模糊综合评判的matlab实现.doc
《模糊综合评判的matlab实现.doc》由会员分享，可在线阅读，更多相关《模糊综合评判的matlab实现.doc（5页珍藏版）》请在冰豆网上搜索。
模糊综合评判matlab源程序
2009-04-2020:
35
1.原理
模糊综合评判方法即将评价目标看成是由多种因素组成的模糊集合（称为因素集u），再设定这些因素所能选取的评审等级，组成评语的模糊集合（称为评判集v），分别求出各单一因素对各个评审等级的归属程度（称为模糊矩阵），然后根据各个因素在评价目标中的权重分配，通过计算（称为模糊矩阵合成），求出评价的定量解值。
它是应用模糊变换原理和最大隶属度原则，对各因素作综合评价的。
其原理表示为：
B=E×R
式中E={e1,e2,...,ei,...,em},为模糊向量或称模糊变换器，是评价因素集X={x1,x2,,xi,,xm}的权重分配。
式中R为评价因素X={x1,x2,...,xi,...,xm}与评判集U={u1,u2,,ui,,un}构成的模糊关系矩阵。
|R1||r11r12...r1m|
R=|R2|=|r21r22...r2m|
|| | |
|Rn| |rn2 rn2...rnm|
其中n为评价集合的个数，m为评价因素（或评判指标）的个数。
2.程序算法
下面是采用环境中的常用的超标加权法计算权重，使用“线性降半阶”函数计算隶属度的matlab程序，供各位参考。
clear;clc;
a=[
48.3761111126.33277778819.1455556334.59333331032.364444262.37166672374.722222
15.846.430384615981.3157692756.1965385991.735384682.828461542535.692308
70.722529.8525895.5325294.58751059.1875462.95252724.5
];%a为评价集标准值
d=[
43.4928.05737.98391.121025.667.412134
2.611.82920.75636.411005.4574.092330
28.668.51774.99322.781013.9693.842001
3.011.95897.53614.44889.87123.272200
25.855.72759.59302.031001.9676.151972
21.951161.681003.731077.06110.13004
3.811.09820.51396.611004.7437.042019
5.212.92814.08419.81005.831.492018
4.412.8824.65449.06998.3638.282047
3.011.581220.54956.141244.753.913071
6.012.431791.612338.171278.0830.874362
1.22.671160.54821.291100.8285.412942
6.617.3865.57389.311065.2746.512244
9.823.771240.77939.711165.24177.193248
17.646.44884.2473.49930.29218.952417
26.657.9839.5474.71941.99184.182363
25.254.74808.33486.31881.01191.62217
25.456.93852.01478.37966.45182.542339
35.2718.48785.11331.32979.574.042245
2.812.311601.022533.55486.732.473801
4.214.861815.522584.68963.6104399
15.235.35813.85787.16688.79205.182093
67.0136.65864.23357.761035.8426.312609
84.6534.24892.72381.191060466.642731
15.4321.52898.6888.471061.46414.482483
115.827926.5350.931079.49544.383075
];%b为待判样品值
[m,n]=size（a）;
[x,y]=size（d）;
TheResultMoHu=[];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
fors=1:
x
forp=1:
n
b（p）=d（s,p）;
end
fori=1:
n%计算每一个列的平均值
ColAverage（i）=0;
forj=1:
m
ColAverage（i）=ColAverage（i）+a（j,i）;
end
ColAverage（i）=ColAverage（i）/m;
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
ETotal=0;%超标加权法计算权重
forj=1:
n
ETotal=ETotal+（b（j）/ColAverage（j））;
end
fori=1:
n
EResult（i）=（b（i）/ColAverage（i））/ETotal;%EResult为计算结果
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%使用隶属函数，做预处理对每一列进行排序
SortedMatrix=a;
forj=1:
n
fori=1:
m
fork=i:
m
ifSortedMatrix（i,j）>SortedMatrix（k,j）
tmp=SortedMatrix（i,j）;
SortedMatrix（i,j）=SortedMatrix（k,j）;
SortedMatrix（k,j）=tmp;
end
end
end
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%计算单因素隶属度
c=SortedMatrix;
forj=1:
n
fori=1:
m
fork=1:
m
ifa（i,j）==c（k,j）
ifk==1
ifb（j） LSDResult（j,i）=1;
end
ifb（j）>=c（k,j）&b（j） LSDResult（j,i）=（（c（k+1,j）-b（j））/（c（k+1,j）-c（k,j）））;
end
ifb（j）>=c（k+1,j）
LSDResult（j,i）=0;
end
end
ifk>1&k ifb（j） LSDResult（j,i）=0;
end
ifb（j）>=c（k-1,j）&b（j） LSDResult（j,i）=（（b（j）-c（k-1,j））/（c（k,j）-c（k-1,j）））;
end
ifb（j）>=c（k,j）&b（j） LSDResult（j,i）=（（c（k+1,j）-b（j））/（c（k+1,j）-c（k,j）））;
end
ifb（j）>=c（k+1,j）
LSDResult（j,i）=0;
end
end
ifk==m
ifb（j） LSDResult（j,i）=0;
end
ifb（j）>=c（k
升级会员 