模糊综合评价Word格式.docx
《模糊综合评价Word格式.docx》由会员分享,可在线阅读,更多相关《模糊综合评价Word格式.docx(13页珍藏版)》请在冰豆网上搜索。
该模型与模型I比较接近,但比模型I更精细些,不仅突出了主要因素,也兼顾了其他因素,比较适用于模型I失效,即不可区别而需要加细时的情形。
3〕模型——加权平均型
该模型依权重大小对所有因素均衡兼顾,比较适用于要求总和最大的情形。
4〕模型——取小上界和型
使用该模型时,需要注意的是:
各个不能取得偏大,否则可能出现均等于1的情形;
各个也不能取得太小,否则可能出现均等于各个之和的情形,这将使单因素评判的有关信息丧失。
5〕模型——均衡平均型
运算法则为,其中。
该模型适用于综合评判矩阵中的元素偏大或偏小时的情景。
2.2案例分析
例1考虑一个服装评判的问题,为此建立因素集,其中表示花色,表示式样,表示耐穿程度,表示价格。
建立评判集,其中表示很欢送,表示较欢送,表示不太欢送,表示不欢送。
进行单因素评判的结果如下:
,
设有两类顾客,他们根据自己的喜好对各因素所分配的权重分别为
试分析这两类顾客对此服装的喜好程度。
分析由单因素评判构造综合评判矩阵:
用模型计算综合评判为
根据最大隶属度原则知,第一类顾客对此服装不太欢送,第二类顾客对此服装则比较欢送。
程序源码:
functionExample1
A1=[0.10.20.30.4];
A2=[0.40.350.150.1];
R=[0.20.50.20.1;
0.70.20.10;
00.40.50.1;
0.20.30.50];
fuzzy_zhpj(1,A1,R)
fuzzy_zhpj(1,A2,R)
end
%%
function[B]=fuzzy_zhpj(model,A,R)%模糊综合评判
B=[];
[m,s1]=size(A);
[s2,n]=size(R);
if(s1~=s2)
disp('
A的列不等于R的行'
);
else
if(model==1)%主因素决定型
for(i=1:
m)
for(j=1:
n)
B(i,j)=0;
for(k=1:
s1)
x=0;
if(A(i,k)<
R(k,j))
x=A(i,k);
else
x=R(k,j);
end
if(B(i,j)<
x)
B(i,j)=x;
elseif(model==2)%主因素突出型
x=A(i,k)*R(k,j);
elseif(model==3)%加权平均型
B(i,j)=B(i,j)+A(i,k)*R(k,j);
elseif(model==4)%取小上界和型
x=min(A(i,k),R(k,j));
B(i,j)=B(i,j)+x;
B(i,j)=min(B(i,j),1);
elseif(model==5)%均衡平均型
C=[];
C=sum(R);
s2)
R(i,j)=R(i,j)/C(j);
模型赋值不当'
程序输出结果如下:
ans=
例2某校规定,在对一位教师的评价中,假设“好”与“较好”占50%以上,可晋升为教授。
教授分教学型教授和科研型教授,在评价指标上给出不同的权重,分别为,。
学科评议组由7人组成,对该教师的评价见表1,请判别该教师能否晋升,可晋升为哪一级教授。
表1对该教师的评价
好
较好
一般
较差
差
政治表现
4
2
1
教学水平
6
科研能力
5
外语水平
分析将评议组7人对每一项的投票按百分比转化为成隶属度得综合评判矩阵:
按模型针对俩个权重分别计算得
由于要计算百分比,需要将上述评判结果进一步归一化为如下:
显然,对第一类权重“好”与“较好”占50%以上,故该教师可晋升为教学型教授,程序与例1相同。
输入及结果:
%输入评价指标权重矩阵和综合评判矩阵
A1=[0.20.50.10.2];
A2=[0.20.10.50.2];
R=[0.570.290.1400;
0.860.14000;
000.710.140.14
0.290.290.140.140.14];
例3某产粮区进行耕作制度改革,制定了甲、已、丙三个方案见表2,以表3作为评价指标,5个因素权重定为,请确定应该选择哪一个方案。
表2三个方案
方案
亩产量〔kg/亩〕
产品质量
亩用工量
亩纯收入/元
生态影响
甲
3
55
72
乙
529
38
105
丙
412
32
85
表35个评价标准
分数
亩产量
产品质量
亩纯收入
550~600
<
20
>
130
500~550
20~30
110~130
450~500
30~40
90~110
400~450
40~50
70~90
350~400
50~60
50~70
350
60
50
分析根据评价标准建立各指标的隶属函数如下。
亩产量的隶属函数:
产品质量的隶属函数:
亩用工量的隶属函数:
亩纯收入的隶属函数:
对生态影响的隶属函数:
将表2三个方案中数据带入相应隶属函数算出隶属度,从而得到综合评判距阵:
根据所给权重按加权平均型计算得
根据最大隶属度原则,0.662最大,所对应的是乙方案,故应选择乙方案。
程序同例1.
输入及结果:
%输入评价指标权重矩阵和综合评判距阵
A=[0.20.10.150.30.25];
R=[0.970.7160.248;
0.60.81;
0.1250.550.7;
0.2750.68750.4375;
0.20.60.8];
fuzzy_zhpj(3,A,R)%调用综合评判函数
程序运行结果如下:
例4表4是大气污染物评价标准。
今测得某日某地以上污染物日均浓度为〔〕,各污染物权重为〔〕,试判别其污染等级。
表4大气污染物评价标准单位
污染物
Ⅰ级
Ⅱ级
Ⅲ级
Ⅳ级
分析由于大气中各污染物含量均是越少大气质量越高,可构造各污染物含量对四个等级的隶属函数如下:
对Ⅰ级的隶属函数:
对Ⅱ级的隶属函数:
对Ⅲ级的隶属函数:
对Ⅳ级的隶属函数:
其中表示6种污染物,如表示第二种污染物的含量对Ⅳ级的隶属度,而依次表示评价标准中各污染物含量。
对污染物,其含量,计算其对各等级的隶属度如下:
因,故
因,故,因,故。
同理可计算其他污染物含量对各等级的隶属度,从而得综合评判距阵:
结合权重,选择加权平均型进行计算得,根据最大隶属度原则,0.478最大,故当日大气质量为Ⅱ级。
程序同例1
输入及其结果:
A=[0.10.20.30.30.050.05];
R=[0.80.200;
0.560.4400;
00.60.40;
00.50.50;
0.70.300;
0.50.500];
fuzzy_zhpj(3,A,R)
程序运行结果如下:
0.25200.47800.27000
2.3方法评论
模糊综合评价经常用来处理一类选择和排序问题。
应用的关键在于模糊综合评价矩阵的建立,它是由单因素评判向量所构成的,简单的情形可按类似于百分比的方式得到,稍复杂一点的情形需要构造隶属函数来进行转化,此时,要注意评判指标的属性,合理选择隶属函数。
进行综合评判时,要根据问题的实际情况,选择恰当的模型来进行计算。
另外,关于权重,前面的例题都是直接给出的,而实际当中是不会有的。
当然,评判者可以自行设定,但假设能用到一些数学方法,如层次分析法,将定性和定量相结合,则会显得更加具有说服力。