当前位置: 首页 > news >正文

数学建模——模糊综合评价

1.概念

1.1模糊数学

模糊数学(Fuzzy Mathematics) 是由美国控制论专家 扎德(L. A. Zadeh) 于1965年提出的一套处理 模糊性(不精确性) 的数学理论。它扩展了传统集合论(经典集合)的“非此即彼”的二值逻辑,允许元素以 隶属度(Membership Degree) 的形式部分属于某个集合,从而更贴近人类思维和现实世界的复杂性。 

很多概念在生活中并不是确定的,比如身高的高还是低,成绩好还是坏,这就是模糊性概念

经典集合模糊集合
特点

非此即彼

可以亦此亦彼
举例

比如成绩及格线是60,那么分数比60低就是不及格,

不存在一个分数即及格又不及格

隶属函数:\mu _{A}:X\rightarrow \left [ 0,1 \right ]

确定X上的一个模糊集合A,\mu _{A}叫做A的隶属函数

\mu _{A}\left ( x \right )叫做x对模糊集A的隶属度

记作A=\left \{ \left ( x,\mu _{A}\left ( x \right ) \right ) |x\in X \right \}

其中隶属度0.5最具有模糊性,隶属度就是元素属于某个模糊集合的程度

隶属函数不唯一

模糊集合表示方式

表示法
zadeh记号法A = \sum_{i=1}^{n} \frac{\mu_A(x_{i})}{x_{i}},A= \int _{x\in X}\frac{\mu _{A}\left ( x \right )}{x}注:积分/求和符号仅为记号,无实际运算意义。
序偶表示法A = \left \{ \left ( x_{1},\mu _{A}\left (x_{1} \right ) \right ),\left ( x_{2},\mu _{A}\left (x_{2} \right ) \right ),...,\left ( x_{n},\mu _{A}\left (x_{n} \right ) \right ) \right \}
向量表示法A=\left ( \mu _{A}\left (x_{1} \right ),\mu _{A}\left (x_{2} \right ),...,\mu _{A}\left (x_{n} \right )\right )

模糊集合分类

偏小型比如年轻就是偏小型,岁数越小隶属度越大
中间型比如中年就是中间型,岁数在中间某个范围内隶属度越大
偏大型比如年老就是偏大型,岁数越大隶属度越大

隶属函数的确定方法

模糊统计法发问卷,找多个人对同一个模糊概念描述,用隶属频率定义隶属度,符合实际但耗时
借助客观尺度用已有的指标作为元素的隶属度
指派法直接根据分类指派一个隶属函数,主观但是常用(矩阵,梯形,k次抛物线,Γ型,正态型,柯西型等)

看起来比较复杂,但是说白了就是计算一个隶属度,用原始值套隶属函数

1.2评价问题概述

在模糊综合评价中有三个集合

  • 因素集 U={u1​,u2​,...,un​}

  • 评价集 V={v1​,v2​,...,vn​}

  • 权重集 A={a1​,a2​,...,an}

就是要把论域中的对象对应评语集合里面的一条评语

就是算隶属度,看评价中谁的隶属度最高,最高的就是这个因素的评语

1.3*一级模糊综合评价模型

 1.构建因素集与评语集

  • 因素集(U):包含所有评价指标,例如( U = {u_1, u_2, \dots, u_n} )。如学生的各科成绩
  • 评语集(V):定义评价等级,例如( V = {v_1, v_2, \dots, v_m} ),如 {优, 良, 中, 差}。

2.确定权重向量


权重向量( A = (a_1, a_2, \dots, a_n) ) 反映各指标的相对重要性,需满足 ( \sum_{i=1}^n a_i = 1)。权重可通过层次分析法(AHP)或熵权法确定。 

3.建立隶属度矩阵(模糊综合判断矩阵)


对每个指标( u_i ),通过专家打分或数据统计代公式得到其隶属于各评语的隶属度,形成矩阵( R )

 

其中( r_{ij} )表示指标 ( u_i )对评语( v_j )的隶属度,满足 ( \sum_{j=1}^m r_{ij} = 1 )

 

4.模糊合成运算


采用加权平均型算子(常用模型)计算综合评价结果 ( B ):
[ B = A \circ R = (b_1, b_2, \dots, b_m) ]
其中 ( b_j = \min\left(1, \sum_{i=1}^n a_i r_{ij}\right) )。(太复杂了一般就是矩阵乘法运算B = A \circ R =A\cdot R

 

5.结果分析


根据最大隶属度原则或加权平均法确定最终评价等级。例如,若( b_k = \max(b_1, b_2, \dots, b_m) ),则评价结果属于评语( v_k )

1.4多层次模糊综合评价模型

1.给出被评价对象集合

2.确定指标体系(因素集合),如果因素过多往往按照某些属性分成s个子集,每个子集都有一定的元素(指标),且满足条件

每个子集元素个数等于总的元素个数
子集元素取并集应该是所有元素
子集没有重叠

3.确定评语集合

4.算评价矩阵

5.对于每一个Ui分别作出综合决策,在这个小范围内做模糊合成运算,得到一级评价向量

6.再将Ui看成一个元素再分配权重做模糊合成运算,得到二级评价向量,以此类推

http://www.lryc.cn/news/601623.html

相关文章:

  • 2-4、Dify案例实践—基于工作流构建商城用户评价智能分析系统
  • 算法竞赛阶段二-数据结构(37)数据结构循环链表模拟实现
  • print(“\033[31m红\033[32m绿\033[34m蓝\033[0m默认色“)
  • 零基础学习性能测试第五章:JVM性能分析与调优-JVM运行时内存区域介绍
  • Maven之多模块项目管理
  • C语言——关于指针(逐渐清晰版)
  • 嵌入式——单片机的独立按键
  • 数据结构基础内容(第七篇:堆、哈夫曼树)
  • 电子电气架构 --- 软件bug的管理模式
  • 「iOS」————MRC
  • Flink2.0学习笔记:Stream API 常用转换算子
  • 第十八章:AI的“通感”:揭秘图、文、音的共同语言——CLIP模型
  • 常见认证机制详解
  • Unity FXAA
  • 设计模式(六)创建型:单例模式详解
  • 五、搭建springCloudAlibaba2021.1版本分布式微服务-gateway网关
  • 新手开发 App,容易陷入哪些误区?
  • c++加载qml文件
  • 【学习笔记】DexMimicGen:通过模仿学习实现双臂灵巧操作的自动化数据生成
  • 小白成长之路-Ansible自动化(一)
  • 小白投资理财 - 从换手率和成交量分析股票趋势
  • 【机器学习深度学习】NLP评价指标 BLEU 和 ROUGE
  • 扩展组件(uni-ui)之uni-group
  • Dify 本地化部署深度解析与实战指南
  • C语言自定义数据类型详解(四)——联合体
  • Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现PCB上二维码检测识别(C#代码UI界面版)
  • 2.安装CUDA详细步骤(含安装截图)
  • JavaEE--3.多线程
  • [N1盒子] 斐讯盒子N1 T1通用刷机包(可救砖)
  • [硬件电路-96]:什么是闭环反馈?什么是闭环正反馈控制?什么是闭环负反馈控制?