出结论,该模型的确能解决不同课程难易程度带来的对总体评教的影响。

因为一个教师的综合教学质量并不应该在不同的课程下得到变化较大的评教。

数学建模竞赛---奖学金评定模型

数学建模竞赛---奖学金评定模型

第七届大学生数学建模竞赛主办:东南大学教务处承办:东南大学数学系东南大学数学建模竞赛组委会论文选题及题目: A 奖学金评定问题参赛队员信息:奖学金评定问题模型摘要现行的奖学金评定制度多种多样,但并不是每一种都很科学合理;题目要求用至少三种模型解决问题,因此本文基于不同的计算权重的算法,建立了四种模型:简单加权平均值模型、标准化模型、层次分析模型以及模糊层次分析模型。

逐步提高了权重算法的准确性以及考虑因素的完备性,并借助C++、matlab 、excel 等软件解决了问题。

首先,我们对数据进行了预处理。

将除任选课以及人文课之外的科目有低于60分的同学淘汰,留下了40名同学。

然后我们采用偏大型柯西分布和和对数函数构造了一个隶属函数:21[1()],13()ln ,35x x f x a x b x αβ--⎧+-≤≤=⎨+≤≤⎩将任选课与人文课的等级评价转化为百分制。

在用AHP 和FAHP 建模的时候,由于每个同学的任选课与人文课的科目不尽相同,这对计算权重造成了很大的麻烦,为了简化计算,我们采用了补偿的方法:将每位同学已修的任选课和人文课的平均分作为这位同学未修课程的得分,因为平均分在一定程度上可以表示此学生的学习能力。

模型一(简单加权平均值模型):此模型将基础课、专业课、必选课以及选修课的 权重看作是一样的,以学分比重作为权值来计算平均分,然后借助C++计算平均成绩,借助EXCEL 软件排序得到前10%的学生。

模型二(标准化模型):此模型考虑到了课程的难易程度对课程权值的影响,用标准化的方法将百分制的分值转化为0~1,使得分数域相同,这有效增强了其可比性,然后借助EXCEL 软件计算排序得到前10%的学生。

模型三(层次分析模型):此模型将课程性质、学时和学分都看做方案层,课程权值视为目标层,建立判断矩阵,将课程性质、学时、学分这些因素对目标层的影响量化,运用MATLAB 分析计算出权值向量,进而得到前10%的学生。

数学建模(层次分析法(AHP法))

数学建模(层次分析法(AHP法))

判断矩阵元素a 判断矩阵元素 ij的标度方法
标度 1 3 5 7 9 2 , 4 , 6, 8 倒数 含义 表示两个因素相比, 表示两个因素相比,具有同样重要性 表示两个因素相比, 表示两个因素相比,一个因素比另一个因素稍微重要 表示两个因素相比, 表示两个因素相比,一个因素比另一个因素明显重要 表示两个因素相比, 表示两个因素相比,一个因素比另一个因素强烈重要 表示两个因素相比, 表示两个因素相比,一个因素比另一个因素极端重要 上述两相邻判断的中值
层次分析法在经济、科技、文化、军事、 环境乃至社会发展等方面的管理决策中都 有广泛的应用。 常用来解决诸如综合评价、选择决策方案、 估计和预测、投入量的分配等问题。
层次分析法建模
一 、问题的提出 日常生活中有许多决策问题。 日常生活中有许多决策问题。决策是指 在面临多种方案时需要依据一定的标准选择 某一种方案。 某一种方案。 例1 某人准备选购一台电冰箱 他对市场上的6 他对市场上的6种不同类型的电冰箱进行了解 选取一些中间指标进行考察。例如电冰 指标进行考察 后,选取一些中间指标进行考察。例如电冰 箱的容量、制冷级别、价格、型式、耗电量、 箱的容量、制冷级别、价格、型式、耗电量、 外界信誉、售后服务等 外界信誉、售后服务等。
目标层
O(选择旅游地 选择旅游地) 选择旅游地
准则层
C1 景色
C2 费用
C3 居住
C4 饮食
C5 旅途
要比较各准则C1,C2,… , Cn对目标O的重要性 要比较各准则 对目标 的重要性
Ci :Cj ⇒aij
选 择 C1 旅 C2 游 C 3 地
C4 C5 C1
层次分析法(AHP法 层次分析法(AHP法)
Analytic Hierarchy Process

数学建模教学 19.层次分析法

数学建模教学 19.层次分析法

W i W i/ nW j i1,2, ,n j1
所求特征向量: W [W 1 ,W 2 , ,W n ]T
编辑ppt
(4)计算最大特征根:
maxn1 in1(AWW i )i
1 A 1/ 2
2 1
6 4
列向量 归一化
0.6 0.3
0.615 0.545 0.308 0.364
1/ 6 1/ 4 1
化的结果,允许存在一定的误差范围。
※常用近似算法求解判断矩阵的最大特征根及其所
对应的特征向量:和法和根法。
编辑ppt
和法计算步骤
(1)将判断矩阵每一列归一化:
n
b ijb ij/ b kj
i,j1 ,2 , ,n
k 1
(2)对按列归一化后的判断矩阵再按行求和:
n
W i bij
i1,2, ,n
j1
(3)将求和后的向量归一化:
编辑ppt
1 基本原理
假定我们已知n只西瓜的重量和为1,每只 西瓜的重量分别为W1,W2,…,Wn。把这 些西瓜两两比较,很容易得到表示n只西瓜 相对重量关系的比较矩阵:
A=
=(aij)n×n
编辑ppt
显然aii= 1,aij =1/aji,aij =aik/ajk, i、j、k= 1,2,…,n
买钢笔 质颜价外实 量色格形用
可供选择的笔
编辑ppt
目标层 准则层 方案层
若上层的每个因素都支配着下一层的所有因素, 或被下一层所有因素影响,称为完全层次结构, 否则称为不完全层次结构。还可以建立 子层 次。
目标层:
选购电冰箱
准则层: 信誉T1 型式T2 价格T3 容量T4 制冷级别T5 耗电量T6

数学建模方法

数学建模方法
这个问题与什么问题相似? 如果将问题分解成两个或几个部分会怎样? 极限情形(或理想状态)如何? 综合问题的条件可得到什么结果? 要实现问题的目标需要什么条件?
借助于下意识的联想(灵感)来展开思路
抓住问题的个别条件或关键词展开联想或猜想 综合所得到的联想和猜想,得到一些结论 进一步思考找出新思路和方法
7. 舍弃小的MA参数,拟合m<2n-2的模型 ARMA(2n-1,m) ,并用F准则进行检验。
重复这一过程,直到得出具有最小参数 的适用模型为止
8. 舍弃小的MA参数,拟合m<2n-1的模型 ARMA(2n,m) ,并用F准则进行检验。重
复这一过程,直到得出具有最小参数的 适用模型为止。
图论方法(一)
图的匹配问题
人员分派问题:n个工作人员去做件n份工作,每人适 合做其中一件或几件,问能否每人都有一份适合的工 作?如果不能,最多几人可以有适合的工作?(匈牙利 算法)
图论方法(二)
遍历性问题
中国邮递员问题—邮递员发送邮件时,要从 邮局出发,经过他投递范围内的每条街道至 少一次,然后返回邮局,但邮递员希望选择 一条行程最短的路线
与模糊数学相关的问题(二)
模糊聚类分析—根据研究对象本身的属性构 造模糊矩阵,在此基础上根据一定的隶属度 来确定其分类关系
模糊层次分析法—两两比较指标的确定
模糊综合评判—综合评判就是对受到多个因 素制约的事物或对象作出一个总的评价,如 产品质量评定、科技成果鉴定、某种作物种 植适应性的评价等,都属于综合评判问题。 由于从多方面对事物进行评价难免带有模糊 性和主观性,采用模糊数学的方法进行综合 评判将使结果尽量客观从而取得更好的实际 效果
系统聚类分析—将n个样本或者n个指标看 成n类,一类包括一个样本或者指标,然

数模竞赛常用算法

数模竞赛常用算法

ˆ x
(0)
(k + 1) = x (k + 1) − x (k ) ˆ ˆ
(1) a (0)
= (1 − e )( x
b −ak (1) − ) e a
GM(1,1)主要用于单调序列,灰色预测模型除 GM(1,1)之外,还有: 残差GM(1,1)模型 对于非单调的摆动发展序列或有饱和的S形序 列,可建立GM(2,1),DGM和Verhulst模型 区间预测 灰色灾变预测(波形预测 ) 系统预测
中国邮递员问题—邮递员发送邮件时,要从 邮局出发,经过他投递范围内的每条街道至 少一次,然后返回邮局,但邮递员希望选择 一条行程最短的路线—旅行商问题
最大流问题
运输问题
最小费用最大流问题
在运输问题中,人们总是希望在完成运输任 务的同时,寻求一个使总的运输费用最小的 运输方案
5、聚类分析
聚类分析—所研究的样本或者变量之间存 在程度不同的相似性,要求设法找出一些 能够度量它们之间相似程度的统计量作为 分类的依据,再利用这些量将样本或者变 量进行分类 系统聚类分析—将n个样本或者n个指标看 成n类,一类包括一个样本或者指标,然 后将性质最接近的两类合并成为一个新 类,依此类推。最终可以按照需要来决定 分多少类,每类有多少样本(指标)
时间序列建模的基本步骤 (1)
1. 数据的预处理:数据的剔取及提取趋势项 2. 取n=1,拟合ARMA(2n,2n-1)(即ARMA(2,1))
模型
3. n=n+1,拟合ARMA(2n,2n-1)模型
4. 用F准则检验模型的适用性。若检验显著,则
转入第2步。若检验不显著,转入第5步。 5. 检查远端时刻的系数值的值是否很小,其置 信区间是否包含零。若不是,则适用的模型 就是ARMA(2n,2n-1) 。若很小,且其置信区 间包含零,则拟合ARMA(2n-1,2n-2) 。

数学建模常用综合评价方法介绍

数学建模常用综合评价方法介绍
2、几何平均法的主要特点 (1)对数据要求较高,指标数值不能为0、 负数, (2) 鼓励被评价对象在各方面全面发展, 任一方也不能偏废。此合成方法督促“全 面发展”,而不是靠重点倾斜的方法取胜; (3) 乘除法容易拉开评价档次,对较小数 值的变动更敏感。
三、综合评价的局限性
综合评价方法很多,各种方法得出的结果不可能完全相同, 并且都带有一定的相对性和局限性。
一、综合评价的基本概念
• 综合评价方法:又称为多变量综合评价方 法、多指标综合评估技术。综合评价是对 一个复杂系统的多个指标信息,应用定量 方法(包括数理统计方法),对数据进行 加工和提炼,以求得其优劣等级的一种评 价方法。
一、综合评价的基本概念
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
f (K ) 100 K 1 100 n K 100
n 1
n 1
f f (k)w w
排队计分法的优缺点
• 优点:
– 简便易行, – 勿须另寻比较标准; – 各单项评价值有统一的值域; – 适用范围广泛(可用于定序以上层次的数据)
• 缺点:
– 原始数据信息的损失较大。
Z-=(0.4142 0.4081 0.4321 0.2024 0.3916 0.4455 0.3118)
计算各年与最优、最劣向量的距离(以94年为例)
D1 (0.4833 0.4234)2 (0.5612 0.5612)2 0.6289 D1 (0.4142 0.4234)2 (0.3118 0.5612)2 0.2497
2. 对高优、低优指标分别进行同向化、归一化变换
Zij
X ij
n
X
2 ij

模糊层次分析法与大学生毕业设计质量评价的数学建模

模糊层次分析法与大学生毕业设计质量评价的数学建模
( ) 矩 阵 中各 元 素 的 相 对 重 要性 的权 重 的方 法 不 同 。 2求 模 糊 层 次 分 析 法 的基 本 思 想 是 根 据 多 目标 评 价 问 题 的 性 质 和 总 矩 阵 可 以 用 来 表 现关 系 , 果 集 合 A 有 m 个 元 素 , 合 B有 n个 如 集 目标 , 问 题 本 身 按 层 次进 行 分 解 , 成 一 个 由 下 而 上 的梯 阶 层 次 结 把 构 元 素 , 们 可 以用 矩 阵来 表 示 由集 合 A 到 集 合 B 的关 系 : 我 构 。 因此 在运 用 A HP决 策 时 , 体 上 可 以 可 分 为 以 下 四个 步骤 : 大
3 构 造 模糊 矩 阵
() 1分析 问题 , 确定系统 中各因素之间的因果关系 , 对决策 问题 的
各 种要 素 建立 多级 ( 多层 次 ) 阶 结 构 模 型 。 递
其 中 0或 1 ,
1≤ i /, ≤ ≤ n。 ≤ 71 / ,
( ) 同一层次 ( 2对 等级 ) 的要素 以上一级的要素为准则进行两两 比 较 , 根 据 评 定 尺 度 确 定 其 相 对 重 要 程 度 , 后 据 此 建 立模 糊 判 断 矩 并 最
( 计 ) 量 提 供 了合 理 的理 论 支持 . 设 质
【 关键词 】 模糊层次分析法 ; 综合评 价; 指标体 系; 学模型 数
层次分析 法( H 是美 国 2 A P) 0世 纪 7 0年 代 出 现 的一 种 定 性 分 析 和 定 量 分 析 相 结 合 的 系 统分 析方 法 . 特 点 是 将 人 的 主 观判 断 过程 数 其 学化 、 思维 化 , 便 使 决 策 依 据 易 于 被 人 接 受 , 此 , 能 适 合 复杂 的 以 因 更 社 会 科 学 领 域 的 情 况 。由 于 A HP在 理论 上 具 有 完 备 性 , 结 构 上 具 有 在 严 谨 性 , 解 决 问 题 上 具 有 简 洁 性 , 其 在 解 决 非 结 构 化 决 策 问题 上 在 尤 具 有 明显 的优 势 , 因此 在 各 行各 业 得 到 了广 泛 应 用 。层 次 分 析 法 最 大 的 问题 是 某 一 层 次 评 价 指 标 很 多 时 ( 四个 以上 )其 思13 13 18 3 , , , / 1

数学建模大赛(A题)

数学建模大赛(A题)

(由组委会填写)南京理工大学研究生数学建模竞赛学院参赛队号队员姓名(打印并签名)评阅编号(由组委会评阅前进行编号):系统安全不安全摘要针对问题1,本文通过分析题中所给信息以及相关网络数据建立了层次分析法和模糊逻辑法相结合来评估信息系统安全程度的数学模型——模糊层次分析模型。

具体过程分为四步,首先通过分析信息系统风险事件发生的条件,选择资产价值、威胁性、脆弱性和安全措施作为信息系统的安全程度主要影响因素,其中资产价值包括机密性、完整性和可用性三个指标,威胁性包括威胁动机、威胁源攻击能力、目标信息吸引力和受惩罚风险等级四个指标,脆弱性包括脆弱性被利用难易程度和脆弱性对系统的影响程度两个指标,安全措施包括安全措施的有效程度一个指标。

然后,根据这些因素和指标构造层次分析结构图与判断矩阵,利用Matlab软件进行层次分析法计算,并通过一致性检验得到了10个指标对信息系统安全程度的权重。

最后,利用模糊综合评价法对所得的权重进行处理,得到了风险值,从而确定信息系统的安全程度。

根据以上模型,以资产价值不完整且安全措施有些效果的金融信息系统为例,对其进行安全程度评估,最终得到风险值为2.2347,属于3级风险。

由于资产价值不完整但安全措施有效,因此该系统安全程度为较安全。

针对问题2,选取了安全度作为衡量信息系统安全程度的指标,然后建立基于熵权系数法的模糊综合评判模型来求解安全度的大小。

具体来说,首先构建层次模型,将问题1中的10个指标进行分类,其中,风险事件发生的概率包括威胁性相关的四个指标以及脆弱性被利用难易程度和安全措施的有效程度两个指标,风险事件所产生的影响包括机密性、完整性、可用性和脆弱性对系统的影响程度四个指标。

其次,利用Mathematica 软件进行熵权系数法计算,得到了发生风险事件的概率和所产生的影响值。

最后,通过概率计算,得到了信息系统安全度的计算模型。

根据以上分析步骤,对问题1中的实例进行分析,最终得到了该系统的风险度为0.4080,其安全度为0.5920,该系统属于3级风险,与问题1得到的结果基本一致。

数学建模常见评价模型简介

数学建模常见评价模型简介

数学建模常见评价模型简介Company Document number:WTUT-WT88Y-W8BBGB-BWYTT-19998常见评价模型简介评价类数学模型是全国数学建模竞赛中经常出现的一类模型,如2005年全国赛A题长江水质的评价问题,2008年B题高校学费标准评价体系问题等。

主要介绍三种比较常用的评价模型:层次分析模型,模糊综合评价模型,灰色关联分析模型,以期帮助大家了解不同背景下不同评价方法的应用。

层次分析模型层次分析法(AHP)是根据问题的性质和要求,将所包含的因素进行分类,一般按目标层、准则层和子准则层排列,构成一个层次结构,对同层次内诸因素采用两两比较的方法确定出相对于上一层目标的权重,这样层层分析下去,直到最后一层,给出所有因素相对于总目标而言,按重要性程度的一个排序。

其主要特征是,它合理地将定性与定量决策结合起来,按照思维、心理的规律把决策过程层次化、数量化。

运用层次分析法进行决策,可以分为以下四个步骤:步骤1 建立层次分析结构模型深入分析实际问题,将有关因素自上而下分层(目标—准则或指标—方案或对象),上层受下层影响,而层内各因素基本上相对独立。

步骤2构造成对比较阵对于同一层次的各元素关于上一层次中某一准则的重要性进行两两比较,借助1~9尺度,构造比较矩阵;步骤3计算权向量并作一致性检验由判断矩阵计算被比较元素对于该准则的相对权重,并进行一致性检验,若通过,则最大特征根对应的特征向量做为权向量。

步骤4计算组合权向量(作组合一致性检验)组合权向量可作为决策的定量依据通过一个具体的例子介绍层次分析模型的应用。

例(选择旅游地决策问题)如何在桂林、黄山、北戴河3个目的地中按照景色、费用、居住条件、饮食、旅途条件等因素进行选择。

步骤1 建立系统的递阶层次结构将决策问题分为3个层次:目标层O ,准则层C ,方案层P ;每层有若干元素,各层元素间的关系用相连的直线表示。

图1 选择旅游地的层次结构步骤2构造比较矩阵标度值 含义1 两因素相比,具有同等重要性 3 两因素相比,前者比后者稍重要 5 两因素相比,前者比后者明显重要 7 两因素相比,前者比后者强烈重要 9 两因素相比,前者比后者极端重要2、4、6、8表示上述相邻判断的中间值以上各数值的倒数若指标i 与指标j 比较相对重要性用上述之一数值标度,则指标j 与指标i 的相对重要性用上述数值的倒数标度表1 1~9标度的含义设要比较各准则n C C C ,,,21 对目标O 的重要性,记判断矩阵为A显然,A 是正互反阵。

数学建模方法详解--三种最常用算法

数学建模方法详解--三种最常用算法

数学建模方法详解--三种最常用算法一、层次分析法层次分析法[1] (analytic hierarchy process,AHP)是美国著名的运筹学家T.L.Saaty教授于20世纪70年代初首先提出的一种定性与定量分析相结合的多准则决策方法[2,3,4].该方法是社会、经济系统决策的有效工具,目前在工程计划、资源分配、方案排序、政策制定、冲突问题、性能评价等方面都有广泛的应用.(一) 层次分析法的基本原理层次分析法的核心问题是排序,包括递阶层次结构原理、测度原理和排序原理[5].下面分别予以介绍.1.递阶层次结构原理一个复杂的结构问题可以分解为它的组成部分或因素,即目标、准则、方案等.每一个因素称为元素.按照属性的不同把这些元素分组形成互不相交的层次,上一层的元素对相邻的下一层的全部或部分元素起支配作用,形成按层次自上而下的逐层支配关系.具有这种性质的层次称为递阶层次.2.测度原理决策就是要从一组已知的方案中选择理想方案,而理想方案一般是在一定的准则下通过使效用函数极大化而产生的.然而对于社会、经济系统的决策模型来说,常常难以定量测度.因此,层次分析法的核心是决策模型中各因素的测度化.3.排序原理层次分析法的排序问题,实质上是一组元素两两比较其重要性,计算元素相对重要性的测度问题.(二) 层次分析法的基本步骤层次分析法的基本思路与人对一个复杂的决策问题的思维、判断过程大体上是一致的[1]. 1. 成对比较矩阵和权向量为了能够尽可能地减少性质不同的诸因素相互比较的困难,提高结果的准确度.T .L .Saaty 等人的作法,一是不把所有因素放在一起比较,而是两两相互对比,二是对比时采用相对尺度.假设要比较某一层n 个因素n C C ,,1 对上层一个因素O 的影响,每次取两个因素i C 和j C ,用ij a 表示i C 和j C 对O 的影响之比,全部比较结果可用成对比较阵()1,0,ij ij ji n nijA a a a a ⨯=>=表示,A 称为正互反矩阵. 一般地,如果一个正互反阵A 满足:,ij jk ik a a a ⋅= ,,1,2,,i j k n = (1)则A 称为一致性矩阵,简称一致阵.容易证明n 阶一致阵A 有下列性质: ①A 的秩为1,A 的唯一非零特征根为n ;②A 的任一列向量都是对应于特征根n 的特征向量.如果得到的成对比较阵是一致阵,自然应取对应于特征根n 的、归一化的特征向量(即分量之和为1)表示诸因素n C C ,,1 对上层因素O 的权重,这个向量称为权向量.如果成对比较阵A 不是一致阵,但在不一致的容许范围内,用对应于A 最大特征根(记作λ)的特征向量(归一化后)作为权向量w ,即w 满足:Aw w λ= (2)直观地看,因为矩阵A 的特征根和特征向量连续地依赖于矩阵的元素ij a ,所以当ij a 离一致性的要求不远时,A 的特征根和特征向量也与一致阵的相差不大.(2)式表示的方法称为由成对比较阵求权向量的特征根法.2. 比较尺度当比较两个可能具有不同性质的因素i C 和j C 对于一个上层因素O 的影响时,采用Saaty 等人提出的91-尺度,即ij a 的取值范围是9,,2,1 及其互反数91,,21,1 .3. 一致性检验成对比较阵通常不是一致阵,但是为了能用它的对应于特征根λ的特征向量作为被比较因素的权向量,其不一致程度应在容许范围内.若已经给出n 阶一致阵的特征根是n ,则n 阶正互反阵A 的最大特征根n λ≥,而当n λ=时A 是一致阵.所以λ比n 大得越多,A 的不一致程度越严重,用特征向量作为权向量引起的判断误差越大.因而可以用n λ-数值的大小衡量A 的不一致程度.Saaty将1nCI n λ-=- (3)定义为一致性指标.0CI =时A 为一致阵;CI 越大A 的不一致程度越严重.注意到A 的n 个特征根之和恰好等于n ,所以CI 相当于除λ外其余1n -个特征根的平均值.为了确定A 的不一致程度的容许范围,需要找到衡量A 的一致性指标CI 的标准,又引入所谓随机一致性指标RI ,计算RI 的过程是:对于固定的n ,随机地构造正互反阵A ',然后计算A '的一致性指标CI .n 1 2 3 4 5 6 7 8 9 10 11表1 随机一致性指标RI 的数值表中1,2n =时0RI =,是因为2,1阶的正互反阵总是一致阵.对于3n ≥的成对比较阵A ,将它的一致性指标CI 与同阶(指n 相同)的随机一致性指标RI 之比称为一致性比率CR ,当0.1CICR RI=< (4) 时认为A 的不一致程度在容许范围之内,可用其特征向量作为权向量.对于A 利用(3),(4)式和表1进行检验称为一致性检验.当检验不通过时,要重新进行成对比较,或对已有的A 进行修正. 4. 组合权向量由各准则对目标的权向量和各方案对每一准则的权向量,计算各方案对目标的权向量,称为组合权向量.一般地,若共有s 层,则第k 层对第一层(设只有1个因素)的组合权向量满足:()()()1,3,4,k k k w W w k s -== (5)其中()kW 是以第k 层对第1k -层的权向量为列向量组成的矩阵.于是最下层对最上层的组合权向量为:()()()()()132s s s w W W W w -= (6)5. 组合一致性检验在应用层次分析法作重大决策时,除了对每个成对比较阵进行一致性检验外,还常要进行所谓组合一致性检验,以确定组合权向量是否可以作为最终的决策依据.组合一致性检验可逐层进行.如第p 层的一致性指标为()()p n p CI CI ,,1 (n 是第1-p 层因素的数目),随机一致性指标为RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51()()1,,p p nRI RI ,定义 ()()()()11,,P p p p n CI CI CI w -⎡⎤=⎣⎦ ()()()()11,,p p p p n RI RI RI w-⎡⎤=⎣⎦ 则第p 层的组合一致性比率为:()()(),3,4,,p p p CI CRp s RI== (7) 第p 层通过组合一致性检验的条件为()0.1pCR <.定义最下层(第s 层)对第一层的组合一致性比率为:()2*sP p CR CR ==∑ (8)对于重大项目,仅当*CR 适当地小时,才认为整个层次的比较判断通过一致性检验.层次分析法的基本步骤归纳如下:(1) 建立层次结构模型 在深入分析实际问题的基础上,将有关的各个因素按照不同属性自上而下地分解成若干层次.同一层的诸因素从属于上一层的因素或对上层因素有影响,同时又支配下一层的因素或受到下层因素的作用,而同一层的各因素之间尽量相互独立.最上层为目标层,通常只有1个因素,最下层通常为方案或对象层,中间可以有1个或几个层次,通常称为准则或指标层,当准则过多时(比如多于9个)应进一步分解出子准则层.(2) 构造成对比较阵 从层次结构模型的第2层开始,对于从属于上一层每个因素的同一层诸因素,用成对比较法和91-比较尺度构造成对比较阵,直到最下层.(3)计算权向量并做一致性检验对于每一个成对比较阵计算最大特征根及对应特征向量,利用一致性指标,随机一致性指标和一致性比率做一致性检验.若检验通过,特征向量(归一化后)即为权向量;若不通过,重新构造成对比较阵.(4)计算组合权向量并做组合一致性检验利用公式计算最下层对目标的组合权向量,并酌情作组合一致性检验.若检验通过,则可按照组合权向量表示的结果进行决策,否则需重新考虑模型或重新构造那些一致性比率CR较大的成对比较阵.(三) 层次分析法的优点1.系统性层次分析把研究对象作为一个系统,按照分解、比较判断、综合的思维方式进行决策,成为继机理分析、统计分析之后发展起来的系统分析的重要工具.2.实用性层次分析把定性和定量方法结合起来,能处理许多用传统的最优化技术无法着手的实际问题,应用范围很广.同时,这种方法将决策者与决策分析者相互沟通,决策者甚至可以直接应用它,这就增加了决策的有效性.3.简洁性具有中等文化程度的人即可了解层次分析的基本原理和掌握它的基本步骤,计算也非常简便,且所得结果简单明确,容易为决策者了解和掌握.(四) 层次分析法的局限性层次分析法的局限性可以用囿旧、粗略、主观等词来概括.第一,它只能从原有的方案中选优,不能生成新方案;第二,它的比较、判断直到结果都是粗糙的,不适于精度要求很高的问题;第三,从建立层次结构模型到给出成对比较矩阵,人的主观因素的作用很大,这就使得决策结果可能难以为众人接受.当然,采取专家群体判断的方法是克服这个缺点的一种途径.(五) 层次分析法的若干问题层次分析法问世以来不仅得到广泛的应用而且在理论体系、计算方法等方面都有很大发展,下面从应用的角度讨论几个问题. 1. 正互反阵最大特征根和对应特征向量的性质成对比较阵是正互反阵.层次分析法中用对应它的最大特征根的特征向量作为权向量,用最大特征根定义一致性指标进行一致性检验.这里人们碰到的问题是:正互反阵是否存在正的最大特征根和正的特征向量;一致性指标的大小是否反映它接近一致阵的程度,特别,当一致性指标为零时,它是否就为一致阵.下面两个定理可以回答这些问题. 定理1 对于正矩阵A (A 的所有元素为正数) 1)A 的最大特征根是正单根λ;2)λ对应正特征向量w (ω的所有分量为正数);3)w IA I I A k k k =T ∞→lim ,其中()T=1,1,1 I ,w 是对应λ的归一化特征向量.定理2 n 阶正互反阵A 的最大特征根n λ≥;当n λ=时A 是一致阵.定理2和前面所述的一致阵的性质表明,n 阶正互反阵A 是一致阵的充要条件为 A 的最大特征根n λ=.2. 正互反阵最大特征根和特征向量的实用算法众所周知,用定义计算矩阵的特征根和特征向量是相当困难的,特别是矩阵阶数较高时.另一方面,因为成对比较阵是通过定性比较得到的比较粗糙的量化结果,对它精确计算是不必要的,下面介绍几种简单的方法. (1) 幂法 步骤如下:a .任取n 维归一化初始向量()0wb .计算()()1,0,1,2,k k w Aw k +==c .()1k w+ 归一化,即令()()()∑=+++=ni k ik k ww1111~~ωd .对于预先给定的精度ε,当 ()()()1||1,2,,k k i i i n ωωε+-<= 时,()1k w +即为所求的特征向量;否则返回be. 计算最大特征根()()111k n i k i in ωλω+==∑这是求最大特征根对应特征向量的迭代法,()0w 可任选或取下面方法得到的结果.(2) 和法 步骤如下:a. 将A 的每一列向量归一化得1nij ij iji a aω==∑b .对ij ω按行求和得1ni ij j ωω==∑ c .将i ω归一化()*121,,,ni i n i w ωωωωωωT===∑ 即为近似特征向量. d. 计算()11n ii iAw n λω==∑,作为最大特征根的近似值.这个方法实际上是将A 的列向量归一化后取平均值,作为A 的特征向量.(3) 根法 步骤与和法基本相同,只是将步骤b 改为对ij ω按行求积并开n 次方,即11nn i ij j ωω=⎛⎫= ⎪⎝⎭∏ .根法是将和法中求列向量的算术平均值改为求几何平均值.3. 为什么用成对比较阵的特征向量作为权向量当成对比较阵A 是一致阵时,ij a 与权向量()T=n w ωω,,1 的关系满iij ja ωω=,那么当A 不是一致阵时,权向量w 的选择应使得ij a 与ijωω相差尽量小.这样,如果从拟合的角度看确定w 可以化为如下的最小二乘问题: ()21,,11min i nniij i n i j j a ωωω===⎛⎫- ⎪ ⎪⎝⎭∑∑ (9) 由(9)式得到的最小二乘权向量一般与特征根法得到的不同.因为(9)式将导致求解关于i ω的非线性方程组,计算复杂,且不能保证得到全局最优解,没有实用价值.如果改为对数最小二乘问题:()21,,11min ln ln i nn iij i n i j j a ωωω===⎛⎫- ⎪ ⎪⎝⎭∑∑ (10) 则化为求解关于ln i ω的线性方程组.可以验证,如此解得的i ω恰是前面根法计算的结果.特征根法解决这个问题的途径可通过对定理2的证明看出. 4. 成对比较阵残缺时的处理专家或有关学者由于某种原因无法或不愿对某两个因素给出相互比较的结果,于是成对比较阵出现残缺.应如何修正,以便继续进行权向量的计算呢?一般地,由残缺阵()ij A a =构造修正阵()ij Aa = 的方法是令,,0,,1,ij ij ij ij i i a a i j a a i jm m i i jθθθ≠≠⎧⎪==≠⎨⎪+=⎩ 为第行的个数, (11)θ表示残缺.已经证明,可以接受的残缺阵A 的充分必要条件是A 为不可约矩阵. (六) 层次分析法的广泛应用层次分析法在正式提出来之后,由于它在处理复杂的决策问题上的实用性和有效性,很快就在世界范围内得到普遍的重视和广泛的应用.从处理问题的类型看,主要是决策、评价、分析、预测等方面. 这个方法在20世纪80年代初引入我国,很快为广大的应用数学工作者和有关领域的技术人员所接受,得到了成功的应用.层次分析法在求解某些优化问题中的应用[5]举例 假设某人在制定食谱时有三类食品可供选择:肉、面包、蔬菜.这三类食品所含的营养成分及单价如表所示表2 肉、面包、蔬菜三类食品所含的营养成分及单价食品 维生素A/(IU/g) 维生素B/(mg/g) 热量/(kJ/g) 单价/(元/g ) 肉 面包 蔬菜0.3527 025 0.0021 0.00060.0020 11.93 11.511.04 0.02750.0060. 0.007该人体重为55kg ,每天对各类营养的最低需求为:维生素A 7500国际单位 (IU)维生素B 1.6338mg热量 R 8548.5kJ考虑应如何制定食谱可使在保证营养需求的前提下支出最小?用层次分析法求解最优化问题可以引入包括偏好等这类因素.具体的求解过程如下:①建立层次结构② 根据偏好建立如下两两比较判断矩阵表3 比较判断矩阵WD ED 13 E311max 2λ=,10CI =,100.1CR =<,主特征向量()0.75,0.25W T=故第二层元素排序总权重为()10.75,0.25W T=每日需求W营养D 蔬菜支出E维生素B 肉 价格F面包 维生素A 热量R表4 比较判断矩阵D ABRA 1 1 2 B112R 5.05.01111max 1113,0,0,0.58CI CR RI λ==== ,主特征向量()0.4,0.4,0.2W T= 故相对权重()210.4,0.4,0.2,0P T=③ 第三层组合一致性检验问题因为()()2111211112120;0.435CI CI CI W RI RI RI W ====,212200.1CR CR CI RI =+=<故第三层所有判断矩阵通过一致性检验,从而得到第三层元素维生素A 、维生素B 、热量Q 及支出E 的总权重为:()()221221120.3,0.3,0.15,0.25W P W P P W T===求第四层元素关于总目标W 的排序权重向量时,用到第三层与第四层元素的排序关系矩阵,可以用原始的营养成分及单价的数据得到.注意到单价对人们来说希望最小,因此应取各单价的倒数,然后归一化.其他营养成分的数据直接进行归一化计算,可得表5表5 各营养成分数据的归一化 食品维生素A维生素B热量R单价F肉 0.0139 0.44680.4872 0.1051 面包 0.0000 0.1277 0.4702 0.4819 蔬菜0.98610.42550.04260.4310则最终的第四层各元素的综合权重向量为:()3320.2376,0.2293,0.5331W P W T==,结果表明,按这个人的偏好,肉、面包和蔬菜的比例取0.2376:0.2293:0.5331较为合适.引入参数变量,令10.2376x k =,20.2293x k =,30.5331x k =,代入()1LP123min 0.02750.0060.007f x x x =++131231231230.352725.075000.00210.00060.002 1.6338..(1)11.930011.5100 1.048548.5,,,0x x x x x s t LP x x x x x x +≥⎧⎪++≥⎪⎨++≥⎪⎪≥⎩则得k f 0116.0min =()13.411375000.0017 1.6338..26.02828548.50k k s t LP k k ≥⎧⎪≥⎪⎨≥⎪⎪≥⎩容易求得1418.1k =,故得最优解()*336.9350,325.1650,755.9767x T=;最优值 *16.4497f =,即肉336.94g ,面325.17g ,蔬菜755.98g ,每日的食品费用为16.45元.总之,对含有主、客观因素以及要求与期望是模糊的优化问题,用层次分析法来处理比较适用.二、模糊数学法模糊数学是1965年美国控制论专家L.A.Zadeh创立的.模糊数学作为一门新兴学科,它已初步应用于模糊控制、模糊识别、模糊聚类分析、模糊决策、模糊评判等各方面.在气象、结构力学、控制、心理学方面已有具体的研究成果.(一) 模糊数学的研究内容第一,研究模糊数学的理论,以及它和精确数学、随机数学的关系;第二,研究模糊语言和模糊逻辑,并能作出正确的识别和判断;第三,研究模糊数学的应用.(二) 模糊数学在数学建模中应用的可行性1.数学建模的意义在于将数学理论应用于实际问题[6].而模糊数学作为一种新的理论,本身就有其巨大的应用背景,国内外每年都有大量的相关论文发表,解决了许多实际问题.目前在数学建模中较少运用模糊数学方法的原因不在于模糊数学理论本身有问题,而在于最新的研究成果没有在第一时间进入数学建模的教科书中,就其理论本身所具有的实用性的特点而言,模糊数学应该有助于我们解决建模过程中的实际问题.2.数学建模的要求是模型与实际问题尽可能相符.对实际问题有这样一种分类方式:白色问题、灰色问题和黑色问题.毫无疑问,引进新的方法对解决这些问题大有裨益.在灰色问题和黑色问题中有很多现象是用“模糊”的自然语言描述的.在这种情况下,用模糊的模型也许更符合实际.3.数学建模活动的目的之一是培养学生的创新精神.用新理论、新方法解题应该受到鼓励.近年来,用神经网络法、层次分析法等新方法建立模型的论文屡有获奖,这也说明了评审者对新方法的重视.我们相信,模糊数学方法应该很好,同样能够写出优秀的论文.(三) 模糊综合评判法中的最大隶属原则有效度在模糊统计综合评判中,如何利用综合评判结果向量()12,,,m b b b b = ,其中, 01j b <<,m 为可能出现的评语个数,提供的信息对被评判对象作出所属等级的判断,目前通用的判别原则是最大隶属原则[7].在实际应用中很少有人注意到最大隶属原则的有效性问题,在模糊综合评判的实例中最大隶属原则无一例外地被到处搬用,然而这个原则并不是普遍适用的.最大隶属原则有效度的测量1. 有效度指标的导出在模糊综合评判中,当11max 1,1njj j nj bb ≤≤===∑时,最大隶属原则最有效;而在()1max 01,jj nbc c ≤≤=<< 1nj j b nc ==∑时,最大隶属原则完全失效,且1max jj nb ≤≤越大(相对于1nj j b =∑而言),最大隶属原则也越有效.由此可认为,最大隶属原则的有效性与1max jj nb ≤≤在1njj b =∑中的比重有关,于是令:11max njjj nj b b β≤≤==∑ (12)显然,当11max 1,1njj j nj bb ≤≤===∑时,则1β=为β的最大值,当()1max 01jj nb c c ≤≤=<<,1njj bnc==∑时,有1n β=为β的最小值,即得到β的取值范围为:11n β≤≤.由于在最大隶属原则完全失效时,1n β=而不为0,所以不宜直接用β值来判断最大隶属原则的有效性.为此设:()()11111n n n n βββ--'==-- (13)则β'可在某种程度上测定最大隶属原则的有效性.而最大隶属原则的有效性还与j nj b ≤≤1sec (jnj b ≤≤1sec 的含义是向量b 各分量中第二大的分量)的大小有很大关系,于是我们定义:11sec njjj nj b bγ≤≤==∑ (14)可见: 当()1,1,0,0,,0b = 时,γ取得最大值12.当()0,1,0,0,,0b = 时,γ取得最小值0.即γ的取值范围为012γ≤≤,设()02120γγγ-'==-.一般地,β'值越大最大隶属原则有效程度越高;而γ'值越大,最大隶属原则的有效程度越低.因此,可以定义测量最大隶属原则有效度的相对指标:()112121n n n n βββαγγγ'--⎛⎫=== ⎪'--⎝⎭ (15) 使用α指标能更准确地表明实施最大隶属原则的有效性.2. α指标的使用从α指标的计算公式看出α与γ成反比,与β成正比.由β与γ的取值范围,可以讨论α的取值范围: 当γ取最大值,β取最小值时,α将取得最小值0;当γ取最小值,β取最大值时,α将取得最大值:因为 0lim γα→=+∞,所以可定义0γ=时,α=+∞.即:0α≤<+∞.由以上讨论,可得如下结论:当α=+∞ 时,可认定施行最大隶属原则完全有效;当1α≤<+∞时,可认为施行最大隶属原则非常有效;当0.51α≤<时,可认为施行最大隶属原则比较有效,其有效程度即为α值;当00.5α<<时可认为施行最大隶属原则是最低效的;而当0α=时,可认定施行最大隶属原则完全无效.有了测量最大隶属原则有效度的指标,不仅可以判断所得可否用最大隶属原则确定所属等级,而且可以说明施行最大隶属原则判断后的相对置信程度,即有多大把握认定被评对象属于某个等级. 讨论a . 在很多情况下,可根据β值的大小来直接判断使用最大隶属原则的有效性而不必计算α值.根据α与β之间的关系,当0.7β≥,且4n >时,一定存在1α>.通常评价等级数取4和9之间,所以4n >这一条件往往可以忽略,只要0.7β≥就可免算α值,直接认定此时采取最大隶属原则确定被评对象的等级是很有效的.b . 如果对()12,,,m b b b b = 进行归一化处理而得到b ',则可直接根据b '进行最大隶属原则的有效度测量. (四) 模糊数学在数学建模中的应用模糊数学有诸多分支,应用广泛.如模糊规划、模糊优化设计、综合评判、模糊聚类分析、模糊排序、模糊层次分析等等.这些方法在工业、军事、管理等诸多领域被广泛应用. 举例 带模糊约束的最小费用流问题[8]问题的提出 最小费用流问题的一般提法是:设(),,,D V A c ω=是一个带出发点s v 和收点t v 的容量-费用网络,对于任意(),ijv v A ∈,ijc表示弧(),i j v v 上的容量,ij ω表示弧(),i j v v 上通过单位流量的费用,0v 是给定的非负数,问怎样制定运输方案使得从s v 到t v 恰好运输流值为0v 的流且总费用最小?如果希望尽可能地节省时间并提高道路的通畅程度,问运输方案应当怎样制定?模型和解法 问题可以归结为:怎样制定满足以下三个条件的最优运输方案?(1)从s v 到t v 运送的流的值恰好为0v ;(2)总运输费用最小;(3)在容量ij c 大的弧(),i j v v 上适当多运输.如果仅考虑条件(1)和(2),易写出其数学模型为:()()()()()()(){}(),0,,0,,,,min()..0,0i j s j j s t j j t i j j i ij ijv v Asj js v v A v v A tj jt v v Av v A ij ji i s t v v A v v A ij ijf f f v f f v M s t f f v V v v f c ω∈∈∈∈∈∈∈⎧-=⎪⎪-=-⎪⎪⎨⎪-=∈⎪⎪≤≤⎪⎩∑∑∑∑∑∑∑ 把条件(3)中的“容量大” 看作A 上的一个模糊子集A ,定义其隶属函数μ:[]0,1A →为:()()00,0,1,ij ij ij i j A d c c v ij c c v v e c cμμ--≤≤⎧⎪==⎨->⎪⎩其中 ()1,i j ij v v c A c -⎡⎤⎢⎥=⎢⎥⎣⎦∑ (平均容量)()()()()()()21,2211,,0,1lg ,1i j i j i j ij v v A ij ij v v A v v A A c c d A c c A c c -∈--∈∈⎧⎡⎤⎪⎢⎥-≤⎪⎢⎥⎣⎦⎪=⎨⎡⎤⎡⎤⎪⎢⎥⎢⎥-->⎪⎢⎥⎢⎥⎪⎣⎦⎣⎦⎩∑∑∑建立ij μ是为了量化“适当多运输”这一模糊概念.对条件(2)作如下处理:对容量ij c 大的弧(),i j v v ,人为地降低运价ij ω,形成“虚拟运价”ij ω,其中ij ω满足:ij c 越大,相应的ij ω的调整幅度也越大.选取ij ω为()1kij ij ij ωωμ=-,(),i j v v A ∈.其中k 是正参数,它反映了条件(2)和条件(3)在决策者心目中的地位.决策者越看重条件(3),k 取值越小;当k 取值足够大时,便可忽略条件(3) .一般情况下,合适的k 值最好通过使用一定数量的实际数据进行模拟、检验和判断来决定.最后,用ij ω代替原模型M 中的ij ω,得到一个新的模型M '.用现有的方法求解这个新的规划问题,可期望得到满足条件(3)的解.模型的评价 此模型在原有的数学规划模型和解法的基础上,增加了模糊约束.新模型比较符合实际,它的解包含了原模型的解,因而它是一个较为理想的模型.隶属度的确定在模糊数学中有多种方法,可以根据不同的实际问题进行调整.同样的思想方法可以处理其他的模糊约束问题.三、灰色系统客观世界的很多实际问题,其内部结构、参数以及特征并未全部被人们了解,对部分信息已知而部分信息未知的系统,我们称之为灰色系统.灰色系统理论是从系统的角度出发来研究信息间的关系,即研究如何利用已知信息去揭示未知信息.灰色系统理论包括系统建模、系统预测、系统分析等方面.(一)灰色关联分析理论及方法灰色系统理论[9]中的灰色关联分析法是在不完全的信息中,对所要分析研究的各因素,通过一定的数据,在随机的因素序列间,找出它们的关联性,找到主要特性和主要影响因素.计算方法与步骤:1.原始数据初值化变换处理分别用时间序列()k的第一个数据去除后面的原始数据,得出新的倍数列,即初始化数列,量纲为一,各值均大于零,且数列有共同的起点.2. 求关联系数 ()()()()()()()()()0000min min ||max max ||||max max ||k i k k i k ikiki k k i k k i k ikx x x x x x x x ρξρ-+-=-+-3. 取分辨系数 01ρ<< 4. 求关联度()()11ni k i k k r n ξ==∑(二) 灰色预测1.灰色预测方法的特点(1)灰色预测需要的原始数据少,最少只需四个数据即可建模;(2)灰色模型计算方法简单,适用于计算机程序运行,可作实时预测;(3)灰色预测一般不需要多因素数据,而只需要预测对象本身的单因素数据,它可以通过数据本身的生成,寻找系统内在的规律;(4) 灰色预测既可做短期预测,也可做长期预测,实践证明,灰色预测精度较高,误差较小.2. 灰色预测GM(1,1)模型的一点改进一些学者为了提高预测精度做出了大量的研究工作,提出了相应的方法.本文将在改善原始离散序列光滑性的基础上,进一步研究GM(1,1)预测模型的理论缺陷及改进方法[10].问题的存在及改进方法如下:传统灰色预测GM(1,1)模型的一般步骤为: (1)1-ADO :对原始数据序列(){}0k x ()1,2,,k n = 进行一次累加生成序列()()101kk i i x x =⎧⎫=⎨⎬⎩⎭∑()1,2,,k n =(2)对0x 数列进行光滑性检验:00,k λ∀>∃,当0k k >时:()()()()0011101k k k k i i x x x x λ--==<∑文献[11]进一步指出只要()()0101k k i i x x -=∑为k 的递减函数即可.(3)对1x 作紧邻生成:()()()()1111*1*,2,3,,k k k Z x x k n αα-=+-=。

层次分析法评价模型

层次分析法评价模型

层次分析法评价模型评价类数学模型是全国数学建模竞赛中经常出现的一类模型,如2005年全国赛A题长江水质的评价问题,2008年B题高校学费标准评价体系问题等。

主要介绍三种比较常用的评价模型:层次分析模型,模糊综合评价模型,灰色关联分析模型,以期帮助大家了解不同背景下不同评价方法的应用。

层次分析模型层次分析法(AHP)是根据问题的性质和要求,将所包含的因素进行分类,一般按目标层、准则层和子准则层排列,构成一个层次结构,对同层次内诸因素采用两两比较的方法确定出相对于上一层目标的权重,这样层层分析下去,直到最后一层,给出所有因素相对于总目标而言,按重要性程度的一个排序。

其主要特征是,它合理地将定性与定量决策结合起来,按照思维、心理的规律把决策过程层次化、数量化。

运用层次分析法进行决策,可以分为以下四个步骤:步骤1 建立层次分析结构模型深入分析实际问题,将有关因素自上而下分层(目标—准则或指标—方案或对象),上层受下层影响,而层内各因素基本上相对独立。

步骤2构造成对比较阵对于同一层次的各元素关于上一层次中某一准则的重要性进行两两比较,借助1~9尺度,构造比较矩阵;步骤3计算权向量并作一致性检验由判断矩阵计算被比较元素对于该准则的相对权重,并进行一致性检验,若通过,则最大特征根对应的特征向量做为权向量。

步骤4计算组合权向量(作组合一致性检验)组合权向量可作为决策的定量依据通过一个具体的例子介绍层次分析模型的应用。

例(选择旅游地决策问题)如何在桂林、黄山、北戴河3个目的地中按照景色、费用、居住条件、饮食、旅途条件等因素进行选择。

步骤1 建立系统的递阶层次结构将决策问题分为3个层次:目标层O,准则层C,方案层P;每层有若干元素,各层元素间的关系用相连的直线表示。

图1 选择旅游地的层次结构步骤2构造比较矩阵元素之间两两对比,对比采用美国运筹学家A.L.Saaty 教授提出的1~9比率标度法(表1)对不同指标进行两两比较,构造判断矩阵。

模糊综合评价法和层次分析法比较

模糊综合评价法和层次分析法比较

模糊综合评价法和层次分析法比较模糊综合评价法和层次分析法是两种常用的决策评价方法。

本文将对它们进行比较,分析它们的优劣之处。

在现代决策分析中,我们经常需要对多个因素进行评价和权重的确定,以辅助决策过程。

而模糊综合评价法和层次分析法都是常见的解决方案。

首先,我们来看模糊综合评价法。

它是一种基于模糊数学理论的决策方法,适用于多个评价因素之间难以准确判断和量化的情况。

模糊综合评价法通过构建模糊综合评价模型,将模糊数学的运算方法应用于决策分析中。

模糊综合评价法的优点之一是它能够很好地处理评价因素之间的模糊不确定性问题。

通过构建模糊集和隶属函数,我们可以将模糊的主观判断转化为数学模型,并通过运算得到评价结果。

此外,模糊综合评价法还可以灵活地应对评价因素的变化,因为它可以不断进行更新和调整。

然而,模糊综合评价法也存在一些不足之处。

首先,由于模糊综合评价法需要构建模糊集和隶属函数,所以在实际应用中需要具备一定的数学建模能力。

其次,模糊综合评价法对于评价因素的权重确定比较主观,容易受到人们个人主观意识的影响。

接下来,我们来看层次分析法。

层次分析法是一种通过层次结构和对比矩阵进行决策评价的方法。

它通过构建层次结构,将决策问题分解为一系列相对独立的层次和因素,在此基础上通过对比矩阵确定各因素的权重,最终得到决策结果。

层次分析法的优点之一是它能够很好地处理评价因素之间的相对重要性和相互影响关系。

通过构建层次结构,我们可以将决策问题分解为较小的问题,便于分析和判断。

同时,通过对比矩阵的构建和计算,我们可以定量地确定评价因素的权重。

然而,层次分析法也存在一些不足之处。

首先,层次分析法对决策问题的拆分和因素的权重确定是比较主观的,容易受到个人主观意识的影响。

其次,层次分析法在计算过程中需要构建和填写对比矩阵,当因素较多时,这个过程比较繁琐。

综上所述,模糊综合评价法和层次分析法都是常用的决策评价方法,各自有其适用的场景和优劣之处。

数学建模的层次分析法

数学建模的层次分析法

1、层次分析法的基本概念
1、层次分析法的基本概念
层次分析法(Analytic Hierarchy Process,AHP)是一种广泛应用于数学 建模中的方法。它通过将复杂问题分解为多个层次,帮助我们更好地理解和解决 实际问题。层次分析法的基本原理是将一个复杂问题分解为多个相关因素,并根 据这些因素之间的相对重要性进行排序。
3、层次分析法的实际应用
(4)权重计算:通过计算判断矩阵的特征向量,得到每个因素的权重值。 (5)一致性检验:对判断矩阵进行一致性检验,以确保得到的权重值是合理的。
3、层次分析法的实际应用
(6)结果分析:根据权重值的大小,对每个因素进行分析,从而得到问题的解 决方案。层次分析法在多目标决策、资源分配、风险评估等领域有着广泛的应用。 例如,在多目标决策中,层次分析法可以帮助我们确定各目标的权重,从而得到 最优解。
三、大学生毕业设计质量评价的 数学模型建立
三、大学生毕业设计质量评价的数学模型建立
1、确定评价指标:根据模糊层次分析法的原理,我们首先需要确定评价指标 体系。选取与毕业设计质量相关的指标,建立多级递阶结构,其中一级指标为选 题质量、设计过程、成果质量等,二级指标为选题难度、选题新颖性、设计规范 性等。
2、数学建模在各领域的应用
在科学研究领域,数学建模被广泛应用于物理学、化学、生物学等学科。例 如,牛顿第二定律、万有引力定律等都是通过数学建模得到的。在工程技术领域, 数学建模也发挥着重要的作用。例如,桥梁设计、建筑设计等领域都需要用到数 学建模来分析结构稳定性和安全性。此外,数学建模在金融、经济、社会等领域 也有着广泛的应用。
参考内容
一、引言
一、引言
随着高等教育的普及化,大学生毕业设计的质量评价已成为一个重要的研究 领域。毕业设计是大学生综合素质和教育水平的直接体现,因此,对其质量进行 科学、客观的评价至关重要。本次演示将介绍一种基于模糊层次分析法(Fuzzy Analytic Hierarchy Process,FAHP)的大学生毕业设计质量评价数学建模方 法,旨在为提高毕业设计质量和评价效率提供有效手段。
  1. 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. 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. 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)。
( l1 l 2 l 3 m1 m 2 m3 u1 u 2 u 3 , , ) 3 3 3
重复以上步骤,直到所有的比较变成一个模糊数。
以此模型为例来讲解:
例:假设在这个供应商选择的模型中(图左), 主要考虑四个因素:成本,质量,服务,企业质 量。三个 专家对他们的模糊评价矩阵如下(图右 )
0 a b c d u μA(u)
1
隶属函数是梯形表面的边界方程。 当b=c时,变为三角分布函数。 3.其他不再列出,后面重点介绍三角模糊函数
Contents
模糊数简介
FAHP的基本概念
三角模糊函数
FAHP的步骤 FAHP应用实例
三角模糊函数
荷兰学者F.J.M.Van Laarhoven和W.Pedrycz提出了用 三角Fuzzy数表示Fuzzy比较判断的方法。
C1与C2的三个比较模糊值,可以通过以下方式 整合为为一个模糊值:
( 1 / 3 1 / 3 1 / 2) / 3 0.3889 (1 / 2 1 / 2 1 / 1) / 3 0.6667 (1 / 1 1 / 1 1 / 1) / 3 1
C1比C2值为:(0.39,0.67,1.00)。 对其他比值可做相似的处理,得到模糊矩阵:
j 1 i 1 j 1
4
4
4
同理:可以计算出C2,C3,C4的初始权重如下 将模糊值变 0.331 , 0.670) D (0.169, 为一般的值 (0.1368, 0.2731 , 0.5314) D D (0.0658, 0.1062, 0.2041) Step2:去模糊化以及求出c1至C4的最终权重 Sup:“上确 模糊数的比较原则 界”,即最小 上界。 定义一:M1(l1,m1,u1)和M2(l2,m2,u2)是三角模
单的二值属于或不属于而是多大程度上属于; U上所有模糊子集的集合称为模糊幂集,记作F(U)
模糊数简介
例1:用A表示“高个子男生”的集,并认为身高1.80m以上的男
生必为高个,而身高1.6m以下的男生都不是高个。用x表示某男
生的身高,并给出μ的隶属函数如下
0, 2 x 1.60 2 , 0.2 u A ( x) 2 x 1.80 1 2 , 0.2 1, x 1.60 1.60 x 1.70 1.70 x 1.80 1.80 x
定义二:一个模糊数大于其他K个模糊数的可能 度,被定义为:
V(M M 1, M 2,……M k) min V (M M i), i 1, 2,…k
拿上个例子来说明:对 Dc1, Dc2, Dc3, Dc4 去模糊化:
V ( D c1 D c 2) (0.1690 0.5083) 0.8913, (0.2897 0.5083) (0.3310 0.1690) V ( D c1 D c 3) 1, V ( D c1 D c 4) 1, d (C1) min V ( D c1 D c 2, D c 3, D c 4) min(0.8913,1,1) 0.8913, d (C 2) min V ( D c 2 D c1, D c 3, D c 4) min(1,1,1) 1, d (C 3) min V ( D c 3 D c1, D c 2, D c 4) min(0.9583, 0.8622,1) 0.8622, d (C 4) min V ( D c 4 D c1, D c 2, D c 3) min(0.2247, 0.1349, 0.2872) 0.1349,
式中l≤m≤u,l和u表示M的下界和上界值。m为M的 隶属度为1的中值。 一般三角Fuzzy数M表示为 (l,m,u).
三角模糊函数
三角Fuzzy数的几何解释: μM(x) 三角Fuzzy数M表示为 (l,m,u) 1 其中x=m时,x完全属于M, l和u分别下界和上界。 l 0 在l,u以外的完全不属于模糊数M。
Step3:确定其他层次的各指标权重 利用相同的方法,得到下一层次的指标Ai权重wi。 则指标Ai的总权重:
TWi=wcm* wi
(m=1,2,3,4;i=1,2…12)
FAHP的基本概念
上面已经说过任意一个Fuzzy集,对应着一个隶属函数。 但怎样确定一个Fuzzy集的隶属函数是一个尚未得到解决 的问题。 通常模仿概率论中的分布函数作为隶属函数,叫做Fuzzy 分布函数:正态分布型;梯形分布;K次抛物线分布; Cauchy型分布;S型分布等等。这些函数论域为实数, 带有参数,值域为【0,1】. 几种常见隶属函数的简介: 1.正态分布型:其中a,б是参数,且
u A( x; a, ) e
( x 2)
2

2
2.梯形分布函数:其中a,b,c,d是参数,且 a<b<c<d
0 xa b a ( x ; a , b , c , d ) 1 uA d x d c 0 xa a xb bxd cxd d x

M N [ m n , m n L L R R ] M N [ m n , m n L L R R ] M N [ m n , m L L R nR ] M N [ m / n , m / n L L R R ]
Fuzzy Analytical Hierarchy Process
主讲:田静
Contents
模糊数简介
FAHP的基本概念
三角模糊函数
FAHP的步骤
FAHP应用实例
模糊数简介
论域 : 用U表示,它指将所讨论的对象限制在一定范围内,并称所 讨论的对象的全体成为论域。总假定它是非空的。
模糊集:
1, x A A ( x) 明确集合A:元素x不是属于A就是不属于A。 0, x A
c2 c3 c4
糊数。M1 ≥M2的可能度用三角模糊函数定义为
v( M 1
M M
2
) sup
x y
[min(u M 1( x), u M 2( y ))] m1 m 2 m1 m 2,u1 l 2 otherwise
v( M 1
1 l 2 u1 ) d 2 ( m1 u1) (m 2 l 2) 0
M9
M2,M4,M6,M8
非常重要
中间重要性
A比B非常重要
中间状态对应的标度值
三角模糊函数
另一种确定三角模糊数的方法:通过定义置信水 平 的区间,来表示三角模糊函数: M [a , c ] [(b a) a, (c b) c] [0,1] 正三角函数(数值为正数)的运算: mL , mR , nL , nR a R , [0,1] M [ mL , mR ], N [ nL , nR ]
m
u
x
例子:用(4,6)表示i方案比j方案明显重要这一Fuzzy判断(
注意:不是传统AHP中用5来表示)。当隶属度为1时, 这一判断标度为5;隶属度为x-4时,判断标度为 x(x∈[4,5]);隶属度为6-x时,标度为x(x∈[5,6]).
两个三角模糊数M1和M2的运算方法:
M 1 (l1, m1, u1); M 2 (l 2, m2, u 2) M 1 M 2 (l1 l 2, m1 m2, u1 u 2) M 1 M 2 (l1l 2.m1m2, u1u 2) 1 1 1 1 ( , , ) M u m l
模糊集合A:在论域U内,对,而非x ∈A或x不属于A。全体模糊集用F(U)
表示。
模糊数简介
隶属函数: 设论域U,如果存在 μA(x):U→[0,1] 则称μ A(x)为x ∈A 的 隶属度,从而一般称 μA(x)为A的隶属函数
论域U中元素x与A的关系由隶属度μA(x) 给出,不是简
二、计算各个指标的综合权重
Step1:第K层元素i的综合模糊值 D ik (初始 权重)。 n n n k k k 计算方式如下: Di a ij ( a ij ), i 1, 2,..., n
j 1 i 1 j 1
拿FCM1举例:c1的初始权重计算如下。
a
i 1 j 1
将以上权重值标准化,得到各指标的最终权重:
(wc1, wc 2, wc3, wc 4) (0.3086,0.3462,0.2985,0.0467)
注:将(a,b,c ,d)标准化是指将其化为
( a b c d , , , ) abcd abcd abcd abcd
4
4
ij
(1,1,1) (0.39, 0.67,1.00) …+(1,1,1) =(14.428,20.139,27.611)
a
j 1
4
ij
(1,1,1) (0.39, 0.67,1.00) (2.33,3.33, 4.33)
(4.17,5.83, 7.33)
D
c1
a ij a ij (0.1509, 0.2897, 0.5083)
取x分别等于1.65m,1.70m,1.75m,则uA(x)分别等于0.125, 0.50, 0.875,即身高1.65m,1.70m,1.75m的男生,分别以0.125,
0.50, 0.875的程度属于高个子男生。A是“高个子男生”对应的
模糊集(Fuzzy集)。
Contents
模糊数简介
FAHP的基本概念
三角模糊函数
分别取三角模糊数M1-M9为 1 到 9 ,他们 被用来改进传统AHP的9刻度指标法,把人类判 断的模糊性考虑在内。 M1-M9 三角模糊函数的成员函数:
相关文档
最新文档