数学建模综合评价

数学建模之综合评价问题综合评价是数学建模中的一类常见的问题，在国赛和美赛中都经常出现，例如国赛05年长江水质的综合评价、2010年上海世博会影响力的定量评估问题、2014年美赛“最好大学教练“问题、2015年的“互联网+”时代的出租车资源配等，这些都属于综合评价类问题。

综合评价问题是数学建模问题中思路相对清晰的一类题目，从每学期的综合测评、旅游景点的选择到挑选手机，评价类问题在生活中也是处处存在。

今天小编和大家一起梳理一下综合评价类问题的一般思路。

首先，综合评价模型一般步骤为：1. 明确评价目的；2. 确定被评价对象；3. 建立评价指标体系（包括评价指标的原始值、评价指标的若干预处理等）；4. 确定与各项评价指标相对应的权重系数；5. 选择或构造综合评价模型；6. 计算各系统的综合评价值,并给出综合评价结果。

1. 选择恰当的评价指标选取合理的评价指标是综合评价问题的第一步，要考虑四个准则——代表性、确定性、独立性、区别能力。

•代表性：各层次指标能最好地表达所代表的层次；•确定性：指标值要确定、可量化，高低在评价中有确切的含义；•独立性：选定的指标要互相独立，不能相互替代；•区别能力/灵敏性：指标有一定的波动范围。

当建模过程中需要确定评价指标时，我们首先要将赛题中给出的指标考虑进来，然后再从不同维度确定评价指标，这个时候我们应该大量查阅相关文献，看看类似问题前人都选取了哪些指标，在全面考虑问题的基础上，尽可能选择被广泛利用的指标。

例如在05年国赛题目《长江水质的综合评价》中，题目中给出了评价水环境的指标：溶解氧、高锰酸盐指数、氨氮、PH值四项指标；例如当我们选择一个旅游景点时，可能选取的指标有景色、费用、居住环境、饮食、旅途等指标。

2. 评价指标的规范化处理在我们选取的众多评价指标中，有些指标数值越大越好（“极大型”指标），有些指标越小越好（“极小型”指标），有些指标是在一定范围内（“区间型”指标）。

数学建模中的常见模型数学建模综合评价模型是一种通过对各个评价指标进行量化，并将它们按照权重进行加权，最终得到一个综合评价值的方法。

这个模型可以应用于多指标决策问题，用于对被评价对象进行排名或分类。

常见的数学建模综合评价模型包括模糊综合评价模型、灰色关联分析模型、Topsis（理想解法）、线性加权综合评价模型、熵值法和秩和比法等。

模糊综合评价模型是一种基于模糊数学理论的方法，它将评价指标的模糊程度考虑在内，得到一个模糊评价结果。

该模型的步骤包括确定评价指标及其权重、构建模糊评价矩阵、进行模糊运算、得到模糊评价结果。

灰色关联分析模型是一种用于分析指标间关联性的方法，它可以帮助我们确定各个指标对被评价对象的影响程度。

该模型的步骤包括确定关联度计算方法、计算各个指标的关联度、得到综合关联度。

Topsis（理想解法）是一种基于距离的方法，它通过计算每个评价对象与理想解的距离，得到一个综合评价值。

该模型的步骤包括确定正负理想解、计算距离、得到综合评价值。

线性加权综合评价模型是一种常用的多指标决策方法，它将各个评价指标的权重与指标值线性组合起来，得到一个综合评价值。

该模型的优点是简单易操作，计算方便，可以对各个指标的重要性进行量化，并将其考虑在评价中。

但是，该模型的权重确定较为主观，且假设指标之间相互独立，不考虑相关性。

熵值法是一种基于信息熵理论的方法，它通过计算每个指标的熵值，得到一个综合评价值。

该模型的步骤包括计算指标的熵值、计算权重、得到综合评价值。

秩和比法是一种用于处理多指标决策问题的方法，它通过计算指标的秩和比，得到一个综合评价值。

该模型的步骤包括编秩、计算秩和比、得到综合评价值。

根据具体的评价需求和问题特点，我们可以选择合适的数学建模综合评价模型来进行评价。

每个模型都有其优点和缺点，需要根据具体情况进行选择和应用。

<span class="em">1</span><spanclass="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [数学建模——评价模型]()[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_sourc e":"vip_chatgpt_mon_search_pc_result","utm_medium":"di stribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_itemstyle="max-width: 100%"] [ .reference_list ]。

数学建模综合评价与决策方法数学建模综合评价与决策方法是指在数学建模的过程中，采用合适的评价方法对建模结果进行评估，并基于评估结果做出决策。

这是一个重要的环节，能够帮助我们判断建模的合理性、有效性，为决策提供科学依据。

本文将介绍几种常用的数学建模综合评价与决策方法。

一、灰色关联度分析灰色关联度分析是一种综合评价方法，适用于多指标、多层次的决策问题。

其基本思想是通过灰色关联度指标来衡量不同因素与目标之间的关联程度，从而评估各个因素对目标的贡献程度。

具体步骤如下：（1）确定评价因素和目标；（2）进行数据归一化，将各个指标转化为单位化的变量；二、层次分析法（AHP）层次分析法是一种量化分析方法，用于处理多准则决策问题。

该方法将决策问题层次化，通过构建判断矩阵对各层次的因素进行定量分析，从而得出最终的决策结果。

具体步骤如下：（1）确定层次结构，将决策问题层次分解为上、下级层次；（2）构建判断矩阵，通过专家评分或经验判断，构造各层次因素之间的重要性判断矩阵；（3）计算权重，通过特征向量法计算各个因素的权重；（4）一致性检验，通过判断矩阵的一致性指标和一致性比例判断判断矩阵的可靠性；（5）计算综合权重，通过将各个层次的权重相乘得到综合权重；（6）进行评价和排序，根据综合权重对各个决策方案进行评价和排序，从而得到最终的决策结果。

三、模糊综合评判法模糊综合评判法是一种适用于部分信息不确定的评价方法。

该方法通过建立模糊综合评判模型，将不确定的信息转化为模糊数，并通过模糊数的运算进行综合评价。

具体步骤如下：（1）确定评价指标和权重；（2）进行数据模糊化，将具体数值转化为模糊数；（3）构建模糊关系矩阵，将模糊数代入模糊关系矩阵中；（4）进行模糊数的运算，通过模糊数的运算得到各个因素的评价结果；（5）进行评价和排序，根据评价结果对各个决策方案进行评价和排序。

综合评价与决策方法是数学建模的重要环节，可以帮助我们对建模结果进行客观、科学的评估，并基于评估结果做出决策。

所谓指标就是用来评价系统旳参量. 例如, 在校学生规模、教学质量、师资构造、科研水平等, 就可以作为评价高等院校综合水平旳重要指标. 一般说来, 任何—个指标都反映和刻画事物旳—个侧面.从指标值旳特性看, 指标可以分为定性指标和定量指标. 定性指标是用定性旳语言作为指标描述值, 定量指标是用品体数据作为指标值. 例如, 旅游景区质量等级有、、、和之分, 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.从指标值旳变化对评价目旳旳影响来看, 可以将指标分为如下四类：(1)极大型指标(又称为效益型指标)是指标值越大越好旳指标；(2)极小型指标(又称为成本型指标)是指标值越小越好旳指标；(3)居中型指标是指标值既不是越大越好, 也不是越小越好, 而是适中为最佳旳指标；(4) 区间型指标是指标值取在某个区间内为最佳旳指标.例如, 在评价公司旳经济效益时, 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, 因此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, 其值旳变化范畴一般是×标旳价, 超过此范畴旳都将被裁减, 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, 不管按什么方式对指标进行分类, 不同类型旳指标可以通过相应旳数学措施进行互相转换8.2.4 评价指标旳预解决措施一般状况下, 在综合评价指标中, 各指标值也许属于不同类型、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. 为了尽量地反映实际状况, 消除由于各项指标间旳这些差别带来旳影响, 避免浮现不合理旳评价成果, 就需要对评价指标进行一定旳预解决, 涉及对指标旳一致化解决和无量纲化解决.1. 指标旳一致化解决所谓一致化解决就是将评价指标旳类型进行统一．一般来说, 在评价指标体系中, 也许会同步存在极大型指标、极小型指标、居中型指标和区间型指标, 它们都具有不同旳特点．如产量、利润、成绩等极大型指标是但愿取值越大越好；而成本、费用、缺陷等极小型指标则是但愿取值越小越好；对于室内温度、空气湿度等居中型指标是既不盼望取值太大, 也不盼望取值太小, 而是居中为好．若指标体系中存在不同类型旳指标, 必须在综合评价之前将评价指标旳类型做一致化解决．例如, 将各类指标都转化为极大型指标, 或极小型指标．一般旳做法是将非极大型指标转化为极大型指标．但是, 在不同旳指标权重拟定措施和评价模型中, 指标一致化解决也有差别．(1) 极小型指标化为极大型指标对极小型指标, 将其转化为极大型指标时, 只需对指标取倒数:1j jx x '=， 或做平移变换: j j j x M x '=-，其中 , 即n 个评价对象第j 项指标值 最大者. (2) 居中型指标化为极大型指标对居中型指标 , 令 , , 取2(),;2 2(),.2j j j j j j j jj 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 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 , 是取值介于区间 内时为最佳, 指标值离该区间越远就越差. 令 , ,取1,;1, ; 1,.j jj j jj j j j j jj j j a x x a c x a x b x bx b c -⎧-<⎪⎪⎪'=≤≤⎨⎪-⎪->⎪⎩就可以将区间型指标 转化为极大型指标.类似地, 通过合适旳数学变换, 也可以将极大型指标、居中型指标转化为极小型指标．2. 指标旳无量纲化解决所谓无量纲化, 也称为指标旳规范化, 是通过数学变换来消除原始指标旳单位及其数值数量级影响旳过程. 因此, 就有指标旳实际值和评价值之分. —般地, 将指标无量纲化解决后来旳值称为指标评价值. 无量纲化过程就是将指标实际值转化为指标评价值旳过程.对于 个评价对象 , 每个评价对象有 个指标, 其观测值分别为(1,2,,;1,2,,)ij x i n j m ==．(1) 原则样本变换法 令* (1,1).ij jij jx x x i n j m s -=≤≤≤≤其中样本均值 , 样本均方差 , 称为原则观测值.特点：样本均值为 , 方差为 ；区间不拟定, 解决后各指标旳最大值、最小值不相似；对于指标值恒定( )旳状况不合用；对于规定指标评价值 旳评价措施(如熵值法、几何加权平均法等)不合用．(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 niji n x x x i n j m x ≤≤≤≤=≠≤≤≤≤对极小型指标, 令*1min (1,1).iji nijijx x i n j m x ≤≤=≤≤≤≤或*111 (max 0, 1, 1).max ij ij ij i niji nx x x i n j m x ≤≤≤≤=-≠≤≤≤≤该措施旳长处是这些变换方式是线性旳, 且变化前后旳属性值成比例. 但对任一指标来说, 变换后旳 和 不一定同步浮现.特点：当 时, ；计算简便, 并保存了相对排序关系． (3) 向量归一化法对于极大型指标, 令* (1,1).ij x x i n j m =≤≤≤≤对于极小型指标, 令*1,1).ij x x i n j m =≤≤≤≤长处: 当 时, , 即 . 该措施使 , 且变换前后正逆方向不变；缺陷是它是非线性变换, 变换后各指标旳最大值和最小值不相似.(4) 极差变换法对于极大型指标, 令*111min (1, 1).max min ij iji nijij iji ni nx x x i n j m x x ≤≤≤≤≤≤-=≤≤≤≤-对于极小型指标, 令*111max (1, 1).max min ij iji nijij iji ni nx x x i m j n x x ≤≤≤≤≤≤-=≤≤≤≤-其长处为通过极差变换后, 均有 , 且最优指标值 , 最劣指标值 . 该措施旳缺陷是变换前后旳各指标值不成比例, 对于指标值恒定( )旳状况不合用.(5) 功能系数法 令*111min (1,1).max min ij iji nijij iji ni nx x x c d i n j m x x ≤≤≤≤≤≤-=+⨯≤≤≤≤-其中 均为拟定旳常数. 表达“平移量”, 表达指标实际基础值, 表达“旋转量”, 即表达“放大”或“缩小”倍数, 则 .一般取 , 即*111min 6040 (1,1).max min ij iji nijij iji ni nx x x i n j m x x ≤≤≤≤≤≤-=+⨯≤≤≤≤-则 实际基础值为 , 最大值为 , 即 .特点: 该措施可以当作更普遍意义下旳一种极值解决法, 取值范畴拟定, 最小值为 , 最大值为 ．3. 定性指标旳定量化(1) 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：质量较好、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, 必须先通过合适旳方式进行赋值, 使其量化．一般来说, 对于指标最优值可赋值 , 对于指标最劣值可赋值为 ．对极大型和极小型定性指标常按如下方式赋值． (2) 极大型定性指标量化措施对于极大型定性指标而言, 如果指标可以分为很低、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, 相应关系如图8-2所示. 介于两个等级之间旳可以取两个分值之间旳合适数值作为量化值.图８-2 极大型定性指标量化措施(2) 极小型定性指标量化措施对于极小型定性指标而言, 如果指标可以分为很高、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, 相应关系如图8-3所示. 介于两个等级之间旳可以取两个分值之间旳合适数值作为量化值.模糊综合评价措施在客观世界中, 存在着许多不拟定性现象, 这种不拟定性有两大类: 一类是随机性现象, 即事物对象是明确旳, 由于人们对事物旳因果律掌握不够, 使得相应成果具有不可预知性, 例如晴天、下雨、下雪, 这是明确旳, 但浮现规律不拟定；另一类是模糊性现象, 即某些事物或概念旳边界不清晰, 使得事物旳差别之间存在着中间过渡过程或过渡成果, 例如年轻与年老、高与矮、美与丑等, 这种不拟定性现象不是人们旳结识达不到客观实际所导致旳, 在构造旳不拟定属性, 称为糊性现象.模糊数学就是用数学措施研究和解决具有“模糊性”现象旳一种数学分支．而模糊综合评价就是以模糊数学为基础, 应用模糊关系合成旳原理, 将某些边界不清、不易定量旳因素定量化, 进行综合评价旳一种措施．. 从属度函数旳拟定措施从属度旳思想是模糊数学旳基本思想, 拟定符合实际旳从属函数是应用模糊数学措施建立数学模型旳核心, 然而这是至今尚未完全解决旳问题．下面简介几种常用旳拟定从属函数旳措施．⑴ 模糊记录法模糊记录法是运用概率记录思想拟定从属度函数旳一种客观措施, 是在模糊记录旳基础上根据从属度旳客观存在性来拟定旳. 下面以拟定青年人旳从属函数为例来简介其重要过程.① 以年龄为论域 , 在论域 中取一固定样本点 .② 设 为论域 上随机变动旳一般集合, 是青年人在 上觉得 弹性边界旳模糊集, 对 旳变动具有制约作用．其中 , 或 , 使得 对 旳从属关系具有不拟定性．然后进行模糊记录实验, 若 次实验中覆盖 旳次数为 , 则称 为 对于 旳从属频率．由于当实验次数 不断增大时, 从属频率趋于某一拟定旳常数, 该常数就是 属于 旳从属度, 即0()lim .n An mx nμ→∞=例如在论域 中取 , 选择若干合适人选, 请他们写出各自觉得青年人最合适最恰当旳年龄区间(从多少岁到多少岁), 即将模糊概念明确化. 若 次实验中覆盖27岁旳年龄区间旳次数为 , 则称 为27岁对于青年人旳从属频率, 表8-4是抽样调查记录旳成果. 由于27岁对于青年人旳从属频率稳定在0. 78附近, 因此可得到 属于模糊集 旳从属度 .③ 在论域 中合适旳取若干个样本点 , 分别拟定出其从属度 , 建立合适坐标系, 描点连线即可得到模糊集 旳从属函数曲线.将论域 分组, 每组以中值为代表分别计算各组从属频率, 持续地描出图形使得到青年人旳从属函数曲线, 见表8-5与图8-5所示.拟定模糊集合从属函数旳模糊记录措施, 注重实际资料中涉及旳信息, 采用了记录分析手段, 是一种应用拟定性分析揭示不拟定性规律旳有效措施．特别是对某些从属规律不清晰旳模糊集合, 也能较好地拟定其从属函数．22.5~23.5 129 1.00 34.5~35.5 260.202 23.5~24.5 129 1.00 35.5~36.5 1 0.008 24.5~25.5128 0.992⑵ 三分法三分法也是运用概率记录中思想以随机区间为工具来解决模糊性旳旳一种客观措施. 例如建立矮个子 , 中档个子 , 高个子 三个模糊概念旳从属函数. 设3{}P =矮个子,中等个子,高个子，论域 为身高旳集合, 取 (单位: m). 每次模糊实验拟定 旳一次划分, 每次划分拟定一对数 , 其中 为矮个子与中档个子旳分界点, 为中档个子与高个子旳分界点, 从而将模糊实验转化为如下随机实验: 即将 看作二维随机变量, 进行抽样调查, 求得 、旳概率分布 、 后, 再分别导出 、 和 旳从属函数 、 和 , 相应旳示意图如图8-6所示.1()(),A x x P t dt ξμ+∞=⎰ 3()(),A xx P t dt ημ+∞=⎰213()1()().A A A x x x μμμ=--一般 和 分别服从正态分布 和 , 则 、 和 旳从属函数分别为111()1,A x a x μσ⎛⎫-=-Φ⎪⎝⎭322()1,A x a x μσ⎛⎫-=-Φ ⎪⎝⎭ 22121().A x a x a x μσσ⎛⎫⎛⎫--=Φ-Φ⎪ ⎪⎝⎭⎝⎭其中221().2t xx e dt π--∞Φ=⎰⑶ 模糊分布法根据实际状况, 一方面选定某些带参数旳函数, 来表达某种类型模糊概念旳从属函数（论域为实数域）, 然后再通过实验拟定参数.在客观事物中, 最常见旳是以实数集作论域旳情形. 若模糊集定义在实数域 上, 则模糊集旳从属函数便称为模糊分布. 下面给出几种常用旳模糊分布, 在后来拟定从属函数时, 就可以根据问题旳性质, 选择合适(即符合实际状况)模糊分布, 根据测量数据求出分布中所含旳参数, 从而就可以拟定出从属函数了.为了选择合适旳模糊分布, 一方面应根据实际描述旳对象给出选择旳大体方向. 偏小型模糊分布适合描述像“小”、“冷”、“青年”以及颜色旳“淡”等偏向小旳一方旳模糊现象, 其从属函数旳一般形式为图8-5 年轻人旳从属函数曲线 图8-6 由概率分布拟定模糊集从属函数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”以及颜色旳“浓”等偏向大旳一方旳模糊现象, 其从属函数旳一般形式为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”等处在中间状态旳模糊现象, 其从属面数可以通过中间型模糊分布表达.① 矩形(或半矩形)分布(a)偏小型(b)偏大型(c)中间型1,;()0,.A x a x x a μ≤⎧=⎨>⎩0,;()1,.A x a x x a μ<⎧=⎨≥⎩0,;()1,;0,.A x a x a x b x b μ<⎧⎪=≤≤⎨⎪>⎩此类分布是用于确切概念. 矩形(或半矩形)分布相应旳示意图如图8-7所示.图8-7矩形(或半矩形)分布示意图② 梯形(或半梯形)分布(a)偏小型(b)偏大型 (c)中间型1, ; (),;0, .A x a b xx a x b b ax b μ<⎧⎪-⎪=≤≤⎨-⎪⎪>⎩0, ;(),;1, .A x a x ax a x b b a x b μ<⎧⎪-⎪=≤≤⎨-⎪⎪>⎩ 0, ,;,; ()1, ;,;A x a x d x a a x b b ax b x c d xc xd d cμ<≥⎧⎪-⎪≤<⎪-=⎨≤<⎪⎪-≤<⎪-⎩梯形(或半梯形)分布旳示意图如图8-8所示.③ 抛物形分布(a)偏小型(b)偏大型(c)中间型(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8-8梯形(或半梯形)分布示意图1, ; (),;0, .k A x a b x x a x b b a x b μ<⎧⎪⎪-⎛⎫=≤≤⎨ ⎪-⎝⎭⎪⎪>⎩ 0, ; (),;1, .k A x a x a x a x b b a x b μ<⎧⎪⎪-⎛⎫=≤≤⎨ ⎪-⎝⎭⎪⎪>⎩ 0, ,;,; ()1, ;,;k A kx a x d x a a x b b a x b x c d x c x d d c μ<≥⎧⎪-⎛⎫⎪≤< ⎪⎪-⎪⎝⎭=⎨≤<⎪⎪-⎛⎫⎪≤< ⎪-⎪⎝⎭⎩抛物形分布旳示意图如图8-9所示.④ 正态分布(a)偏小型(b)偏大型(c)中间型21, ;(),.x a A x a x e x a σμ-⎛⎫- ⎪⎝⎭≤⎧⎪=⎨⎪>⎩20, ;()1,.x a A x a x e x a σμ-⎛⎫- ⎪⎝⎭<⎧⎪=⎨⎪-≥⎩ 2().x a A x eσμ-⎛⎫- ⎪⎝⎭=正态分布旳示意图如图8-10所示.⑤ 柯西分布(a)偏小型(b)偏大型(c)中间型1, ;()1,.1() (0,0)A x a x x a x a βμααβ≤⎧⎪=⎨>⎪+-⎩>> 0, ;()1,.1() (0,0)A x a x x a x a βμααβ-≤⎧⎪=⎨>⎪+-⎩>> 1(),1()(0,).A x x a βμααβ=+->为正偶数柯西形分布旳示意图如图8-11所示. (a)偏小型 (b)偏大型 (c)中间型 图8-9 抛物形分布示意图(a)偏小型 (b)偏大型 (c)中间型 图8-10 正态分布示意图 (a) 偏小型 (b)偏大型 (c)中间型图8-11 柯西分布示意图⑥Γ型分布(a)偏小型(b)偏大型(c)中间型()1, ;(),.k x a A x a x ex a μ--≤⎧=⎨>⎩ ()0, ;()1,.k x a A x a x ex a μ--≤⎧=⎨->⎩()(),;()1, ;,.k x a A k b x e x a x a x b ex b μ----⎧<⎪=≤<⎨⎪≥⎩其中 . 型分布旳示意图如图8-12所示.(a) 偏小型 (b)偏大型 (c)中间型图8-12 Γ型分布示意图。

数学建模综合评价与决策方法讲义一、综合评价方法1. 层次分析法（Analytic Hierarchy Process, AHP）-建立层次结构模型，将问题分解为若干层次的子目标。

-设定评价指标，确定各级指标的权重。

-进行判断矩阵的构建和归一化处理，计算各指标的相对重要性。

-计算得到各评价对象的综合得分。

2.评价函数法-建立指标体系，确定评价指标及其权重。

-设定评价函数，将指标的具体取值代入评价函数中计算得分。

-对各个评价对象进行综合评价，得到最终得分。

3.灰色关联分析法-将评价对象的指标数据进行标准化处理。

-计算各指标与评价对象的关联度，并对其进行等级排序。

-综合各指标的关联度得到评价对象的综合得分。

4.主成分分析法-将指标变量进行标准化处理。

-计算相关系数矩阵，并求取其特征值和特征向量。

-选择主成分，计算得到各指标的主成分系数。

-根据主成分系数计算各评价对象的得分。

二、决策方法1.线性规划-建立数学模型，确定决策变量和目标函数。

-设定约束条件，包括线性约束和非负约束等。

-进行优化求解，得到最优解。

2.整数规划-在线性规划的基础上，限制决策变量为整数。

-利用启发式算法（如分支定界法、遗传算法等）求解整数规划问题。

3.动态规划-将问题划分为若干个阶段，设计状态变量和状态转移方程。

-确定决策变量和目标函数。

-利用递归的方式，从最后一个阶段开始向前推导，得到最优解。

4.决策树-建立决策树模型，将问题划分为若干个决策节点和叶节点。

-根据数据集的属性值进行分割，选择最优的分割属性。

-递归地构建决策子树，对新样本进行分类。

5.模拟退火算法-建立数学模型，确定决策变量和目标函数。

-设定初始解和目标函数的初始值。

-迭代过程中，通过接受非优解的概率来避免陷入局部最优解，以找到全局最优解。

以上是数学建模中常用的综合评价和决策方法，在实际问题中可以根据具体情况选择合适的方法进行分析和求解。

数学建模的综合评价和决策方法能够帮助我们在不确定和复杂的问题中做出合理的决策，并找到最优解。

数学建模模糊综合评价法1. 什么是模糊综合评价法？好啦，今天咱们聊聊一个听起来复杂，但其实挺有意思的话题——模糊综合评价法。

别担心，不会让你脑袋里冒烟的。

其实，模糊综合评价法就像一个超级聪明的评委，专门用来评判那些不那么明确的事情。

比如，假设你想评估一个产品的质量，单靠“好”或“不好”这两个词，太简单了吧？这时候，模糊综合评价法就能派上用场了！想象一下，如果你要评价一部电影，除了“好看”和“难看”，你可能会考虑“剧情”、“演技”、“音乐”、“特效”等等。

而每一项评价可能还有不同的分数，像是“非常好”、“一般”、“差不多”等等。

模糊综合评价法就像给你一张多维度的评分表，让你全面而又细致地评估一件事情，省得你像那种一口气就咽下去的面条，吞得太快，咽不下去还得拉肚子。

2. 模糊综合评价法的基本步骤2.1 确定评价指标首先，我们得确定评价指标。

就像你要做一道美味的菜，必须先想好要用哪些食材。

比如说，如果你在评价一款手机，可能会考虑“屏幕清晰度”、“电池续航”、“拍照效果”等等。

每个指标就像是你挑选的食材，每个食材的好坏都会影响到最后的菜肴。

2.2 建立评价模型接下来，就是建立评价模型。

这里的模型有点像是咱们的食谱，得把所有的指标按照一定的规则组合在一起。

你可以根据每个指标的重要性来加权，也就是说，有些食材比其他的更重要。

比如，电池续航对一个经常出门的人来说，肯定比音质重要。

然后，你把每个指标的评分汇总，算出一个总分。

简单说，就是给每个食材加点调料，让整道菜更有味道。

3. 实际应用案例3.1 选学校说到这里，咱们不妨举个例子，比如说你想给孩子选个学校。

光看排名可不够，你还得考虑学校的师资力量、校园环境、课外活动、家长评价等等。

这时候，模糊综合评价法就像是你的一个小助手，帮你把这些看似杂乱无章的信息整理成一张清晰的图。

你可以给每个学校的这些指标打分，最终找出一个最适合你孩子的学校。

3.2 企业评估再比如，在企业管理中，模糊综合评价法也大显身手。

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 jx x '=， 或做平移变换：j j j x M x '=-，其中1 max{}j ij i nM 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 nM x ≤≤=，1 min{}j ij i nm 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 nM x ≤≤=，1 min{}j ij i nm x ≤≤=， max{,},j j j j j c a m M b =--取1,;1, ; 1,.j jj j j j j j j j jj j j a x x a c x a x b x bx 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 jij jx x x i n j m s -=≤≤≤≤其中样本均值11n 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 niji n x x x i n j m x ≤≤≤≤=≠≤≤≤≤对极小型指标，令*1min (1,1).iji nijijx x i n j m x ≤≤=≤≤≤≤或*111 (max 0, 1, 1).max ij ij ij i niji nx 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]ijx ∈，即*21()1nij 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 iji nijij iji ni nx x x i n j m x x ≤≤≤≤≤≤-=≤≤≤≤-对于极小型指标，令*111max (1, 1).max min ij iji nijij iji ni nx 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 iji nijij iji ni nx 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 iji nijij iji ni nx 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8-2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８-2 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8-3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．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． ．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nm 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0x 属于A 的隶属度，即0()lim.n A n m x nμ→∞= 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mn为27岁对于青年人的隶属频率，表8-4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8-5与图8-5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8-6所示．1()(),A xx P t dt ξμ+∞=⎰ 3()(),A x x P t dt ημ+∞=⎰213()1()().A A A x x x μμμ=--图8-5 年轻人的隶属函数曲线图8-6 由概率分布确定模糊集隶属函数通常ξ和η分别服从正态分布211(,)N a σ和222(,)N a σ，则1A 、2A 和3A 的隶属函数分别为111()1,A x a x μσ⎛⎫-=-Φ⎪⎝⎭322()1,A x a x μσ⎛⎫-=-Φ ⎪⎝⎭22121().A x a x a x μσσ⎛⎫⎛⎫--=Φ-Φ ⎪ ⎪⎝⎭⎝⎭其中22().t xx 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8-7所示．图8-7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8-8所示．③ 抛物形分布抛物形分布的示意图如图8-9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8-8梯形(或半梯形)分布示意图(a)偏小型 (b)偏大型 (c)中间型图8-9 抛物形分布示意图④ 正态分布正态分布的示意图如图8-10所示．柯西形分布的示意图如图8-11所示．其中0k >．Γ型分布的示意图如图8-12所示．(a)偏小型 (b)偏大型 (c)中间型 图8-10 正态分布示意图 (a) 偏小型 (b)偏大型 (c)中间型 图8-11 柯西分布示意图(a) 偏小型 (b)偏大型 (c)中间型图8-12 Γ型分布示意图。

对几种综合评价方法的评析综合评价是决策科学化、民主化的基础，是实际工作迫切需要解决的问题。

因此，需要我们掌握综合评价的方法。

但是，正如任何事物都有它的两面性一样，每种评价方法有它的产生背景，难免存在着局限性和不足之处，对此我们必须有所认识。

1、对层次分析法（AHP）的评价层次分析法是一种实用的多准则决策方法。

它把一个复杂问题表示为有序的递阶层次结构，通过人们的判断对决策方案的优劣进行排序。

具体地讲，它把复杂的问题分解为各个组成因素，将这些因素按支配关系分组形成有序的递阶层次结构，通过两两比较的方式确定层次中诸因素的相对重要性，然后综合人的判断以决定决策诸因素相对重要性总的顺序。

这种方法能够统一处理决策中的定性与定量因素，具有实用性、系统性、简洁性等优点。

它完全依靠主观评价做出方案的优劣排序，所需数据量很少，决策花费的时间很短。

从整体上看，AHP是一种测度难于量化的复杂问题的手段。

它能在复杂决策过程中引入定量分析，并充分利用决策者在两两比较中给出的偏好信息进行分析与决策支持，既有效地吸收了定性分析的结果，又发挥了定量分析的优劣，从而使决策过程具有很强的条理性和科学性，特别适合在社会经济系统的决策分析中使用。

AHP方法的表现形式与它的深刻的理论内容联系在一起。

简单的表现形式使得AHP方法有着广泛的应用领域；深刻的理论内容确立了它在多准则决策领域中的地位。

层次分析法的特点是：将人们的思维过程数学化、模型化、系统化、规范化、便于人们接受。

用AHP 进行决策，输入的信息主要是决策者的选择与判断，决策过程充分反映了决策者对决策问题的认识，加之很容易掌握这种方法，这就使以往决策者与决策分析者难于互相沟通的善得到改变。

在多数情况下，决策者可以直接使用AHP进行决策，这就大大增加了决策的有效性。

另一方面，在AHP的使用过程中，无论建立层次结构还是构造判断矩阵，人的主观判断、选择、偏好对结果的影响极大，判断知识即可能造成决策失误。

综合评价方法数学建模综合评价方法在数学建模中被广泛应用，用于对模型的准确度和可靠性进行评估。

综合评价方法是通过分析模型的输入、输出和处理过程，结合实际情况来评价模型优劣的一种方法。

本文将介绍几种常见的综合评价方法，并分析它们的优点和不足。

一、误差分析法误差分析法是基于模型输出与实际数据之间的误差来评估模型准确度和可靠性的方法。

该方法通过计算模型的预测值与实际观测值之间的差异，来评估模型的拟合程度。

常用的误差指标包括残差平方和、均方根误差等。

优点是计算简单，直观易懂；缺点是只能评估模型的输出，在一些情况下无法全面评估模型的有效性。

二、参数敏感度分析法参数敏感度分析法是通过改变模型的输入参数，观察模型输出的变化情况，来评估模型的稳定性和可靠性的方法。

该方法通过计算参数的敏感度指标，来评估每个参数对模型输出的影响程度。

常用的敏感度指标包括偏导数、敏感度系数等。

优点是能够全面评估模型的输入对输出的影响；缺点是对于复杂的模型，计算量较大。

三、模型效果评估法模型效果评估法是通过对模型的输出进行评估来评价模型的准确度和可靠性的方法。

该方法通过建立与模型输出相对应的评价指标，来评估模型的效果。

常用的评价指标包括相关系数、拟合好坏指标等。

优点是对模型的整体效果进行综合评估；缺点是评价指标的选择和建立需要考虑实际问题的特点。

四、灵敏度分析法灵敏度分析法是通过改变模型的输入条件，观察模型输出的变化情况，来评估模型的可靠性和鲁棒性的方法。

该方法通过计算输入条件的灵敏度指标，来评估输入条件对模型输出的影响程度。

常用的灵敏度指标包括变动范围、影响程度等。

优点是能够评估模型对输入条件的容忍程度；缺点是对于复杂的模型，计算量较大。

五、假设验证法假设验证法是通过比较模型预测结果与实际观测结果，来评估模型的可靠性和适用性的方法。

该方法通过对模型的假设条件进行验证，来检验模型的合理性和适用性。

常用的方法包括残差分析、拟合优度检验等。