假如我們現在設計了一種服裝,想要調研一下這種服裝的受歡迎程度,該怎麼辦呢?
首先是怎麼表示受歡迎程度呢?我們可以簡單分爲三個等級:受歡迎、一般歡迎、不受歡迎,由於不同的人感受可能不同,結合前面模糊集的概念,我們可以引入隸屬度,比如調查後得到 50% 的人喜歡,30%一般,20%不喜歡,我們就可以取隸屬度分別爲 0.5,0.3,0.2。
當然這樣太粗糙了,我們知道評價一個衣服的因素有很多,比如樣式、耐穿性、價格等,而不同因素即使對同一個人的值觀感受也是不一樣的,比如有的人很喜歡這個樣式,但是摸了摸錢包,發現這個衣服是這麼的難看!所以要想更好的評價,我們需要對每一個指標分別評估一下受歡迎程度,然後把各種因素綜合起來。這就是模糊綜合評判要做的事情。
1. 一級模糊綜合評判
現在我們把上面描述的過程規範化。我們有因素集 U={u1,...,un},評語集 V={v1,...,vm}。
綜合評判的步驟是什麼呢?
- 首先要對每個因素分別進行單因素評判,也就是獲得 ri=(ri1,⋯,rim)
- 然後把 n 個因素的評判指標拼接成一個 n×m 的矩陣,可以獲得綜合評判矩陣 R=(r1T,⋯,rnT)T
- 之後需要對所有因素進行綜合評判,因此可以設置一個權重 A=(a1,...,an),再根據算子 M(⋅,⋅) 計算 B=A∘R=M(A,R),這個過程實際上就類似於一個加權的過程
- 上一步結束後實際上得到的還是一個向量,要想最後給一個總的評價指標,可以對該向量再進行一次加權或者其他操作,獲得一個總的指標。
下面我對第 3,4 條再詳細解釋一下。
算子 M(⋅,⋅) 可以取很多種形式,比如
- M(∧,∨)⟹bj=max{(ai∧rij),1≤i≤n}(j=1,2,⋯,m)
- M(⋅,∨)⟹bj=max{(ai⋅rij),1≤i≤n}(j=1,2,⋯,m)
- M(⋅,+)⟹bj=∑i(ai⋅rij),(j=1,2,⋯,m)
- M(∧,⨁)=bj=min{1,∑i=1n(ai∧rij)}(j=1,2,⋯,m)
- M(∧,+)⟹bj=∑i(ai∧r0rij),(j=1,2,⋯,m),r0=∑krkj
不同的算子形式有不同特點,也適用於不同情況。
第 3 步經過 M(,) 算子之後,我們得到了模糊評判向量 B,要獲得綜合結論也可以有不同的方式
- u=max(b1,...,bn)
- u=∑iμibi/∑ibi
2. 多級模糊綜合評判
有時候對一件事物的評價有很多指標,這些指標又可以分爲幾大類,比如對高校的評分,可以包括
- 教學:教學下面又可以分爲師資力量、教學設施、學生質量等等
- 科研:… 可以有很多指標
- 圖書館、後勤 …
這個時候我們可以劃分爲多個層次依此評判綜合,其步驟可以描述爲以下形式:
- 將原始因素集 U={u1,...,un} 劃分爲若干組 U=⋃iUi,Ui∩Uj=∅
- 對每組 Ui 分別進行模糊評判,得到 Bi
- 對總的評判矩陣 R=(B1T,...,BkT)T 再次進行綜合評判,得到 B=A∘R,然後可以得到總的綜合評語
最後給我的博客打個廣告,歡迎光臨
https://glooow1024.github.io/
https://glooow.gitee.io/