數學模組化-評價類問題
問題的引入:
假設小明同學聯考結束,準備選擇EE或者是CS裡面的一個,現在,我們需要幫助小明做出符合數學的抉擇。
(其實是一類問題,問題本身是非數學的,再比如,你母親和女友同時落水,你準備救哪一個,但是,我們需要根據我們所學的數學知識,做出抉擇)
那麼我們就打分吧。
一個顯然的想法:确定好打分名額,然後,對每個方案進行打分。
但是,問題在于,怎麼打分?畢竟,打分這事,有點主觀性過強。
是以,接下來,介紹的,評價類算法,就是告訴我們,怎麼打分。
首先上場的是層次分析法
簡單的介紹:(此處引用他人的部落格。。)
說白了,就是幾步,我畫了個流程圖來概括其大緻思路。
根據問題,确定目标層
根據文獻(自己的推測?)确定準則層與決策層(個數小于15)
然後兩兩确定,寫出判斷矩陣,再進行一緻性檢驗,
在一緻性檢驗通過的時候,求解權重
(P.S這種方法,也可以進行判斷比較并确定其它評價方法裡面準則的權重)(套娃??)
然後上場的,是TOPSIS方法(優劣解距離法)
上種方法評價的決策層不能太多,否則,差異太大
如果我們已經得到了資料,那麼,層次分析法就顯得太主觀了,引入資料來分析,更加客觀。
此處再次引用他人部落格
基本的思路
對名額進行分類:
極大(小)型名額:越大(小)越好
中間(區間)型:居中(某一個區間)就好
然後極小型(中間型)轉極大型
标準化消去名額間的量綱
最後進行歸一化:
(抽象的來看,就是導出評價對象在評價域這個向量空間裡面,與我們最大(小)值向量的距離,并以此來進行排序)
導出與最大/最小
是以,方法的核心就是:對我們手中所得到的資料進行處理,找出名額,處理掉名額的量綱影響,确定一個評價空間,在這個向量空間裡面,找出每一個對象距離最大值與最小值的距離。
二話不說,上流程圖:
在TOPSIS方法裡面,每個名額對應的權重,是可以根據層次分析法進行指派的,不過,這種方法主觀性太強了。還有一種方法,也可以對名額進行指派
熵權法
名額的變異程度越小,反應的資訊量越小,對應的權值應該越低
而機率越大的事件,其資訊量應該越少,機率越小,資訊量應該越多。
基本原理:引用他人部落格
基本的流程:
1)資料處理,歸一化
2)計算資訊熵
3)計算權重
換一種角度,還有方法進行評價-模糊綜合評價
其實,所有的評價類問題的方法,抽象的來看,說的都是一個東西。
定義:
因素集:所研究的問題,可以從多個角度看,因素集,即問題空間中的一組基。
評語集:将問題空間裡面的元素經映射後,對應的結果(值域)。
權重集:各因素集元素在某一次至評語集映射中所占權重。
我們在評價類問題裡面需要解決的要做的:把論域中的對象對應至評語集中指定的評語。不同的評價類方法,就是不同的映射。将論域V裡面的問題,映射到我們的評價域U。
上面的比較抽象,其實簡單的來說,就是對某一特定對象給出一個評價。或者,将把評價換成方案。
那麼,回到原點,什麼是模糊綜合評價?
簡單的來說,就是引入模糊數學裡面的概念,通過隸屬函數(模糊)/模糊統計法,确定好各因素在評語集裡面所占的份量,最後,賦予權重,找最大的權值的評語作為我們的結論。
詳細的解說:
别人的部落格
我對上述過程畫了一張圖來幫助了解。