建模参考资料 综合评价方法
一、关于评价指标
所谓指标就是用来评价系统的参量．例如，在校学生规模、教学质量、师资结构、科研水平等，就可以作为评价高等院校综合水平的主要指标．一般说来，任何—个指标都反映和刻画事物的—个侧面．
从指标值的特征看，指标可以分为定性指标和定量指标．定性指标是用定性的语言作为指标描述值，定量指标是用具体数据作为指标值．例如，旅游景区质量等级有5A 、4A 、3A 、2A 和1A 之分，则旅游景区质量等级是定性指标；而景区年旅客接待量、门票收入等就是定量指标．
从指标值的变化对评价目的的影响来看，可以将指标分为以下四类： (1)极大型指标(又称为效益型指标)是指标值越大越好的指标； (2)极小型指标(又称为成本型指标)是指标值越小越好的指标；
(3)居中型指标是指标值既不是越大越好，也不是越小越好，而是适中为最好的指标； (4) 区间型指标是指标值取在某个区间内为最好的指标．
例如，在评价企业的经济效益时，利润作为指标，其值越大，经济效益就越好，这就是效益型指标；而管理费用作为指标，其值越小，经济效益就越好，所以管理费用是成本型指标．再如建筑工程招标中，投标报价既不能太高又不能太低，其值的变化范围一般是(10%,5%)-+×标的价，超过此范围的都将被淘汰，因此投标报价为区间型指标．投标工期既不能太长又不能太短，就是居中型指标．
在实际中，不论按什么方式对指标进行分类，不同类型的指标可以通过相应的数学方法进行相互转换
1 评价指标的处理方法
一般情况下，在综合评价指标中，各指标值可能属于不同类型、不同单位或不同数量级，从而使得各指标之间存在着不可公度性，给综合评价带来了诸多不便．为了尽可能地反映实际情况，消除由于各项指标间的这些差别带来的影响，避免出现不合理的评价结果，就需要对评价指标进行一定的预处理，包括对指标的一致化处理和无量纲化处理．
1．指标的一致化处理
所谓一致化处理就是将评价指标的类型进行统一．一般来说，在评价指标体系中，可能会同时存在极大型指标、极小型指标、居中型指标和区间型指标，它们都具有不同的特点．如产量、利润、成绩等极大型指标是希望取值越大越好；而成本、费用、缺陷等极小型指标则是希望取值越小越好；对于室内温度、空气湿度等居中型指标是既不期望取值太大，也不期望取值太小，而是居中为好．若指标体系中存在不同类型的指标，必须在综合评价之前将评价指标的类型做一致化处理．例如，将各类指标都转化为极大型指标，或极小型指标．一般的做法是将非极大型指标转化为极大型指标．但是，在不同的指标权重确定方法和评价模型中，指标一致化处理也有差异．
(1) 极小型指标化为极大型指标
对极小型指标j x ，将其转化为极大型指标时，只需对指标j x 取倒数：
1j j
x x '=
， 或做平移变换：
j j j x M x '=-，
其中1 max{}j ij i n
M x ≤≤=，即n 个评价对象第j 项指标值ij x 最大者．
(2) 居中型指标化为极大型指标
对居中型指标j x ，令1 max{}j ij i n
M x ≤≤=，1 min{}j ij i n
m x ≤≤=，取
2()
,;2 2(),.
2j j j j j j j j j j j j j j j
j j x m M m m x M m x M x M m x M M m -+?≤≤?
-?'=?-+?≤≤?-?
就可以将j x 转化为极大型指标．
(3) 区间型指标化为极大型指标
对区间型指标j x ，j x 是取值介于区间[,]j j a b 内时为最好，指标值离该区间越远就越差．令1 max{}j ij i n
M x ≤≤=，1 min{}j ij i n
m x ≤≤=， max{,},j j j j j c a m M b =--取
1,;1, ; 1,.
j j
j j j j j j j j j
j j j a x x a c x a x b x b
x b c -?-
'=≤≤??-?->??
就可以将区间型指标j x 转化为极大型指标．
类似地，通过适当的数学变换，也可以将极大型指标、居中型指标转化为极小型指
标．
2．指标的无量纲化处理
所谓无量纲化，也称为指标的规范化，是通过数学变换来消除原始指标的单位及其数值数量级影响的过程．因此，就有指标的实际值和评价值之分．—般地，将指标无量纲化处理以后的值称为指标评价值．无量纲化过程就是将指标实际值转化为指标评价值的过程．
对于n 个评价对象12,,,n S S S ，每个评价对象有m 个指标，其观测值分别为
(1,2,,;1,2,,)ij x i n j m == ．
(1) 标准样本变换法 令
* (1,1).ij j
ij j
x x x i n j m s -=
≤≤≤≤
其中样本均值1
1n j ij i x x n ==∑
，样本均方差j s =*
ij x 称为标准观测值． 特点：样本均值为0，方差为1；区间不确定，处理后各指标的最大值、最小值不相
同；对于指标值恒定(0j s =)的情况不适用；对于要求指标评价值*
0ij x >的评价方法(如
熵值法、几何加权平均法等)不适用．
(2) 线性比例变换法 对于极大型指标，令
*11 (max 0, 1, 1).max ij ij ij i n
ij
i n x x x i n j m x ≤≤≤≤=
≠≤≤≤≤
对极小型指标，令
*
1min (1,1).ij
i n
ij
ij
x x i n j m x ≤≤=
≤≤≤≤
或
*111 (max 0, 1, 1).max ij ij
ij i n
ij
i n
x x x i n j m x ≤≤≤≤=-
≠≤≤≤≤
该方法的优点是这些变换方式是线性的，且变化前后的属性值成比例．但对任一指标来说，变换后的*1ij x =和*
0ij x =不一定同时出现．
特点：当0ij x ≥时，*
[0,1]ij x ∈；计算简便，并保留了相对排序关系． (3) 向量归一化法 对于极大型指标，令
*,1).ij x x i n j m =
≤≤≤≤
对于极小型指标，令
*1 (1,1).
ij x x i n j m =≤≤≤≤
优点：当0ij x ≥时，*[0,1]ij
x ∈，即
*21
()
1n
ij i x ==∑．该方法使*
01ij x ≤≤，且变换前
后正逆方向不变；缺点是它是非线性变换，变换后各指标的最大值和最小值不相同．
(4) 极差变换法
对于极大型指标，令
*111min (1, 1).max min ij ij
i n
ij
ij ij
i n
i n
x x x i n j m x x ≤≤≤≤≤≤-=
≤≤≤≤-
对于极小型指标，令
*111max (1, 1).max min ij ij
i n
ij
ij ij
i n
i n
x x x i m j n x x ≤≤≤≤≤≤-=
≤≤≤≤-
其优点为经过极差变换后，均有*01ij x ≤≤，且最优指标值*
1ij x =，最劣指标值*0ij x =．该方法的缺点是变换前后的各指标值不成比例，对于指标值恒定(0j s =)的情况
不适用．
(5) 功效系数法 令
*111min (1,1).max min ij ij
i n
ij
ij ij
i n
i n
x x x c d i n j m x x ≤≤≤≤≤≤-=+
?≤≤≤≤-
其中,c d 均为确定的常数．c 表示“平移量”，表示指标实际基础值，d 表示“旋转量”，即
表示“放大”或“缩小”倍数，则*
[,]ij x c c d ∈+．
通常取60,40c d ==，即
*
111min 6040 (1,1).max min ij ij
i n
ij
ij ij
i n
i n
x x x i n j m x x ≤≤≤≤≤≤-=+
?≤≤≤≤-
则*
ij x 实际基础值为60，最大值为100，即*[60,100]ij x ∈．
特点：该方法可以看成更普遍意义下的一种极值处理法，取值范围确定，最小值为c ，最大值为c d +．
3．定性指标的定量化
在综合评价工作中，有些评价指标是定性指标，即只给出定性地描述，例如：质量很好、性能一般、可靠性高、态度恶劣等．对于这些指标，在进行综合评价时，必须先通过适当的方式进行赋值，使其量化．一般来说，对于指标最优值可赋值10.0，对于指标最劣值可赋值为0.0．对极大型和极小型定性指标常按以下方式赋值．
(1) 极大型定性指标量化方法
对于极大型定性指标而言，如果指标能够分为很低、低、一般、高和很高等五个等级，则可以分别取量化值为1.0,3.0,5.0,7.0和9.0，对应关系如图2所示．介于两个等级之间的可以取两个分值之间的适当数值作为量化值．
图2 极大型定性指标量化方法
(2) 极小型定性指标量化方法
对于极小型定性指标而言，如果指标能够分为很高、高、一般、低和很低等五个等级，则可以分别取量化值为1.0,3.0,5.0,7.0和9.0，对应关系如图3所示．介于两个等级之间的可以取两个分值之间的适当数值作为量化值．
二、关于模糊综合评价方法
在客观世界中，存在着许多不确定性现象，这种不确定性有两大类：一类是随机性现象，即事物对象是明确的，由于人们对事物的因果律掌握不够，使得相应结果具有不可预知性，例如晴天、下雨、下雪，这是明确的，但出现规律不确定；另一类是模糊性现象，即某些事物或概念的边界不清楚，使得事物的差异之间存在着中间过渡过程或过渡结果，例如年轻与年老、高与矮、美与丑等，这种不确定性现象不是人们的认识达不到客观实际所造成的，而是事物的一种内在结构的不确定属性，称为模糊性现象．
模糊数学就是用数学方法研究和处理具有“模糊性”现象的一个数学分支．而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，进行综合评价的一种方法．
．1隶属度函数的确定方法
隶属度的思想是模糊数学的基本思想，确定符合实际的隶属函数是应用模糊数学方法建立数学模型的关键，然而这是至今尚未完全解决的问题．下面介绍几种常用的确定隶属函数的方法．
⑴ 模糊统计法
模糊统计法是利用概率统计思想确定隶属度函数的一种客观方法，是在模糊统计的基础上根据隶属度的客观存在性来确定的．下面以确定青年人的隶属函数为例来介绍其主要过程．
① 以年龄为论域X ，在论域X 中取一固定样本点027x =．
② 设*
A 为论域X 上随机变动的普通集合，
A 是青年人在X 上以*
A 为弹性边界的模糊集，对*
A 的变动具有制约作用．其中 0x A ∈，或 0x A ?，使得0x 对
A 的隶属关系具有不确定性．然后进行模糊统计试验，若n 次试验中覆盖0x 的次数为n m ，则称
n
m n
为0x 对于
A 的隶属频率．由于当试验次数n 不断增大时，隶属频率趋于某一确定的常数，该常数就是0
x 属于
A 的隶属度，即 0()lim .
n A
n m x n
μ→∞=
比如在论域X 中取027x =，选择若干合适人选，请他们写出各自认为青年人最适宜最恰当的年龄区间(从多少岁到多少岁)，即将模糊概念明确化．若n 次试验中覆盖27
岁的年龄区间的次数为m ，则称
m
n
为27岁对于青年人的隶属频率，表4是抽样调查统计的结果．由于27岁对于青年人的隶属频率稳定在0．78附近，因此可得到027x =属
于模糊集
A 的隶属度 (27)0.78A
μ=．
③ 在论域X 中适当的取若干个样本点12,,,n x x x ，分别确定出其隶属度 ()(1,2,,)i A x i n μ= ，建立适当坐标系，描点连线即可得到模糊集 A 的隶属函数曲线． 将论域X 分组，每组以中值为代表分别计算各组隶属频率，连续地描出图形使得到
青年人的隶属函数曲线，见表5与图5所示．
确定模糊集合隶属函数的模糊统计方法，重视实际资料中包含的信息，采用了统计分析手段，是一种应用确定性分析揭示不确定性规律的有效方法．特别是对一些隶属规律不清楚的模糊集合，也能较好地确定其隶属函数．
⑵ 三分法
三分法也是利用概率统计中思想以随机区间为工具来处理模糊性的的一种客观方法．例如建立矮个子
1A ，中等个子
2A ，高个子 3A 三个模糊概念的隶属函数．设
3{}P =矮个子,中等个子,高个子
， 论域X 为身高的集合，取(0,3)X =(单位：m)．每次模糊试验确定X 的一次划分，每次划分确定一对数
(,)ξη，其中ξ为矮个子与中等个子的分界点，η为
中等个子与高个子的分界点，从而将模糊试验转化为如下随机试验：即将(,)ξη看作二
维随机变量，进行抽样调查，求得ξ、η的概率分布()P x ξ、()P x η后，再分别导出 1A 、 2A 和 3A 的隶属函数 1
()A x μ、 2
()A x μ和 3
()A
x μ，相应的示意图如图6所示． 1
()(),A x x P t dt ξμ+∞=? 3
()(),A x
x P t dt ημ+∞
=? 213
()1()().A A A x x x μμμ=--
图5 年轻人的隶属函数曲线
通常ξ和η分别服从正态分布211(,)N a σ和2
22(,)N a σ，则
1A 、 2A 和 3A 的隶属函数分别为
1
11()1,A
x a x μσ??-=-Φ ??? 322()1,A x a x μσ??
-=-Φ ??? 2
2121().A x a x a x μσσ????
--=Φ-Φ ? ?????
其中22
().t x
x dt -
Φ=
?
⑶ 模糊分布法
根据实际情况，首先选定某些带参数的函数，来表示某种类型模糊概念的隶属函数（论域为实数域），然后再通过实验确定参数．
在客观事物中，最常见的是以实数集作论域的情形．若模糊集定义在实数域R 上，则模糊集的隶属函数便称为模糊分布．下面给出几种常用的模糊分布，在以后确定隶属函数时，就可以根据问题的性质，选择适当(即符合实际情况)模糊分布，根据测量数据求出分布中所含的参数，从而就可以确定出隶属函数了．
为了选择适当的模糊分布，首先应根据实际描述的对象给出选择的大致方向． 偏小型模糊分布适合描述像“小”、“冷”、“青年”以及颜色的“淡”等偏向小的一方的模糊现象，其隶属函数的一般形式为
1, ;
()(),.
A
x a x f x x a μ≤?=?>? 偏大型模糊分布适合描述像“大”、“热”、“老年”以及颜色的“浓”等偏向大的一方的模糊现象，其隶属函数的一般形式为
0, ;
()(),.A
x a x f x x a μ
中间型模糊分布适合描述像“中”、“暖和“、“中年”等处于中间状态的模糊现象，其隶
属面数可以通过中间型模糊分布表示．
① 矩形(或半矩形)分布
图6 由概率分布确定模糊集隶属函数
此类分布是用于确切概念．矩形(或半矩形)分布相应的示意图如图7所示．
图7矩形(或半矩形)分布示意图
② 梯形(或半梯形)分布
梯形(或半梯形)分布的示意图如图8所示．
③ 抛物形分布
抛物形分布的示意图如图9所示．
(a)偏小型 (b)偏大型 (c)中间型
(a)偏小型 (b)偏大型 (c)中间型
图8梯形(或半梯形)分布示意图
④ 正态分布
正态分布的示意图如图10所示．
柯西形分布的示意图如图11所示．
(a)偏小型 (b)偏大型 (c)中间型
图9 抛物形分布示意图
(a)偏小型 (b)偏大型 (c)中间型 图10 正态分布示意图
(a) 偏小型 (b)偏大型 (c)中间型 图11 柯西分布示意图
k>．Γ型分布的示意图如图12所示．
其中0
(a) 偏小型(b)偏大型(c)中间型
图12 Γ型分布示意图
所谓指标就就是用来评价系统的参量.例如,在校学生规模、教学质量、师资结构、科研水平等,就可以作为评价高等院校综合水平的主要指标.一般说来,任何—个指标都反映与刻画事物的—个侧面. 从指标值的特征瞧,指标可以分为定性指标与定量指标.定性指标就是用定性的语言作为指标描述值,定量指标就是用具体数据作为指标值.例如,旅游景区质量等级有5A 、4A 、3A 、2A 与1A 之分,则旅游景区质量等级就是定性指标;而景区年旅客接待量、门票收入等就就是定量指标. 从指标值的变化对评价目的的影响来瞧,可以将指标分为以下四类: (1)极大型指标(又称为效益型指标)就是指标值越大越好的指标; (2)极小型指标(又称为成本型指标)就是指标值越小越好的指标; (3)居中型指标就是指标值既不就是越大越好,也不就是越小越好,而就是适中为最好的指标; (4) 区间型指标就是指标值取在某个区间内为最好的指标. 例如,在评价企业的经济效益时,利润作为指标,其值越大,经济效益就越好,这就就是效益型指标;而管理费用作为指标,其值越小,经济效益就越好,所以管理费用就是成本型指标.再如建筑工程招标中,投标报价既不能太高又不能太低,其值的变化范围一般就是 (10%,5%)-+× 标的价,超过此范围的都将被淘汰,因此投标报价为区间型指标.投标工期既不能太长又不能太短,就就是居中型指标. 在实际中,不论按什么方式对指标进行分类,不同类型的指标可以通过相应的数学方法进行相互转换 8、2、4 评价指标的预处理方法 一般情况下,在综合评价指标中,各指标值可能属于不同类型、不同单位或不同数量级,从而使得各指标之间存在着不可公度性,给综合评价带来了诸多不便.为了尽可能地反映实际情况,消除由于各项指标间的这些差别带来的影响,避免出现不合理的评价结果,就需要对评价指标进行一定的预处理,包括对指标的一致化处理与无量纲化处理. 1.指标的一致化处理 所谓一致化处理就就是将评价指标的类型进行统一.一般来说,在评价指标体系中,可能会同时存在极大型指标、极小型指标、居中型指标与区间型指标,它们都具有不同的特点.如产量、利润、成绩等极大型指标就是希望取值越大越好;而成本、费用、缺陷等极小型指标则就是希望取值越小越好;对于室内温度、空气湿度等居中型指标就是既不期望取值太大,也不期望取值太小,而就是居中为好.若指标体系中存在不同类型的指标,必须在综合评价之前将评价指标的类型做一致化处理.例如,将各类指标都转化为极大型指标,或极小型指标.一般的做法就是将非极大型指标转化为极大型指标.但就是,在不同的指标权重确定方法与评价模型中,指标一致化处理也有差异. (1) 极小型指标化为极大型指标 对极小型指标j x ,将其转化为极大型指标时,只需对指标j x 取倒数: 1j j x x '= , 或做平移变换: j j j x M x '=-,
常见评价模型简介 评价类数学模型是全国数学建模竞赛中经常出现的一类模型，如2005年全国赛A题长江水质的评价问题，2008年B题高校学费标准评价体系问题等。主要介绍三种比较常用的评价模型：层次分析模型，模糊综合评价模型，灰色关联分析模型，以期帮助大家了解不同背景下不同评价方法的应用。 层次分析模型 层次分析法(AHP)是根据问题的性质和要求，将所包含的因素进行分类，一般按目标层、准则层和子准则层排列，构成一个层次结构，对同层次内诸因素采用两两比较的方法确定出相对于上一层目标的权重，这样层层分析下去，直到最后一层，给出所有因素相对于总目标而言，按重要性程度的一个排序。其主要特征是，它合理地将定性与定量决策结合起来，按照思维、心理的规律把决策过程层次化、数量化。 运用层次分析法进行决策，可以分为以下四个步骤： 步骤1 建立层次分析结构模型 深入分析实际问题，将有关因素自上而下分层(目标—准则或指标—方案或对象)，上层受下层影响，而层内各因素基本上相对独立。 步骤2构造成对比较阵 对于同一层次的各元素关于上一层次中某一准则的重要性进行两两比较，借助1~9尺度，构造比较矩阵； 步骤3计算权向量并作一致性检验 由判断矩阵计算被比较元素对于该准则的相对权重，并进行一致性检验，若通过，则最大特征根对应的特征向量做为权向量。
步骤4计算组合权向量(作组合一致性检验) 组合权向量可作为决策的定量依据 通过一个具体的例子介绍层次分析模型的应用。 例(选择旅游地决策问题)如何在桂林、黄山、北戴河3个目的地中按照景色、费用、居住条件、饮食、旅途条件等因素进行选择。 步骤1 建立系统的递阶层次结构 将决策问题分为3个层次：目标层O，准则层C，方案层P；每层有若干元素，各层元素间的关系用相连的直线表示。
８ 《商场现代化》２００６年７月（中旬刊）总第４７３期 ２０世纪８０年代初，汪培庄提出了对绿色供应链绩效进行评价的模糊综合评价模型，此模型以它简单实用的特点迅速波及到国民经济和工农业生产的方方面面，广大实际工作者运用此模型取得了一个又一个的成果。本文简单介绍模糊综合评价法的数学模型方法。 一、构造评价指标体系 模糊综合评价的第一步就是根据具体情况建立评价指标体系的层次结构图，如图所示： 二、确定评价指标体系的权重 确定各指标的权重是模糊综合评价法的步骤之一。本文根据绿色供应链评价体系的层次结构特点，采用层次分析法确定其权重。尽管层次分析法中也选用了专家调查法，具有一定的主观性，但是由于本文在使用该方法的过程中，对多位专家的调查进行了数学处理，并对处理后的结果进行了一致性检验，笔者认为，运用层次分析法能够从很大程度上消除主观因素带来的影响，使权重的确定更加具有客观性，也更加符合实际情况。 在此设各级指标的权重都用百分数表示，且第一级指标各指标的权重为Ｗｉ，ｉ＝１，２，…，ｎ，ｎ为一级指标个数。一级指标权重向量为： Ｗ＝（Ｗ１，…，Ｗｉ，…Ｗｎ） 各一级指标所包含的二级指标权重向量为： Ｗ＝（Ｗｉ１，…，Ｗｉｓ，…Ｗｉｍ），ｍ为各一级指标所包含的二级指标个数，ｓ＝１，２，…，ｍ。 各二级指标所包含的三级指标权重向量为： Ｗｉｓ＝（Ｗｉｓ１，…Ｗｉｓ２，…Ｗｉｍｑ），ｑ为各二级指标所包含的三级指标个数。三、确定评价指标体系的权重建立模糊综合评价因素集将因素集Ｘ作一种划分，即把Ｘ分为ｎ个因素子集Ｘ１，Ｘ２，…Ｘｎ，并且必须满足： 同时，对于任意的ｉ≠ｊ，ｉ，ｊ＝１，２，…，均有 即对因素Ｘ的划分既要把因素集的诸评价指标分完，而任一个评 价指标又应只在一个子因素集Ｘｉ中。 再以Ｘｉ表示的第ｉ个子因素指标集又有ｋｉ个评价指标即：Ｘｉ＝｛Ｘｉ１，Ｘｉ２，…，ＸｉＫｉ｝，ｉ＝１，２，…，ｎ 这样，由于每个Ｘｉ含有Ｋｉ个评价指标，于是总因素指标集Ｘ其有 个评价指标。 四、 进行单因素评价，建立模糊关系矩阵Ｒ 在上一步构造了模糊子集后，需要对评价目标从每个因素集Ｘｉ上进行量化，即确定从单因素来看评价目标对各模糊子集的隶属度，进而得到模糊关系矩阵： 其中ｓｉ（ｉ＝１，２，…，ｍ）表示第ｉ个方案，而矩阵Ｒ中第ｈ行第ｊ列元素ｒｈｊ表示指标Ｘｉｈ在方案ｓｊ下的隶属度。对于隶属度的确定可分为两种 情况：定量指标和定性指标。 （１）定量指标隶属度的确定 对于成本型评价因素可以用下式计算： 对于效益型评价因素可以用下式计算：对于区间型评价因素可以用下式计算：上面三个式子中：ｆ（ｘ）为特征值，ｓｕｐ（ｆ），ｉｎｆ（ｆ）分别为对应于同一个指标的所有特征值的上下界，即是同一指标特征值的最大值和最小 模糊综合评价法的数学建模方法简介 任丽华 东营职业学院 ［摘 要］ 本文一种数学模型方法构造了一种对绿色供应链绩效进行评价的模糊综合评价法，主要从构造评价指标体系，确定评价指标体系的权重，确定评价指标体系的权重，建立模糊综合评价因素集，进行单因素评价、建立模糊关系矩阵Ｒ，计算模糊评价结果向量Ｂ等五个方面介绍这种评价方法。 ［关键词］ 绿色供应链绩效评价 模糊综合评价法 数学模型方法 流通论坛
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：4.2433、2、4.1407、3.0858、10.7434、7.3738、3.0246、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： 1、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。 2、模型分析，给出建立模型的适用性、合理性分析。 3、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 2.1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
2016江西财经大学数学建模竞赛 A题 城市交通模型分析 参赛队员: 黄汉秦、乐晨阳、金霞 参赛队编号：2016018 2016年5月20日~5月25日
承诺书 我们仔细阅读了江西财经大学数学建模竞赛的竞赛章程。 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人研究、讨论与赛题有关的问题。 我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。 我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。 我们参赛选择的题号是（从A/B/C中选择一项填写）： A 我们的参赛队编号为2016018 参赛队员(打印并签名) ： 队员1. 姓名专业班级计算机141 队员2. 姓名专业班级计算机141 队员3. 姓名专业班级计算机141 日期： 2016 年 5 月 25 日
编号和阅卷专用页 江西财经大学数学建模竞赛组委会 2016年5月15日制定
城市交通模型分析 摘要 随着国民经济的高速发展和城市化进程的加快，我国机动车保有量及道路交通流量急剧增加，交通出行结构发生了根本变化，城市道路交通拥挤堵塞问题已成为制约经济发展、降低人民生活质量、削弱经济活力的瓶颈之一。本篇论文针对道路拥挤的问题采用层次分析法进行数学建模分析，讨论拥堵的深层次问题及解决方案。 首先建立绩效评价指标的层次结构模型，确定了目标层，准则层（一级指标），子准则层（二级指标）。 其次，建立评价集V=(优，良，中，差)。对于目标层下每个一级评价指标下相对于第m 个评价等级的隶属程度由专家的百分数u 评判给出，即U ＝[0,100]应用模糊统计建立它们的隶属函数A(u)， B(u)， C(u) ，D(u)，最后得出目标层的评价矩阵Ri ，（i=1,2,3,4,5）。利用A,B 两城相互比较法，根据实际数据建立二级指标对于相应一级指标的模糊判断矩阵P i （i=1,2,3,4,5） 然后，我们经过N 次试验调查，明确了各层元素相对于上层指标的重要性排序，构造模糊判断矩阵P ，利用公式 1 ,ij ij n kj k u u u == ∑ 1 ,n i ij j w u ==∑ 1 ,i i n j j w w w == ∑ []R W R W R W R W R W W R W O 5 5 4 4 3 3 2 2 1 1 ,,,,==计算出权重值，经过一致性检验公式 RI CI CR = 检验后，均有0.1CR <，由此得出各层次的权向量()12,,T n W W W W =K 。然后后， 给出建立绩效评价模型（其中O 是评价结果向量），应用模糊数学中最大隶属度原则，对被评价城市交通的绩效进行分级评价。 接着在改进方案中，我们具体以交叉口为中心建立模型，其中包括道路长度、宽度、车辆平均长度、车速等等考虑因素。通过车辆排队长度可以间接判断交通拥堵情况，不需要测量车速、时间等因素而浪费的人力物力和财力，有效的提高了工作成本和效率。为管理城市交通要道提供了良好的模型和依据。 【关键字】交通拥堵 层次分析法 模糊综合评判 绩效评价 隶属度
教师评价模型_数学建 模
教师评价模型 一、摘要 学校是一个充满着评价人的场所，每时每刻都在对各个人进行评价。毫不 夸张地说评价教师是学校里每个人的“日常功课”。 由于教师职业劳动的特殊性，它是复杂劳动。不能仅仅用工作量来评价 教师的劳动，同时评价教师的人员纷繁复杂，方式多种多样。评价教师的标准 往往束缚着学校的教学质量，教师教学的积极性。所以教师评价的确定就显的 很重要。 新课程强调：评价的功能应从注重甄别与选拔转向激励、反馈与调整；评 价内容应从过分注重学业成绩转向注重多方面发展的潜能；评价主体应从单一 转向多元。 那么如何公正、客观地评价教师的同时，有效地保护教师的教学积极性和 帮助提高学校的办学水平呢？ 此模型的建立改变了以往同类模型的多种弊端，从另一角度更加合理地分析、评价，就是为了更公平，公正地对教师做出合理的评价，从而促进学生发 展和教师提高。 本模型主要用了模糊数学模型和对各项评价付权重的方法进行建模分析。 从（1）教师对自己的评价，（2）学生对教师的评价；（3）由专家组对教师的评价的角度出发，通过量化，加权，得出结果。然后确定三方面的比重来评价 教师。同时通过确定教师自评与他人评价的比值范围，而确定这次评价是否有效。 在各个方面采用的数学模型如下：
1、教师对自己的评价： 教师对自己的满意度，既体现教师的主人翁意识也保护教师的教学积 极性。 16 1160i i i P Q D ( i ∈[1,16]) (Q 表示教师自评的得分 Pi 表示教师对自己各项符合度而打的分数 Di 表示对教师自评要求各项所加给的权重 ) 2、学生对教师的评价： 表明以学生为主体，体现了模型的客观性，公平、公开的原则。 90j i ij i d c a ij a =ij n u ij a =A （U ，V ） （ U 为评价的主要因素， V 为评价因素分等。 C i 为学生对教师的各项评价要求所付的权重 N 为填写有效调查表的人数） 3、由专家组成通过听课对教师的评价： 表明专家对教师指导性，帮助教师提高教学水平。体现了评价的权威 性，真实性。同时也是作为教师提拔的一个方面。 （1）建立综合评价矩阵51ij ij ik k c g c （2）综合评价 B=A ⊕R=（b 1,b 2,……，b m ）
所谓指标就是用来评价系统的参量?例如，在校学生规模、教学质量、师资结构、科研水平等，就可以作为评价高等院校综合水平的主要指标?一般说来，任一个指标都 反映和刻画事物的一个侧面. 从指标值的特征看，指标可以分为定性指标和定量指标.定性指标是用定性的语言作为指标描述值，定量指标是用具体数据作为指标值?例如，旅游景区质量等级有5A、4A、3A、2A和1A之分，则旅游景区质量等级是定性指标；而景区年旅客接待量、门票收入等就是定量指标. 从指标值的变化对评价目的的影响来看，可以将指标分为以下四类： (1)极大型指标(又称为效益型指标)是指标值越大越好的指标； (2)极小型指标(又称为成本型指标)是指标值越小越好的指标； (3)居中型指标是指标值既不是越大越好，也不是越小越好，而是适中为最好的指标； (4)区间型指标是指标值取在某个区间为最好的指标. 例如，在评价企业的经济效益时，利润作为指标，其值越大，经济效益就越好，这就是效益型指标；而管理费用作为指标，其值越小，经济效益就越好，所以管理费用是成本型指标.再如建筑工程招标中，投标报价既不能太高又不能太低，其值的变化围一般是(10%, 5%) X标的价，超过此围的都将被淘汰，因此投标报价为区间型指标.投标工期既不能太长又不能太短，就是居中型指标. 在实际中，不论按什么式对指标进行分类，不同类型的指标可以通过相应的数学法进行相互转换8.2.4评价指标的预处理法 一般情况下，在综合评价指标中，各指标值可能属于不同类型、不同单位或不同数量级，从而使得各指标之间存在着不可公度性，给综合评价带来了诸多不便.为了尽可能地反映实际情况，消除由于各项指标间的这些差别带来的影响，避免出现不合理的评价结果，就需要对评价指标进行一定的预处理，包 括对指标的一致化处理和无量纲化处理. 1.指标的一致化处理 所谓一致化处理就是将评价指标的类型进行统一.一般来说，在评价指标体系中，可能会同时存在 极大型指标、极小型指标、居中型指标和区间型指标，它们都具有不同的特点.如产量、利润、成绩等极大型指标是希望取值越大越好；而成本、费用、缺陷等极小型指标则是希望取值越小越好；对于室温 度、空气湿度等居中型指标是既不期望取值太大，也不期望取值太小，而是居中为好.若指标体系中存在不同类型的指标，必须在综合评价之前将评价指标的类型做一致化处理.例如，将各类指标都转化为极大型指标，或极小型指标.一般的做法是将非极大型指标转化为极大型指标.但是，在不同的指标权重确定法和评价模型中，指标一致化处理也有差异. (1)极小型指标化为极大型指标 对极小型指标X j，将其转化为极大型指标时，只需对指标X j取倒数：
现代统计学 1.因子分析(Factor Analysis) 因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。 运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。 2.主成分分析 主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,和cluster analysis一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。 主成分分析和因子分析的区别 1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成个变量的线性组合。 2、主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。 3、主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。 4、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。 5、在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。 和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。 总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,
答卷编号（参赛学校填写）： 答卷编号（竞赛组委会填写）： 论文题目：学科评价模型(A) 组别：本科生 参赛队员信息(必填)： 姓名专业班级及学号联系电话参赛队员1 08生物技术一班0886 参赛队员2 08生物技术一班1680 参赛队员3 08生物技术一班0698
答卷编号（参赛学校填写）： 答卷编号（竞赛组委会填写）： 评阅情况（学校评阅专家填写）：学校评阅1. 学校评阅2. 学校评阅3. 评阅情况（省赛评阅专家填写）：省赛评阅1. 省赛评阅2. 省赛评阅3.
学科评价模型 摘要本学科评价模型采用了指标体系法，其所具有的客观公正性使之成为目前大学学科评价的主流方法。学科评价一方面取决于指标体系本身设计是否科学，另一方面则取决于原始数据和指标的可比性。由于本题目并没有给出具体的哪13个学科，而不同学科之间在某些方面存在着不同程度上的差异性。所以，我们采用层次分析法分配权重以及灰色多层次分析法处理数据，从而使评价结果更加客观公正。学科评价应分类别、分层次进行，不同的类别和层次适用于不同的情形。比如科研教学并重型高校的学科评价模型与科研型或者教学型高校的学科评价模型会有所区别。同时，在学科评价体系中，指标分级是必要的，我们将题目所给的指标分为三级。通过模型的建立及求解，我们得出了各学科各指标的评价结果，以及各学科的综合实力评价结果，并对结果进行横向分析和纵向分析，为大学学科评估及资源优化提供了较为合理的依据。 关键词层次分析法，权重, 灰色多层次分析法，关联度
一 问题的重述 学科的水平、地位是高等学校的一个重要指标，而学科间水平的评价对于学科的发展有着重要的作用，它可以使得各学科能更加深入的了解本学科(与其他学科相比较)的地位及不足之处，可以更好的促进该学科的发展。因此，如何给出合理的学科评价体系或模型一直是学科发展研究的热点问题。现有某大学（科研与教学并重型高校）的13个学科在一段时期内的调查数据，包括各种建设成效数据和前期投入的数据。 1、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。 2、模型分析，给出建立模型的适用性、合理性分析。 3、假设数据来自于某科研型或教学型高校，请给出相应的学科评价模型。 二 合理的假设 1、假设各学科所属领域以及学科特点的差异不对本评估体系产生影响 2、假设某些权威杂志对特定的学科没有偏重 3、假设国家和社会对各学科没有任何偏重 4、假设各学科培养出的人才素质没有差异 5、假设专家对学科各指标相对重要性的评判合理、客观、全面。 三 符号的说明 ijk C ：各级指标 ik C :(i=1,2,3····n;k=1,2,····m)第i 个参评学科中第k 个指标的原始数据 *k C :最优指标集 S ：综合分析评价值 A ：目标向量 ij D ：表示i D 对j D 的相对重要性数值 ij P ：判断矩阵)3,2,1,m 3,2,1(n j i ：特征向量 max ：最大特征值 CR ：判断矩阵的随机一致性比率 CI ：判断矩阵的一般一致性指标 RI ：平均随机一致性指标 i W ：各个分向量的权重系数 *W :第三指标权重分配矩阵
四类基本模型 1 优化模型 1.1 数学规划模型 线性规划、整数线性规划、非线性规划、多目标规划、动态规划。 1.2 微分方程组模型 阻滞增长模型、SARS 传播模型。 1.3 图论与网络优化问题 最短路径问题、网络最大流问题、最小费用最大流问题、最小生成树问题(MST)、旅行商问题(TSP)、图的着色问题。 1.4 概率模型 决策模型、随机存储模型、随机人口模型、报童问题、Markov 链模型。 1.5 组合优化经典问题 ● 多维背包问题(MKP) 背包问题：n 个物品，对物品i ，体积为i w ，背包容量为W 。如何将尽可能多的物品装入背包。 多维背包问题：n 个物品，对物品i ，价值为i p ，体积为i w ，背包容量为W 。如何选取物品装入背包，是背包中物品的总价值最大。 多维背包问题在实际中的应用有：资源分配、货物装载和存储分配等问题。该问题属于NP 难问题。 ● 二维指派问题(QAP) 工作指派问题：n 个工作可以由n 个工人分别完成。工人i 完成工作j 的时间为ij d 。如何安排使总工作时间最小。 二维指派问题（常以机器布局问题为例）：n 台机器要布置在n 个地方，机器i 与k 之间的物流量为ik f ，位置j 与l 之间的距离为jl d ，如何布置使费用最小。 二维指派问题在实际中的应用有：校园建筑物的布局、医院科室的安排、成组技术中加工中心的组成问题等。 ● 旅行商问题(TSP) 旅行商问题：有n 个城市，城市i 与j 之间的距离为ij d ，找一条经过n 个城市的巡回（每个城市经过且只经过一次，最后回到出发点），使得总路程最小。 ● 车辆路径问题(VRP) 车辆路径问题（也称车辆计划）：已知n 个客户的位置坐标和货物需求，在
所谓指标就是用来评价系统的参量．例如，在校学生规模、教学质量、师资结构、科研水平等，就可以作为评价高等院校综合水平的主要指标．一般说来，任何—个指标都反映和刻画事物的—个侧面． 从指标值的特征看，指标可以分为定性指标和定量指标．定性指标是用定性的语言作为指标描述值，定量指标是用具体数据作为指标值．例如，旅游景区质量等级有5A 、4A 、3A 、2A 和1A 之分，则旅游景区质量等级是定性指标；而景区年旅客接待量、门票收入等就是定量指标． 从指标值的变化对评价目的的影响来看，可以将指标分为以下四类： (1)极大型指标(又称为效益型指标)是指标值越大越好的指标； (2)极小型指标(又称为成本型指标)是指标值越小越好的指标； (3)居中型指标是指标值既不是越大越好，也不是越小越好，而是适中为最好的指标； (4) 区间型指标是指标值取在某个区间内为最好的指标． 例如，在评价企业的经济效益时，利润作为指标，其值越大，经济效益就越好，这就是效益型指标；而管理费用作为指标，其值越小，经济效益就越好，所以管理费用是成本型指标．再如建筑工程招标中，投标报价既不能太高又不能太低，其值的变化范围一般是(10%,5%)-+×标的价，超过此范围的都将被淘汰，因此投标报价为区间型指标．投标工期既不能太长又不能太短，就是居中型指标． * 在实际中，不论按什么方式对指标进行分类，不同类型的指标可以通过相应的数学方法进行相互转换 评价指标的预处理方法 一般情况下，在综合评价指标中，各指标值可能属于不同类型、不同单位或不同数量级，从而使得各指标之间存在着不可公度性，给综合评价带来了诸多不便．为了尽可能地反映实际情况，消除由于各项指标间的这些差别带来的影响，避免出现不合理的评价结果，就需要对评价指标进行一定的预处理，包括对指标的一致化处理和无量纲化处理． 1．指标的一致化处理 所谓一致化处理就是将评价指标的类型进行统一．一般来说，在评价指标体系中，可能会同时存在极大型指标、极小型指标、居中型指标和区间型指标，它们都具有不同的特点．如产量、利润、成绩等极大型指标是希望取值越大越好；而成本、费用、缺陷等极小型指标则是希望取值越小越好；对于室内温度、空气湿度等居中型指标是既不期望取值太大，也不期望取值太小，而是居中为好．若指标体系中存在不同类型的指标，必须在综合评价之前将评价指标的类型做一致化处理．例如，将各类指标都转化为极大型指标，或极小型指标．一般的做法是将非极大型指标转化为极大型指标．但是，在不同的指标权重确定方法和评价模型中，指标一致化处理也有差异． (1) 极小型指标化为极大型指标 对极小型指标j x ，将其转化为极大型指标时，只需对指标j x 取倒数： 1j j x x '= ，
一、模糊评价 模糊评价法是应用模糊理论和模糊关系合成的原理,通过多个因素对被评 价事物隶属等级状况进行综合性评价的一种方法。运用模糊评价法,通过多因素 或多指标,既对被评价事物的变化区间作出某种划分,又对事物属于各评价等级 的程度作出分析,从而更深入和客观地对被评价事物进行描述。 特点： ①模糊评价法的结果是一个向量,而不是一个数值,即被评价事物的状况是通过被评价事物的等级隶属度来表示。 ②模糊评价法可以是一种多层的评价,即可以先对被评价事物的某一层面进行模糊评价,再将各层面的模糊评价结果进行模糊合成,得出总的模糊评价结果。 ③模糊评价法具有指标或因素的自然可综合性。由于模糊评价法只需确定各指标的等级隶属度,既可用于主观指标,又可用于客观指标,以此而无需专门对指标进行无量纲处理。 1.1模糊评价的应用 ①人事考核中的应用， ②单位员工的年终评定， ③昆山公安信息化建设效绩的评估（下载文档）， ④我国商业银行内部控制评价体系研究（下载文档）， ⑤石化行业业绩评价（下载文档）等。 1.2一级模糊综合评判模型的建立步骤 ①确定因素集及评语集 确定被评价对象的因素集U ，{}12=,, ,n U u u u ，评语集{}12,,,m V v v v =； ②构造模糊关系矩阵R ，进行单因素评判。 用ij r 表示U 中的因素i u 对应于V 中等级j v 的隶属关系，则有 ③确定各因素的权重 用i a 表示第i 个因素的权重，11n i i a ==∑，则评价因素权向量A 为 ()12,,,n A a a a =。 ④综合评判 由模糊关系矩阵R 得到一个模糊变换为 则评判的综合结果为 () 11121212221212,,,m m n n n nm r r r r r r B A R a a a r r r ?? ? ? == ? ??? 。 1.3多层次模糊综合评判模型的建立步骤
建模参考资料 综合评价方法 一、关于评价指标 所谓指标就是用来评价系统的参量．例如，在校学生规模、教学质量、师资结构、科研水平等，就可以作为评价高等院校综合水平的主要指标．一般说来，任何—个指标都反映和刻画事物的—个侧面． 从指标值的特征看，指标可以分为定性指标和定量指标．定性指标是用定性的语言作为指标描述值，定量指标是用具体数据作为指标值．例如，旅游景区质量等级有5A 、4A 、3A 、2A 和1A 之分，则旅游景区质量等级是定性指标；而景区年旅客接待量、门票收入等就是定量指标． 从指标值的变化对评价目的的影响来看，可以将指标分为以下四类： (1)极大型指标(又称为效益型指标)是指标值越大越好的指标； (2)极小型指标(又称为成本型指标)是指标值越小越好的指标； (3)居中型指标是指标值既不是越大越好，也不是越小越好，而是适中为最好的指标； (4) 区间型指标是指标值取在某个区间内为最好的指标． 例如，在评价企业的经济效益时，利润作为指标，其值越大，经济效益就越好，这就是效益型指标；而管理费用作为指标，其值越小，经济效益就越好，所以管理费用是成本型指标．再如建筑工程招标中，投标报价既不能太高又不能太低，其值的变化范围一般是(10%,5%)-+×标的价，超过此范围的都将被淘汰，因此投标报价为区间型指标．投标工期既不能太长又不能太短，就是居中型指标． 在实际中，不论按什么方式对指标进行分类，不同类型的指标可以通过相应的数学方法进行相互转换 1 评价指标的处理方法 一般情况下，在综合评价指标中，各指标值可能属于不同类型、不同单位或不同数量级，从而使得各指标之间存在着不可公度性，给综合评价带来了诸多不便．为了尽可能地反映实际情况，消除由于各项指标间的这些差别带来的影响，避免出现不合理的评价结果，就需要对评价指标进行一定的预处理，包括对指标的一致化处理和无量纲化处理． 1．指标的一致化处理 所谓一致化处理就是将评价指标的类型进行统一．一般来说，在评价指标体系中，可能会同时存在极大型指标、极小型指标、居中型指标和区间型指标，它们都具有不同的特点．如产量、利润、成绩等极大型指标是希望取值越大越好；而成本、费用、缺陷等极小型指标则是希望取值越小越好；对于室内温度、空气湿度等居中型指标是既不期望取值太大，也不期望取值太小，而是居中为好．若指标体系中存在不同类型的指标，必须在综合评价之前将评价指标的类型做一致化处理．例如，将各类指标都转化为极大型指标，或极小型指标．一般的做法是将非极大型指标转化为极大型指标．但是，在不同的指标权重确定方法和评价模型中，指标一致化处理也有差异． (1) 极小型指标化为极大型指标 对极小型指标j x ，将其转化为极大型指标时，只需对指标j x 取倒数：
第八章 模糊数学方法建模 1965年,美国自动控制学家首先提出了用“模糊集合”描述模糊事物的数学模型。它的理论和方法从上个世纪七十年代开始受到重视并得到迅速发展，特别是愈来愈广泛地应用于解决生产实际问题。模糊数学的理论和方法解决了许多经典数学和统计数学难以解决的问题，这里，我们通过几个例子介绍模糊综合评判、模糊模式识别、模糊聚类、模糊控制等最常用方法的应用。而相应的理论和算法这里不作详细介绍，请参阅有关的书籍。 §1 模糊综合评判及其应用 一、模糊综合评判 在我们的日常生活和工作中，无论是产品质量的评级，科技成果的鉴定，还是干部、学生的评优等等，都属于评判的范畴。如果考虑的因素只有一个，评判就很简单，只要给对象一个评价分数，按分数的高低，就可将评判的对象排出优劣的次序。但是一个事物往往具有多种属性，评价事物必须同时考虑各种因素，这就是综合评判问题。所谓综合评判，就是对受到多种因素制约的事物或对象，作出一个总的评价。 综合评判最简单的方法有两种方式： 一种是总分法，设评判对象有m 个因素，我们对每一个因素给出一个评分i s ，计算出评判对象取得的分数总和 ∑== m i i s S 1 按S 的大小给评判对象排出名次。例如体育比赛中五项全能的评判，就是采用这种方法。 另一种是采用加权的方法，根据不同因素的重要程度，赋以一定的权重，令i a 表示对第i 个因素的权重，并规定 ∑==m i i a 1 1，于是用 ∑== m i i i s a S 1 按S 的大小给评判对象排出名次。 以上两种方法所得结果都用一个总分值表示，在处理简单问题时容易做到，而多数情况下评判是难以用一个简单的数值表示的，这时就应该采用模糊综合评判。 由于在很多问题上，我们对事物的评价常常带有模糊性，因此，应用模糊数学的方法进行综合评判将会取得更好的实际效果。 模糊综合评判的数学模型可分为一级模型和多级模型两类，这里仅介绍一级模型。 应用一级模型进行综合评判，一般可归纳为以下几个步骤： （1）建立评判对象的因素集},,,{21n u u u U =。因素就是对象的各种属性或性能，在不同场合，
什么是综合评价法？ 运用多个指标对多个参评单位进行评价的方法，称为多变量综合评价方法，或简称综合评价方法。其基本思想是将多个指标转化为一个能够反映综合情况的指标来进行评价。如不同国家经济实力，不同地区社会发展水平，小康生活水平达标进程，企业经济效益评价等，都可以应用这种方法。编辑本段综合评价方法的种类 现代综合评价方法包括主成分分析法、数据包络分析法、模糊评价法等。(1)主成分分析法。主成分分析是多元统计分析的一个分支。是将其分量相关的原随机向量，借助于一个正交变换，转化成其分量不相关的新随机向量，并以方差作为信息量的测度，对新随机向量进行降维处理。再通过构造适当的价值函数，进一步做系统转化。(2)数据包络分析法。它是创建人以其名字命名的DEA模型——CR模型。DEA法不仅可对同一类型各决策单元的相对有效性做出评价与排序，而且还可进一步分析各决策单元非DE有效的原因及其改进方向，从而为决策者提供重要的管理决策信息。 (3)模糊评价法。模糊评价法奠基于模糊数学。它不仅可对评价对象按综合分值的大小进行评价和排序，而且还可根据模糊评价集上的值按最大隶属度原则去评定对象的等级。 编辑本段综合评价法的特点 综合评价法的特点表现为：（1）评价过程不是逐个指标顺次完成的，而是通过一些特殊方法将多个指标的评价同时完成的；（2）在综合评价过程中，一般要根据指标的重要性进行加权处理；（3）评价结果不再是具有具体含义的统计指标，而是以指数或分值表示参评单位"综合状况"的排序。 编辑本段综合评价法的要素 构成综合评价的要素主要有：1．评价者。评价者可以是某个人或某团体。评价目的的给定、评价指标的建立、评价模型的选择、权重系数的确定都与评价者有关。因此，评价者在评价过程的作用是不可轻视的。2．被评价对象。随着综合评价技术理论的开展与实践活动，评价的领域也从最初的各行各业经济统计综合评价拓展到后来的技术水平、生活质量、小康水平、社会发展、环境质量、竞争能力、综合国力、绩效考评等方面。这些都能构成被评价对象。3．评价指标。评价指标体系是从多个视角和层次反映特定评价客体数量规模与数量水平的。它是一个“具体一抽象一具体”的辩证逻辑思维过程，是人们对现象总体数量特征的认识逐步深化、求精、完善、系统化的过程。4．权重系数。相对于某种评价目的来说，评价指标相对重要性是不同的。权重系数确定的合理与否，关系到综合评价结果的可信程度。5．综合评价模型。所谓多指标综合评价，就是指通过一定的数学模型将多个评价指标值“合成”为一个整体性的综合评价值。 编辑本段综合评价法的步骤 1、确定综合评价指标体系，这是综合评价的基础和依据。 2、收集数据，并对不同计量单位的指标数据进行同度量处理。 3、确定指标体系中各指标的权数，以保证评价的科学性。 4、对经过处理后的指标在进行汇总计算出综合评价指数或综合评价分值。 5、根据评价指数或分值对参评单位进行排序，并由此得出结论。 编辑本段综合评价分析指标值的计算方法 主要有打分综合法、打分排队法、综合指数法、功效系数法等。 编辑本段综合评价法的案例分析 案例一：综合评价法在电网工程后评价中的应用[1] 项目后评价的理论基础是现代系统控制与反馈控制的管理理论，后评价是完全建立在实际数据的基础上，如何选择合适的评价体系和指标，正确处理和应用这些数据是成功实施后评价的核心。 1.后评价的总体实施方法电网工程项目后评价主要需要解决三个问题:一是项目的原定目标和目的是否可能达到，目标是否需要调整;三是项目的原定效益是否可能实现以及实现的程度:三是项目运营可持续性，下一步会有什么风险，有多大风险。由于上述三个问题涉及到较多的定量和定性的分析，在实际操作中，可以使用综合评价陆对电网项目实施后评价，可分解为项目建设过程评价、项目经济效益评价、电网项目社会经济的影响评价、可持续性评价、决定性因素评价五个一级评价目标，根据其不同的特点选用不同的评价方陆，同时还需要根据工程特点有侧重地分解二级或三级评价目标，从而进行定性或定量分析。设项目实施过程评价为P1，项目效益评价为P2，项目影响评价为P3，项目可持续性评价为P4，其各自所占的权重为 4 ?4，则项目的后评价总评分P的计算方法为: 其中， 4 ?4是各项所占的权重，该数值可通过搜集权威专家的集体意见，对一级评价目标中四
数学建模万能模型优缺点 评价 Prepared on 21 November 2021
八、模型评价 优点： 1、本文在正确、清楚地分析了题意地基础上，建立了合理、科学的可变成本计算模型，为求最大利润准备了条件。 2、在假设基础上建立了计算折旧费用的模型，巧妙地解决了实房、期房数目不确定的问题。 3、建立了以最大利润为目标的单目标规划函数，选用MATLAB 编程，具有一定的实际价值。 4、运用了正确的数据处理方法，很好的解决了小数取整问题。 缺点： 1、在编程中，没有加入*N t N ji i 、的约束条件，导致了最终的运算结果出现小数。最后，我们采用人工方法进行了较好的弥补。 2、公司预计的销售量与实际的销售量肯定会有出入。但在模型计算中，我们取了预计值作为近似值来计算，这与实际值必会有些出入。 3、在假设中我们作出了“顾客完全服从公司分配”的假设，这与实际情况不完全相符。 4、在确定固定成本G 和销售费用X 时，我们只是从网上查阅的资料中得到1500元/平方米和0.1的粗略值，这与实际情况有出入。但这只会对净利润L 的值产生影响，而不会影响建造计划。 5、模型建立过程中引入的变量过多，容易引起“维数灾”，且不利于编程处理。 十、模型优缺点评价 优点 1、原创性很强，文章中的大部分模型都是自行推导建立的； 2、建立的规划模型能与实际紧密联系，结合实际情况对问题进行求解，使得模 型具有很好的通用性和推广性； 3、模型的计算采用专业的数学软件，可信度较高； 4、对附件中的众多表格进行了处理，找出了许多变量之间的潜在关系； 5、对模型中涉及到的众多影响因素进行了量化分析，使得论文有说服力。 缺点 1、规划模型的约束条件有点简单； 2、顾客满意度调查的权重系数人为确定缺少理论依据； 3、没有很好地把握论文的重心，让人感觉论文有点散。
教师评价模型 一、 摘要 学校是一个充满着评价人的场所，每时每刻都在对各个人进行评价。毫不夸张地说评价 教 师 是 学 校 里 每 个 人 的 “ 日 常 功 课 ” 。 由于教师职业劳动的特殊性，它是复杂劳动。不能仅仅用工作量来评价教师的劳动，同时评价教师的人员纷繁复杂，方式多种多样。评价教师的标准往往束缚着学校的教学质量，教师教学的积极性。所以教师评价的确定就显的很重要。 新课程强调：评价的功能应从注重甄别与选拔转向激励、反馈与调整；评价内容应从过分注重学业成绩转向注重多方面发展的潜能；评价主体应从单一转向多元。 那么如何公正、客观地评价教师的同时，有效地保护教师的教学积极性和帮助提高学校的办学水平呢？ 此模型的建立改变了以往同类模型的多种弊端，从另一角度更加合理地分析、评价，就是为了更公平，公正地对教师做出合理的评价，从而促进学生发展和教师提高。 本模型主要用了模糊数学模型和对各项评价付权重的方法进行建模分析。从（1）教师对自己的评价，（2）学生对教师的评价；（3）由专家组对教师的评价的角度出发，通过量化，加权，得出结果。然后确定三方面的比重来评价教师。同时通过确定教师自评与他人评价的比值范围，而确定这次评价是否有效。 在各个方面采用的数学模型如下： 1、 教师对自己的评价： 教师对自己的满意度，既体现教师的主人翁意识也保护教师的教学积极性。 16 1 160 i i i P Q D ==∑ ( i ∈[1,16]) (Q 表示教师自评的得分 Pi 表示教师对自己各项符合度而打的分数 Di 表示对教师自评要求各项所加给的权重) 2、 学生对教师的评价： 表明以学生为主体，体现了模型的客观性，公平、公开的原则。 9 j i ij i d c a ==∑ ij a =ij n u ij a =A （U ，V ） （ U 为评价的主要因素， V 为评价因素分等。 C i 为学生对教师的各项评价要求所付的权重 N 为填写有效调查表的人数） 3、 由专家组成通过听课对教师的评价： 表明专家对教师指导性，帮助教师提高教学水平。体现了评价的权威性，真实性。同时也是作为教师提拔的一个方面。 （ 1 ） 建 立 综 合 评 价 矩 阵 51 ij ij ik k c g c == ∑