模糊综合评判matlab源程序

模糊综合评判matlab源程序

2009-02-09 10:16

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={e

1,e

2

,... ,e

i

,...,e

m

},为模糊向量或称模糊变换器，是评价因素集

X={ x

1,x

2

, ,x

i

, ,x

m

}的权重分配。

式中R为评价因素X={ x

1,x

2

, ...,x

i

, ...,x

m

}与评判集U={ u

1

,u

2

, ,u

i

, ,u

n

}

构成的模糊关系矩阵。

|R1| |r11 r12 ... r1m|

R=|R2|= |r21 r22 ... 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=[

48.37611111 26.33277778 819.1455556 334.5933333 1032.364444 262.3716667 2374.722222

15.84 6.430384615 981.3157692 756.1965385 991.7353846 82.82846154 2535.692308

70.7225 29.8525 895.5325 294.5875 1059.1875 462.9525 2724.5

]; %a为评价集标准值

d=[

43.49 28.05 737.98 391.12 1025.66 7.41 2134

2.61 1.82 920.75 636.41 1005.45 74.09 2330

28.66 8.51 774.99 322.78 1013.96 93.84 2001

3.01 1.95 897.53 61

4.44 889.87 123.27 2200

25.85 5.72 759.59 302.03 1001.96 76.15 1972

2 1.95 1161.68 1003.7

3 1077.06 110.1 3004

3.81 1.09 820.51 396.61 100

4.74 37.04 2019

5.21 2.92 814.08 419.8 1005.8 31.49 2018

4.41 2.8 824.65 449.06 998.36 38.28 2047

3.01 1.58 1220.54 956.14 124

4.75 3.91 3071

6.01 2.43 1791.61 2338.17 1278.08 30.87 4362

1.2

2.67 1160.54 821.29 1100.82 85.41 2942

6.61

7.3 865.57 389.31 1065.27 46.51 2244

9.82 3.77 1240.77 939.71 1165.24 177.19 3248

17.64 6.44 884.2 473.49 930.29 218.95 2417

26.65 7.9 839.5 474.71 941.99 184.18 2363

25.25 4.74 808.33 486.31 881.01 191.6 2217

25.45 6.93 852.01 478.37 966.45 182.54 2339

35.27 18.48 785.11 331.32 979.57 4.04 2245

2.81 2.31 1601.02 253

3.55 486.73 2.47 3801

4.21 4.86 181

5.52 2584.68 963.61 0 4399

15.23 5.35 813.85 787.16 688.79 205.18 2093

67.01 36.65 864.23 357.76 1035.8 426.31 2609

84.65 34.24 892.72 381.19 1060 466.64 2731

15.43 21.52 898.68 88.47 1061.46 414.48 2483

115.8 27 926.5 350.93 1079.49 544.38 3075

]; %b为待判样品值

[m,n]=size(a);

[x,y]=size(d);

TheResultMoHu=[]; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %

for s=1:x

for p=1:n

b(p)=d(s,p);

end

for i=1:n %计算每一个列的平均值

ColAverage(i)=0;

for j=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

for j = 1: n

ETotal = ETotal + (b(j) / ColAverage(j));

end

for i = 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;

for j=1:n

for i=1:m

for k=i:m

if SortedMatrix(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;

for j = 1 : n

for i = 1 : m

for k = 1 : m

if a(i, j) == c(k, j)

if k == 1

if

b(j) < c(k, j)

LSDResult(j, i) = 1;

end

if

b(j) >= c(k, j) & b(j) < c(k + 1, j)

LSDResult(j, i) = ((c(k + 1, j) - b(j)) / (c(k + 1, j) - c(k, j)));

end

if

b(j) >= c(k + 1, j)

LSDResult(j, i) = 0;

end

end

if k > 1 & k < m

if b(j) < c(k - 1, j)

LSDResult(j, i) = 0;

end

if

b(j) >= c(k - 1, j) & b(j) < c(k, j)

LSDResult(j, i) = ((b(j) - c(k - 1, j)) / (c(k, j) - c(k - 1, j)));

end

if

b(j) >= c(k, j) & b(j) < c(k + 1, j)

LSDResult(j, i) = ((c(k + 1, j) - b(j)) / (c(k + 1, j) - c(k, j)));

end

if

b(j) >= c(k + 1, j)

LSDResult(j, i) = 0;

end

end

if k == m

if b(j) < c(k - 1, j)

LSDResult(j, i) = 0;

end

if

b(j) >= c(k - 1, j) & b(j) < c(k, j)

LSDResult(j, i) = ((b(j) - c(k - 1, j)) / (c(k, j) - c(k - 1, j)));

end

if

b(j) >= c(k, j)

LSDResult(j, i) = 1;

end

end

end

end

end

end

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%

%权重乘以单因素隶属度得到最终结果

R=LSDResult;

E=EResult;

FuzzyEvalution=E*R;

TheResultMoHu=[TheResultMoHu;FuzzyEvalution];

end

TheResultMoHu

模糊综合评判法的应用案例

第三节 模糊综合评判法的应用案例 二、在物流中心选址中的应用 物流中心作为商品周转、分拣、保管、在库管理和流通加工的据点，其促进商品能够按照顾客的要求完成附加价值，克服在其运动过程中所发生的时间和空间障碍。在物流系统中，物流中心的选址是物流系统优化中一个具有战略意义的问题，非常重要。 基于物流中心位置的重要作用，目前已建立了一系列选址模型与算法。这些模型及算法相当复杂。其主要困难在于： （1） 即使简单的问题也需要大量的约束条件和变量。 （2） 约束条件和变量多使问题的难度呈指数增长。 模糊综合评价方法是一种适合于物流中心选址的建模方法。它是一种定性与定量相结合的方法，有良好的理论基础。特别是多层次模糊综合评判方法，其通过研究各因素之间的关系，可以得到合理的物流中心位置。 1．模型 ⑴ 单级评判模型 ① 将因素集U 按属性的类型划分为k 个子集，或者说影响U 的k 个指标，记为 12(,,,)k U U U U = 且应满足： 1 , k i i j i U U U U φ=== ② 权重A 的确定方法很多，在实际运用中常用的方法有：Delphi 法、专家调查法和层次分析法。 ③ 通过专家打分或实测数据，对数据进行适当的处理，求得归一化指标关于等级的隶属度，从而得到单因素评判矩阵。 ④ 单级综合评判B A R =

⑵多层次综合评判模型 一般来说，在考虑的因素较多时会带来两个问题：一方面，权重分配很难确定；另一方面，即使确定了权重分配，由于要满足归一性，每一因素分得的权重必然很小。无论采用哪种算子，经过模糊运算后都会“淹没”许多信息，有时甚至得不出任何结果。所以，需采用分层的办法来解决问题。 2．应用 运用现代物流学原理，在物流规划过程中，物流中心选址要考虑许多因素。根据因素特点划分层次模块，各因素又可由下一级因素构成，因素集分为三级，三级模糊评判的数学模型见表3-7. 表3-7 物流中心选址的三级模型

matlab、lingo程序代码14-模糊聚类(聚类分析)

模糊聚类 function c=fuz_hc(a,b) %模糊矩阵的合成运算程序 %输入模糊矩阵a,b，输出合成运算结果c m=size(a,1);n=size(b,2);p=size(a,2); %错误排除 if size(a,2)~=size(b,1) disp('输入数据错误！');return; end %合成运算 for i=1:m for j=1:n for k=1:p temp(k)=min(a(i,k),b(k,j)); end c(i,j)=max(temp); end end disp('模糊矩阵a与b作合成运算后结果矩阵c为：'); c % 求模糊等价矩阵 function r_d=mhdj(r) [m,n]=size(r); for i=1:n for j=1:n for k=1:n r1(i,j,k)=min(r(i,k),r(k,j)); end r1max(i,j)=r1(i,j,1); end end for i=1:n for j=1:n for k=1:n

if r1(i,j,k)>r1max(i,j) r1max(i,j)=r1(i,j,k); end end r_d(i,j)=r1max(i,j); end end %模糊聚类程序 function f=mujl(x,lamda) %输入原始数据以及lamda的值 if lamda>1 disp('error!') %错误处理 end [n,m]=size(x); y=pdist(x); disp('欧式距离矩阵：'); dist=squareform(y) %欧氏距离矩阵 dmax=dist(1,1); for i=1:n for j=1:n if dist(i,j)>dmax dmax=dist(i,j); end end end disp('处理后的欧氏距离矩阵，其特点为每项元素均不超过1：'); sdist=dist/dmax %使距离值不超过1 disp('模糊关系矩阵：'); r=ones(n,n)-sdist %计算对应的模糊关系矩阵 t=mhdj(r); le=t-r; while all(all(le==0)==0)==1 %如果t与r相等，则继续求r乘以r r=t; t=mhdj(r); le=t-r;

模糊综合评价

模糊综合评价 摘要 首先确定被评价对象的因素（指标）集和评语（等级）集；再分别确定各个因素的权重及它们的隶属度向量，获得模糊评判矩阵；最后把模糊评判矩阵与因素的权向量进行模糊运算并进行归一化，得到模糊综合评价结果。 关键词：模糊综合评价 隶属度 模糊评判矩阵 1 问题重述 请为投资专家设计一个数学模型，以确定新加坡的投资环境的等级。 某露天煤矿有五个边坡设计方案，其各项参数根据分析计算结果得到边坡设计方 据勘探该矿探明储量 8800 吨，开采总投资不超过8000 万元，。 根据专家意见，采矿成本 a 1≤ 5.5元/吨为低成本， a 2 = 8.0元/吨为高成本. 根据专家评价，诸项目在决策中占的权重为 : A = (0.25, 0.20, 0.20, 0.10, 0.25) 试作出各方案的优劣排序，选出最佳方案. 2.模糊综合评价法的模型和步骤 2.1 确定评价对象的因素论域 {}54 321, ,,u u u u u U = ={可采矿量，基建投资，采矿成本，不稳定费用，净现值}； 也就是说有m 个评价指标，表明我们对被评价对象从哪些方面来进行评判描述。 2.2 确定评语等级论域 {}54 321, ,,v v v v v V = ={好、较好、一般、较差、差} 2.3、进行单因素评价，确定隶属度向量),,,(21im i i i r r r r =，建立隶属度矩阵R ?? ? ?? ?? ??=mn m m n n r r r r r r r r r 21 22221 112 11R

2.3.1 可采矿量的隶属函数 因为勘探的地质储量为 8800 吨，故可用资源的利用函数作为隶属函数 8800 )(x x A =μ 2.3.2 投资约束是8000 万元，所以18000)(+- =x x B μ 2.3.3 根据专家意见，采矿成本 1a ≤5.5 元/吨为低成本，2a = 8.0元/吨为高成本， 故??? ? ????????? ?<≤≤--≤≤=x a a x a a a x a a x x C 2211221,0,01)(，μ 2.3.4 净现值的隶属函数 取上限 15（百万元），下限0.5（百万元），采用线性隶属函数 )5.0(5.141 )(-=x x E μ 根据各隶属函数计算出 5 个方案所对应的不同隶属度)(x A μ ????????????????=0345.006552.004480.012.048.025.08636.008.075.085.04.0176.0115.03375.03125.03750.016705.07614.05341.0R 2.4 确定因素及权重向量，对评价集可数值化或归一化 2.5计算综合评价（综合隶属度）向量： 对于权重),,,(21n a a a A =，并计算B=A 。R 2.6 根据隶属度最大原则做出评判，或计算综合评判值 根据专家评价，诸项目在决策中占的权重为 A = (0.25, 0.20, 0.20, 0.10, 0.25)， 于是得诸方案的综合评价为 B = AR = (0.7435, 0.5919, 0.6789, 0.3600, 0.3905) 由此可知：方案 I 最佳，方案III 第二，方案II 第三，方案IV 第四，方案V

模糊聚类matlab程序

function julei(data) %%%%%%%%%%%%%%%模糊聚类%%%%%%%%%%%%%%%%%%%%%%% DATAFORCLUS=data; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%基于模糊等价关系的模糊 聚类%%%%%%%%%%%%%%%%%%%%%% %----------构造相似关系-----------% numrows=size(DATAFORCLUS,1); numcols=size(DATAFORCLUS,2); disp('请选择对象之间相似性统计量的方式: '); disp('<1-相关系数法|2-夹角余弦法>'); wayforr_ij=input('请输入: '); switch wayforr_ij case 1, %-----------------------------------相关系数法 for i=1:numrows, for j=1:numrows, meani=mean(DATAFORCLUS(i,:));meanj=mean(DATAFORCLUS(j,:)); simiR(i,j)=sum((DATAFORCLUS(i,:)-meani).*(DATAFORCLUS(j,:)-meanj))/... (sqrt(sum((DATAFORCLUS(i,:)-meani).^2))*sqrt(sum((DATAFORCLUS(j,:)-meanj).^2))); end end case 2, %-----------------------------------夹角余弦法 for i=1:numrows, for j=1:numrows, simiR(i,j)=sum(DATAFORCLUS(i,:).*DATAFORCLUS(j,:))/... (sqrt(sum(DATAFORCLUS(i,:).*DATAFORCLUS(i,:)))*sqrt(sum(DATAFORCLUS(j,: ).*DATAFORCLUS(j,:)))); end end end %-------改造成等价关系----------% sign=0; numselfmul=1; simiRk=eye(numrows); equi_tem=simiR; while sign==0, for i=1:numrows, for j=1:numrows, for c=1:numrows, rij_temp(c)=min([equi_tem(i,c) equi_tem(c,j)]); end

模糊聚类分析

目录 1引言: (3) 2 理论准备： (3) 2.1 模糊集合理论 (3) 2.2模糊C均值聚类(FCM) (4) 2.3 加权模糊C均值聚类(WFCM) (4) 3 聚类分析实例 (5) 3.1数据准备 (5) 3.1.1数据表示 (5) 3.1.2数据预处理 (5) 3.1.3 确定聚类个数 (6) 3.2 借助clementine软件进行K-means聚类 (7) 3.2.1 样本在各类中集中程度 (8) 3.2.2 原始数据的分类结果 (8) 3.2.3结果分析 (9) 3.3模糊C均值聚类 (10) 3.3.1 数据集的模糊C划分 (10) 3.3.2 模糊C均值聚类的目标函数求解方法 (10) 3.3.3 MATLAB软件辅助求解参数设置 (11) 3.3.4符号表示 (11)

3.3.5代码实现过程 (11) 3.3.6 FCM聚类分析 (11) 3．4 WFCM算法 (14) 3.4.1 WFCM聚类结果展示 (14) 3.4.2样本归类 (16) 3.4.3归类代码实现 (16) 4．结论 (17) 5 参考文献 (18) 6 附录 (18)

模糊聚类与非模糊聚类比较分析 摘要： 聚类分析是根据样本间的相似度实现对样本的划分，属于无监督分类。传统的聚类分析是研究“非此即彼”的分类问题，分类结果样本属于哪一类很明确，而很多实际的分类问题常伴有模糊性，即它不仅仅是属于一个特定的类，而是“既此又彼”。因此为了探究模糊聚类与非模糊聚类之间聚类结果的差别，本文首先采用系统聚类方法对上市公司132支股票数据进行聚类，确定比较合理的聚类数目为11类，然后分别采用K-means聚类与模糊聚类方法对股票数据进行聚类分析，最终得出模糊聚类在本案例中比K-means聚类更符合实际。 关键字：模糊集合，K-means聚类，FCM聚类，WFCM聚类 1引言: 聚类分析是多元统计分析的方法之一，属于无监督分类，是根据样本集的内在结构，按照样本之间相似度进行划分，使得同类样本之间相似性尽可能大，不同类样本之间差异性尽可能大。传统的聚类分析属于硬化分，研究对象的性质是非此即彼的，然而，现实生活中大多数事物具有亦此亦彼的性质。因此传统的聚类分析方法往往不能很好的解决具有模糊性的聚类问题。为此，模糊集合理论开始被应用到分类领域，并取得不错成果。 本文的研究目的是通过对比传统聚类和模糊聚类的聚类结果，找出二者之间的不同之处，并说明两种聚类分析方法在实例中应用的优缺点。 2理论准备： 2.1 模糊集合理论 模糊集合定义：设Ｕ为论域，则称由如下实值函数μA：Ｕ→ [ 0，1 ]，u →μ ( u )所确定的集合A 为Ｕ上的模糊集合，而称μA为模糊集合A 的隶A 属函数，μ A ( u)称为元素u 对于A 的隶属度。若μA(u) =１，则认为u完全属于A；若μA(u) =０，则认为u完全不属于A，模糊集合是经典集合的推广。

模糊综合评价模型及实例

模糊综合评价模型 模糊综合评价模型(Fuzzy Synthetic Evaluation Model) 目录 [隐藏] 1 什么是模糊综合评价模型？ 2 模糊评价的基本思想 3 模糊综合评价模型类别[1] o 3.1 模糊评价基本模型 o 3.2 置信度模糊评价模型 4 模糊综合评价模型的运用 5 模糊综合评价模型案例分析 o 5.1 案例一：模糊综合评价模型在企业跨国并购风险评价中的 应用[2] 6 参考文献 [编辑] 什么是模糊综合评价模型？ 模糊综合评价方法是模糊数学中应用的比较广泛的一种方法。在对某一事务进行评价时常会遇到这样一类问题，由于评价事务是由多方面的因素所决定的，因而要对每一因素进行评价；在每一因素作出一个单独评语的基础上，如何考虑所有因素而作出一个综合评语，这就是一个综合评价问题。 [编辑]

模糊评价的基本思想 许多事情的边界并不十分明显，评价时很难将其归于某个类别，于是我们先对单个因素进行评价，然后对所有因素进行综合模糊评价，防止遗漏任何统计信息和信息的中途损失，这有助于解决用“是”或“否”这样的确定性评价带来的对客观真实的偏离问题。 [编辑] 模糊综合评价模型类别[1] [编辑] 模糊评价基本模型 设评判对象为P: 其因素集 ,评判等级 集。对U中每一因素根据评判集中的等级指标进行模糊评判，得到评判矩阵： (1) 其中，r ij表示u i关于v j的隶属程度。(U,V,R) 则构成了一个模糊综合评判模型。确定 各因素重要性指标（也称权数）后，记为,满足，合成得 (2) 经归一化后，得 ,于是可确定对象P的评判等级。 [编辑] 置信度模糊评价模型 (1) 置信度的确定。 在(U,V,R)模型中，R中的元素r ij是由评判者“打分”确定的。例如 k 个评判者，要求每个评判者u j对照作一次判断，统计得分和归一化后产生

模糊聚类分析报告例子

1. 模糊聚类分析模型 环境区域的污染情况由污染物在4个要素中的含量超标程度来衡量。设这5个环境区域的污染数据为1x =(80, 10, 6, 2), 2x =(50, 1, 6, 4), 3x =(90, 6, 4, 6), 4x =(40, 5, 7, 3), 5x =(10, 1, 2, 4). 试用模糊传递闭包法对X 进行分类。 解 ： 由题设知特性指标矩阵为: * 80106250164906464057310124X ????????=???????? 数据规格化：最大规格化' ij ij j x x M = 其中： 12max(,,...,)j j j nj M x x x = 00.8910.860.330.560.1 0.860.671 0.60.5710.440.510.50.11 0.1 0.290.67X ????????=?? ?????? 构造模糊相似矩阵: 采用最大最小法来构造模糊相似矩阵55()ij R r ?=, 1 0.540.620.630.240.5410.550.700.530.62 0.5510.560.370.630.700.5610.380.240.530.370.381R ?? ??? ???=?? ?????? 利用平方自合成方法求传递闭包t (R ) 依次计算248,,R R R , 由于84R R =，所以4()t R R =

2 10.630.620.630.530.6310.560.700.530.62 0.5610.620.530.630.700.6210.530.530.530.530.531R ?? ??????=?? ??????， 4 10.630.620.630.530.6310.620.700.530.62 0.6210.620.530.630.700.6210.530.53 0.530.530.531R ????????=?? ?????? =8R 选取适当的置信水平值[0,1]λ∈, 按λ截矩阵进行动态聚类。把()t R 中的元素从大到小的顺序编排如下: 1>0.70>0.63>062>053. 依次取λ=1, 0.70, 0.63, 062, 053，得 11 000001000()0 010******* 0001t R ????? ? ??=?? ??????，此时X 被分为5类：{1x }，{2x }，{3x }，{4x }，{5x } 0.7 1000001010()001000101000001t R ?????? ??=?? ??????，此时X 被分为4类：{1x }，{2x ，4x }，{3x }，{5x } 0.63 1101011010()001001101000001t R ?????? ??=?? ??????，此时X 被分为3类：{1x ，2x ，4x }，{3x }，{5x } 0.62 1111011110()11110111100 0001t R ?????? ??=?? ?????? ，此时X 被分为2类：{1x ，2x ，4x ，3x }，{5x }

模糊综合评价案例计算分析

模糊综合评价方法 1、基本思想和原理 基本思想 在客观世界中，存在着大量的模糊概念和模糊现象。模糊数学就是试图用数学工具解决模糊事物方面的问题。 模糊综合评价是借助模糊数学的一些概念，对实际的综合评价问题提供一些评价的方法。具地说，模糊综合评价就是以模糊数学为基础，应用模糊关系合成的原理，将一些边界不清、不易定量的因素定量化，从多个因素对被评价事物隶属等级状况进行综合性评价的一种方法。 原理 首先确定被评价对象的因素（指标）集合评价（等级）集；再分别确定各个因素的权重及它们的隶属度向量，获得模糊评判矩阵；最后把模糊评判矩阵与因素的权向量进行模糊运算并进行归一化，得到模糊综合评价结果。 其特点在于评判逐对象进行，对被评价对象有唯一的评价值，不受被评价对象所处对象集合的影响。综合评价的目的是要从对象集中选出优胜对象，所以还需要将所有对象的综合评价结果进行排序。 2. 模糊综合评价法的模型和步骤 步骤 步骤1 确定评价对象的因素论域， 有m个评价指标，表明评价对象的各个因素。 步骤2 确定评语等级论域

评语集是对被评价对象的各个评价结果的集合，用V表示， 有n个评价结果，其中表示第j个评价结果。 步骤3 进行单因素评价，建立模糊矩阵R， 单独从一个因素出发进行评价，以确定评价对象对评价集合V的隶属程度，称为单因素模糊评价。 在构造了等级模糊子集后，对被评价对象的每个因素进行量化,即确定从单因素来看被评价对象对各等级模糊子集的隶属度，进而得到模糊关系矩阵， 其中，表示被评价对象从因素来说对等级模糊子集的隶属度。一个被评价对象在某个因素方面的表现是通过模糊向量来刻画的（在其他评价方法中多是由一个指标实际值来刻画，因此模糊评价需要更多的信息），称为单因素评价矩阵，可以看作是因素集U和评价集V之间的一种模糊关系，即影响因素和评价对象之间的“合理关系”。 在确定隶属关系时，通常是专家打分，然后统计结果，根据绝对值减数法求得，即， 其中，c可以适当选取，使得0≤≤1。 步骤4 确定评价因素的模糊权向量 因为各评级因素的重要程度不同，所以要对个因素分配一个相应的权数，(i=1，2，3…m)，≥0，。A即为权重集。

模糊综合评价法

作业 某市直属单位因工作需要，拟向社会公开招聘8 名公务员，具体的招聘办法和程序如下： （一）公开考试：凡是年龄不超过30 周岁，大学专科以上学历，身体健康者均可报名参加考试，考试科目有：综合基础知识、专业知识和“行政职业能力测验”三个部分，每科满分为100 分。根据考试总分的高低排序选出16 人选择进入第二阶段的面试考核。 （二）面试考核：面试考核主要考核应聘人员的知识面、对问题的理解能力、应变能力、表达能力等综合素质。按照一定的标准，面试专家组对每个应聘人员的各个方面都给出一个等级评分，从高到低分成A/B/C/D 四个等级，具体结果如表1所示。 现要求根据表1中的数据信息对16 名应聘人员作出综合评价，选出8 名作为录用的公务员。

折衷型模糊多属性决策方法 （1）折衷型模糊决策的基本原理 折衷型模糊决策的基本原理是：从原始的样本数据出发，先虚拟模糊正理想和模糊负理想，其中模糊正理想是由每一个指标中模糊指标值的极大值构成；模糊负理想是由每一个指标中模糊指标值的极小值构成。然后采用加权欧氏距离的测度工具来计算各备选对象与模糊正理想和模糊负理想之间的距离。在此基础上，再计算各备选对象属于模糊正理想的隶属度，其方案优选的原则是，隶属度越大，该方案越理想。 （2）折衷型模糊决策的基本步骤 Step1：指标数据的三角形模糊数表达 下面运用以上的定义将定性、定量指标以及权重数据统一量化为三角形模糊数. 1) 对于定性指标，可以将两极比例法改进为三角模糊数比例法。再利用三角模糊数比例法将定性指标转化为定量指标，其具体的转化形式见表2。 表2 定性指标向定量指标转化的三角模糊数比例法 2) 对于精确的定量指标值，也写成三角模糊数的形式。设a 是一个具体的精确数，由三角模糊数的定义，则a 表示成三角模糊数的形式为：

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：、2、、、、、、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。本模型基于某大学（科研与教学并重型高校）的13个学科在某一时期内的调查数据，包括各种建设成效数据和前期投入的数据。通过计算每一级、每一个评价因素所占的权重，确定某一学科在评价是各因素所占的比重，构建评价等级所对应的函数。通过数值分析得出学科的评价值。需要解决一下几个问题： 根据已给数据建立学科评价模型，要求必要的数据分析及建模过程。 模型分析，给出建立模型的适用性、合理性分析。 假设数据来自于某科研型祸教学型高校，请给出相应的学科评价模型。 二、符号说明与基本假设 符号说明 符号说明 S——评价数（评价所依据的最终数值） X——影响评价数值的一级因素所构成的矩阵 x——一级因素的平均值

matlab模糊聚类程序

3.数据标准化 （1） 数据矩阵 设论域12345678910,1112U={,,,,,,,,,,}x x x x x x x x x x x x 为被分类的对象，每个 对象又由指标123456789Y={,,,,,,,,}y y y y y y y y y 表示其性状即12345678910,1112x ={,,,,,,,,,,}i i i i i i i i i i i i i x x x x x x x x x x x x (i=1,2,…,12)于是得到原是数据矩阵 7 5 2 5 0 1 3 4 2 12 17 8 21 9 2 38 4 37 83 29 59 65 37 20 54 13 26 53 13 31 36 21 A= 23 12 18 14 178 69 112 78 104 36 94 31 47 23 25 36 11 12 11 24 6 16 101 32 53 52 86 52 41 38 94 28 6 7 8 8 2 0 3 29 169 51 58 72 49 30 48 37 146 327 91 126 92 89 69 79 29 49 93 27 54 64 24 17 23 11 49 18 7 9 5 1 2 18 3 8 ?? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??? （2） 数据标准化 将模糊矩阵的每一个数据压缩到[0,1]上，采用平移.极差变换进行数据标准化 1i n 1i n 1i n A(i,k)-{A(i,k)}B(i,k)={A(i,k)}-{A(i,k)} min max min ≤≤≤≤≤≤ (k=1,2,…,m) 运用matlab 编程由函数F_jisjbzh.m 【见附录3.4】的标准化矩阵是 附录3.4 function [X]=F_JISjBzh(cs,X) %模糊聚类分析数据标准化变换 %X 原始数据矩阵；cs=0，不变换；cs=1，标准差变换 %cs=2,极差变换 if(cs==0) return ;end [n,m]=size(X);% 获得矩阵的行列数 if(cs==1) % 平移极差变换 for(k=1:m) xk=0; for(i=1:n) xk=xk+X(i,k);end xk=xk/n;sk=0; for(i=1:n) sk=sk+(X(i,k)-xk)^2;end sk=sqrt(sk/n);

模糊综合评价模型及实例

模糊综合评价模型 [编辑] 什么是模糊综合评价模型？ 模糊综合评价方法是模糊数学中应用的比较广泛的一种方法。在对某一事务进行评价时常会遇到这样一类问题，由于评价事务是由多方面的因素所决定的，因而要对每一因素进行评价；在每一因素作出一个单独评语的基础上，如何考虑所有因素而作出一个综合评语，这就是一个综合评价问题。 [编辑] 模糊评价的基本思想 许多事情的边界并不十分明显，评价时很难将其归于某个类别，于是我们先对单个因素进行评价，然后对所有因素进行综合模糊评价，防止遗漏任何统计信息和信息的中途损失，这有助于解决用“是”或“否”这样的确定性评价带来的对客观真实的偏离问题。 [编辑] 模糊综合评价模型类别[1] [编辑] 模糊评价基本模型

设评判对象为P: 其因素集 ,评判等级 集。对U中每一因素根据评判集中的等级指标进行模糊评判，得到评判矩阵： (1) 其中，r ij表示 u i关于v j的隶属程度。(U,V,R)则构成了一个模糊综合评判模型。确定各 因素重要性指标（也称权数）后，记为,满足，合成得 (2) 经归一化后，得 ,于是可确定对象P的评判等级。 [编辑] 置信度模糊评价模型 (1) 置信度的确定。 在(U,V,R)模型中，R中的元素r ij是由评判者 “打分”确定的。例如k 个评判者，要求每 个评判者u j对照 作一次判断，统计得分和归一化后产生 , 且 , 组成R0。其中既 代表u j关于v j的“隶属程度”，也反映了评判u j为v j的集中程度。数值为1 ,说明u j为v j是可 信的，数值为零为忽略。因此，反映这种集中程度的量称为“置信度”。对于权系数的确定也存在一个信度问题。 在用层次分析法确定了各个专家对指标评估所得的权重后，作关于权系数的等级划分，由此决定其结果的信度。当取N个等级时，其量化后对应于[0，l]区间上N次平分。例如，N取5，则依次得到[0，0.2]，[0.2，0.4]，[0.2，0.6]，[0.6，0.8]，[0.8，l]。对某j个指标， 取遍k个专家对该指标评估所得的权重，得。作和式 (3) 其中d ij表示数组中 属于的个数，a0 = 0,b N = 1。

模糊数学在聚类分析中的作用(matlab代码)

function [M,N] = Example8_11 X=[1.8 2.1 3.2 2.2 2.5 2.8 1.9 2.0; 95 99 101 103 98 102 120 130; 0.15 0.21 0.18 0.17 0.16 0.20 0.09 0.11]; X=X' %X=[80 10 6 2;50 1 6 4;90 6 4 6;40 5 7 3;10 1 2 4] [M,N]=fuzzy_jlfx(4,5,X); end %% function [M,N]=fuzzy_jlfx(bzh,fa,X)%得到聚类结果 [X]=F_JlSjBzh(bzh,X);%数据标准化 [R]=F_JlR(fa,X);%建立相似矩阵 [A]=fuzzy_cdbb(R);%得到传递闭包矩阵 [Alamd]=fuzzy_lamdjjz(A);%得到lamdf截矩阵从而得到聚类结果[M,N]=F_JlDtjl(R);%动态聚类并画出聚类图 %% function [M,N]=F_JlDtjl(R) %clc; [A]=fuzzy_cdbb(R); U=unique(A); L=length(U); M=1:L; for i=L-1:-1:1 [m,n]=find(A==U(i)); N{i,1}=n; N{i,2}=m; A(m(1),:)=0; mm=unique(m); N{i,3}=mm; len=length(find(m==mm(1))); depth=length(find(m==mm(2))); index1=find(M==mm(1)); MM=[M(1:index1-1),M(index1+depth:L)]; % index2=find(MM==mm(2)); M=M(index1:index1+depth-1); M=[MM(1:index2-1),M,MM(index2:end)]; end M=[1:L;M;ones(1,L)]; h=(max(U)-min(U))/L; figure text(L,1,sprintf('%d',M(2,L))); text(L+1,1-h,sprintf('%d',L)); text(0,1,sprintf('%3.2f',1)); text(0,(1+min(U))/2,sprintf('%3.2f',(1+min(U))/2)); text(0,min(U),sprintf('%3.2f',min(U))); hold on for i=L-1:-1:1 m=N{i,2};

Matlab笔记-模糊聚类分析原理及实现

23. 模糊聚类分析原理及实现 聚类分析，就是用数学方法研究和处理所给定对象，按照事物间的相似性进行区分和分类的过程。 传统的聚类分析是一种硬划分，它把每个待识别的对象严格地划分到某个类中，具有非此即彼的性质，这种分类的类别界限是分明的。 随着模糊理论的建立，人们开始用模糊的方法来处理聚类问题，称为模糊聚类分析。由于模糊聚类得到了样本数与各个类别的不确定性程度，表达了样本类属的中介性，即建立起了样本对于类别的不确定性的描述，能更客观地反映现实世界。 本篇先介绍传统的两种（适合数据量较小情形，及理解模糊聚类原理）：基于择近原则、模糊等价关系的模糊聚类方法。 （一）预备知识 一、模糊等价矩阵 定义1设R=(r ij )n ×n 为模糊矩阵，I 为n 阶单位矩阵，若R 满足 i) 自反性：I ≤R （等价于r ii =1）； ii) 对称性：R T =R; 则称R 为模糊相似矩阵，若再满足 iii) 传递性：R 2 ≤R （等价于1 ()n ik kj ij k r r r =∨∧≤） 则称R 为模糊等价矩阵。

定理1设R 为n 阶模糊相似矩阵，则存在一个最小的自然数k （k

模糊综合评价方法案例

模糊综合评价方法在物流中心选址的应用 物流中心作为商品周转、分拣、保管、在库管理和流通加工的据点，其促进商品能够按照顾客的要求完成附加价值，克服在其运动过程中所发生的时间和空间障碍。在物流系统中，物流中心的选址是物流系统优化中一个具有战略意义的问题，非常重要。 基于物流中心位置的重要作用，目前已建立了一系列选址模型与算法。这些模型与算法相当复杂。其主要困难在于： （1）即使简单的问题也需要大量的约束条件和变量； （2）约束条件和变量多使问题的难度呈指数增长。 模糊综合评判方法是一种适合于物流中心选址的建模方法。它是一种定性与定量相结合的方法，有良好的理论基础。特别是多层次模糊综合评判方法，其通过研究各因素之间的关系，可以得到合理的物流中心位置。 1、模型 （1）单级评判模型 ①将因素集U 按属性的类型划分为k 个子集，或者说影响U 的k 个指标，记为 且应满足： 1 ,k i i j i U U U U ===?U I ② 权重A 的确定方法很多，在实际运用中常用的方法有：层次分析法、Delphi 法、专家调查法、加权平均法。 ③ 通过专家打分或实测数据，对数据进行适当的处理，求得归一化指标关于等级的隶属度，从而得到单因素评判矩阵。 ④ 单级综合评判B A R =o . （2）多层次综合评判模型 一般来说，在考虑的因素较多时会带来两个问题：一方面，权重分配很难确定；另一方面，即使确定了权重分配，由于要满足归一性，每一因素分得的权重必然很小。无论采用哪种算子，经过模糊运算后都会“淹没”许多信息，有时甚至得不出任何结果。所以，需采用分层的办法来解决问题。 2、应用 运用现代物流学原理，在物流规划过程中，物流中心选址要考虑许多因素。根据因素特点划分层次模块，各因素又可由下一级因素构成，因素集分为三级，三级模糊评判的数学模型见下表： 物流中心选址的三级模型

模糊综合评价方法的理论基础

AHP ――模糊综合评价方法的理论基础 1.层次分析法理论基础 1970-1980年期间，著名学者Saaty最先开创性地建立了层次分析法，英文缩写为AHP。该模型可以较好地处理复杂的决策问题，迅速受到学界的高度重视。后被广泛应用到经济计划和管理、教育与行为科学等领域。AHP建立层次 结构模型，充分分析少量的有用的信息，将一个具体的问题进行数理化分析，从而有利于求解现实社会中存在的许多难以解决的复杂问题。一些定性或定性与定 量相结合的决策分析特别适合使用AHP。被广泛应用到城市产业规划、企业管 理和企业信用评级等等方面，是一个有效的科学决策方法。 Diego Falsini、Federico Fondi 和 Massimiliano M. Schiraldi（ 2012）运用AHP 与DEA的结合研究了物流供应商的选择；Radivojevi?、Gordana和Gajovi?, Vladimir（2014）研究了供应链的风险因素分析；K.D. Maniya 和 M.G. Bhatt（2011） 研究了多属性的车辆自动引导机制；朱春生（2013）利用AHP分析了高校后勤 HR配置的风险管理；蔡文飞（2013）运用AHP分析了煤炭管理中的风险应急处理；徐广业（2011）研究了 AHP与DEA的交互式应用；林正奎（2012）研究了城市保险业的社会责任。 第一，递阶层次结构的建立 一般来说，可以将层次分为三种类型： （1）最高层（总目标层）：只包含一个元素，表示决策分析的总目标，因此也称为总目标层。 （2）中间层（准则层和子准则层）：包含若干层元素，表示实现总目标所涉及的各子目标，包含各种准则、约束、策略等，因此也称为目标层。 （3）最低层（方案层）：表示实现各决策目标的可行方案、措施等，也称为方案典型的递阶层次结构如下图1：

FCMClust(模糊c均值聚类算法MATLAB实现)

function [center, U, obj_fcn] = FCMClust(data, cluster_n, options) % FCMClust.m 采用模糊C均值对数据集data聚为cluster_n类 % 用法： % 1. [center,U,obj_fcn] = FCMClust(Data,N_cluster,options); % 2. [center,U,obj_fcn] = FCMClust(Data,N_cluster); % 输入： % data ---- nxm矩阵,表示n个样本,每个样本具有m的维特征值 % N_cluster ---- 标量,表示聚合中心数目,即类别数 % options ---- 4x1矩阵，其中 % options(1): 隶属度矩阵U的指数，>1 (缺省值: 2.0) % options(2): 最大迭代次数(缺省值: 100) % options(3): 隶属度最小变化量,迭代终止条件(缺省值: 1e-5) % options(4): 每次迭代是否输出信息标志(缺省值: 1) % 输出： % center ---- 聚类中心 % U ---- 隶属度矩阵 % obj_fcn ---- 目标函数值 % Example: % data = rand(100,2); % [center,U,obj_fcn] = FCMClust(data,2); % plot(data(:,1), data(:,2),'o'); % hold on; % maxU = max(U); % index1 = find(U(1,:) == maxU); % index2 = find(U(2,:) == maxU); % line(data(index1,1),data(index1,2),'marker','*','color','g'); % line(data(index2,1),data(index2,2),'marker','*','color','r'); % plot([center([1 2],1)],[center([1 2],2)],'*','color','k') % hold off; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%% if nargin ~= 2 & nargin ~= 3, %判断输入参数个数只能是2个或3个 error('Too many or too few input arguments!'); end data_n = size(data, 1); % 求出data的第一维(rows)数,即样本个数 in_n = size(data, 2); % 求出data的第二维(columns)数，即特征值长度 % 默认操作参数 default_options = [2; % 隶属度矩阵U的指数 100; % 最大迭代次数 1e-5; % 隶属度最小变化量,迭代终止条件

模糊综合评判matlab源程序

模糊综合评判matlab源程序 2009-02-09 10:16 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,... ,e i,...,e m},为模糊向量或称模糊变换器，是评价因素集 X={ x1,x2, ,x i, ,x m }的权重分配。 式中R为评价因素X={ x1,x2, ...,x i, ...,x m }与评判集U={ u1,u2, ,u i, ,u n }构成的模糊关系矩阵。 |R1| |r11 r12 ... r1m| R=|R2|= |r21 r22 ... 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=[ 48.37611111 26.33277778 819.1455556 334.5933333 1032.364444 262.3716667 2374.722222 15.84 6.430384615 981.3157692 756.1965385 991.7353846 82.82846154 2535.692308 70.7225 29.8525 895.5325 294.5875 1059.1875 462.9525 2724.5 ]; %a为评价集标准值