学习成果---AHP+模糊综合评价法

数学建模菜鸟,又不对的地方还望指正,如果看着不舒服可以私信我,这边有原文档。

2AHP+模糊综合评价

2.1学习原因

由于在数学建模2015年B题在解决第一题,对互联网打车对供给困难的影响时,利用了模糊综合评价的方法,从而引发小组展开对其的学习。

内容介绍:

2.2模糊综合评价简介

       模糊综合评价是一种综合评价的方法,是我目前所接触到的使用数学方法对一个给定问题的评价方法,该评价方法杜绝了原始的非“黑”即“白”的评价方式,模糊评价方法着重研究“认知不确定”一类的问题,其研究对象具有“内涵明确,外延不明确”的特点。我们知道,一个事物往往需要用多个指标刻画其本质与特征,并且人们对一个事物的评价又往往不是简单的好与不好,而是采用模糊语言分为不同程度的评语。由于评价等级之间的关系是模糊的,没有绝对明确的界限,因此具有模糊性。显而易见,对于这类模糊评价问题,利用经典的评价方法存在着不合理性。

       换种人能听懂的话说就是,我想买个自行车,这个自行车在评价是有很多指标如:重量、刚性、刹车、舒适度、变速手感、车架几何……并且在这些指标里面并不是说就存在完美的车将这些特点都包揽,如:破风车架有良好的破风效果但是对于爬坡车架比重量较大,碟刹的刹车剪切力是车架左侧,U型刹的刹车剪切力在车架中管处其车架刚性会弱一点,刚性弱会影响摇车手感……那么为了更好的挑选出适合自己的自行车,我们就可以通过模糊综合评价的方法,最终挑选出在合理预算中适合自己的那台车。

2.2具体流程


流程图

2.3具体的实现方法

2.3.1模糊综合评价流程展开

       这个流程还是相对来说比较简单的,我们现分析所要评价的问题对应的评价方面,还是从我想买辆自行车开始,则对应一个因素集U = {重量,刚性,刹车,舒适度,车架几何}。

       之后进行判定标准集假设我们选择五个级别V = {好,较好,一般,较差,差}。

       下面是确定权重值,这个光靠心里的想法是不能确定的,我们要使用“层次分析法”确定权重值这个权重值是对应评价标准展开的。假设得出一个权重集A = {0.25,0.21,0.30,0.12,0.12}

       之后我们根据数据类型得到一个评价集R。

       这里要单独说明一下R的特点


       在这个矩阵中i对应的是第i个元素,j对应的是第j个评价等级,rij表示的就是第i个因素对应对第j个评价等级的隶属度。

R中的元素每一行都满足下列等式:


       最后一步是得出B(模糊评价结论集),求解B一般使用下列公式:

       B中的元素就表示的是对于每一评价等级的隶属度。

       我们一般认定最终评价级别X满足一下公式:


       或者利用就取平均值的方法在[0,1]区间中确定一个得分,根据区间等分原理确定最终结论,我觉得这个主要针对的是较为平均的一个问题,对于特点较为突出得问题评价时,得分强度会减弱,我觉最后处理数据的时候在经过这个方法处理后,是不合理的。

       上述是关于基本流程的一细化,但对于R向量和A向量的求法将在下一节分析。

2.3.2层次分析法(AHP)在模糊综合评价确定权重值的方法

       层次分析法产生的原因,就是为解决权重值而存在的,本节主要是对A向量和R向量的求法进行一个解释。

2.3.2.1层次分析法(AHP)简介

       层次分析法就是一个将问题看成不同的层次,一般分为3层:目标层、准则层、决策层。

       目标层:主要是我们的核心目标

       准则层:是对由决策层特点产生的一层,这一层的准则包含决策层目标的多个特点,并且是由对目标层决策时,而产生的决策因素,它在模糊综合评价模型指的是各个评价标准。

       决策层:是最后的执行方案,这些方案在准则层方面,各有各的特点。

按照层次分析法的原理,其实在层次分解的时候,我们完全不需要三个层次,因为我们的问题只有两层次,即目标层和准则层,我们不需要对问题做出决策,只需要得出该准则在整个问题中的权重即可,然后再进行后续的模糊综合评价方法。

2.3.2.2利用模型解释层次分析法原理

问题:有一个目标:我想买辆自行车,影响我买车的因素有:重量,刚性,刹车,舒适度,车架几何,我想知道这些自行车评价标准在我心目中的权重,但是我没办法完全以同一个标准得出权重。我需要借助层次分析的方法得出一个统一的标准。

层次分析图如下:

在确定影响购买自行车这个目标的因素中所占决策的比重时,我主要遇到的问题就是,我很难给这些比重打分,说这个因素在我心里占多大的分量,或者给出一个排序,但是如果说是两个因素在进行比较时,这就对我简单的多。

我们设准则层的元素为一个矩阵准则:


然后,将其中的元素进行两两比较,设Cij表示的时第i个元素与第j个元素的比较,在比较时我们使用下列数字的比较方法:


那么一致矩阵的最大特点是什么呢?

一致矩阵最大的特点就是每一项都满足这个,aij=ai/aj。

利用上述特点我们可以的得到一个这样的判定方法:n阶正互反矩阵A为一致矩阵当且仅当其最大特征根λmax= n,且当正 互反矩阵 A非一致时,必有λmax> n。

但是很多情况下,λmax >n,那么这里我们刻画了一个一致性的强度。如果满足这个一致性强度检验,我们也认为时满足一致性的。(方法下节介绍)

通过一致性检验后,我们求出一致矩阵的最大特征值λmax所对应的特征向量


这个就是权重,即为综合评价理论中的A。

2.3.2.3一致性检验(比较复杂)

       (λmax– n)越大,则非一致性就越强,我们为了检验一致性,特设立了3个参数CI、RI、CR。下面是三个计算步骤:

(1)计算CI


       (2)计算RI(可以算,也可以直接查表比较简单)


       (3)求解CR


       我们认为一般CR<0.10时,是符合一致性是可以接受的,否则应当对判断矩阵即C5x5作适当修正。

2.4总结

       这个方法主要就是一个是流程要掌握,一个就是算法的适用条件,以评价好坏为主。具体对于Cnxn中的大小确定,我们还是需要依靠一些资料。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,530评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 86,403评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,120评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,770评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,758评论 5 367
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,649评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,021评论 3 398
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,675评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,931评论 1 299
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,659评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,751评论 1 330
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,410评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,004评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,969评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,203评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,042评论 2 350
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,493评论 2 343

推荐阅读更多精彩内容