简介这份资料围绕MATLAB实现投影寻踪博弈论-云模型的滑坡风险评价展开面向地质灾害研究者、城市规划与环境科学从业者及灾害应急管理人员提供从数据采集与预处理、投影寻踪博弈论建模、云模型处理到风险评估输出的一体化项目范例。资源包仅含1个docx文档约55KB正文以项目实例与代码详解为主线覆盖项目背景、目标意义、挑战与解决方案、特点创新和应用领域等章节并包含GUI设计与完整程序解析便于按目录逐模块研读和复现。目前已有78人学习。读者可获得可直接对照的算法实现思路、多学科融合的评估流程、面向滑坡风险预测与防治建议的决策支持框架也可将其迁移至城市规划、农林开发、环境保护及应急预案制定等场景为后续深度学习、大数据融合等改进提供参考。1. 从一组滑坡编录数据说起投影寻踪、博弈论和云模型为什么要一起用去年帮一个山区公路项目做边坡排查手上是 24 个边坡点的编录表坡高、坡度、岩性、结构面发育程度、年降雨量、地震动峰值加速度、人类工程活动强度一共 8 列指标外加一列专家给的初步等级。真正卡住人的不是算不出来而是算出来的结论没人敢签字换成 AHP 让专家打分权重稍微调一调中风险就跳到高风险换成熵权法让数据自己说话某一年降雨异常就把整条路的等级全顶上去了。滑坡风险评价的麻烦在于它同时有三个毛病——指标维度太高、权重来源说不清、等级边界本身是模糊的。投影寻踪负责第一个毛病把 8 维指标按数据自身的聚类结构压到一维投影方向的分量平方天然就是一组客观权重博弈论负责第二个毛病让主观权重和客观权重谈判出一个离两者偏差都最小的组合权重云模型负责第三个毛病用期望、熵、超熵三个数字把低风险高风险这种带过渡带的定性概念量化输出的是对每个等级的确定度而不是一刀切。MATLAB 在这条链路里承担两件事跑遗传算法求投影方向、算云滴和确定度再用 App Designer 把整条流程包成一个能交付给项目组点按钮的工具。2. 投影寻踪把 8 个滑坡指标压成一维2.1 滑坡指标的三类标准化公式与代码投影寻踪对量纲极其敏感坡高是几十米、降雨量是上千毫米不标准化的话投影方向会被数值大的指标绑架。滑坡指标按危险性方向分三类越大越危险坡度、坡高、降雨量、地震加速度、越大越安全岩体完整性系数、内摩擦角、区间型高程、距断层距离常存在一个最不利区间。三套公式不能混用混用之后投影值的经济含义就乱了。function Xn normalize_index(X, type) % X : n×m 原始指标矩阵n 为边坡样本数m 为指标数 % type : 1×m 元胞取值 pos越大越危险、neg越大越安全、mid区间型 [n, m] size(X); Xn zeros(n, m); for j 1:m col X(:, j); switch type{j} case pos Xn(:, j) (col - min(col)) / (max(col) - min(col)); case neg Xn(:, j) (max(col) - col) / (max(col) - min(col)); case mid a 0.9 * mean(col); b 1.1 * mean(col); % 最不利区间上下界 Xn(:, j) 1 - max(a - col, col - b) ./ max(a - min(col), max(col) - b); end end Xn(Xn 0) 0; % 区间型可能出现负值截断到 0 end逻辑上前两类是极差归一化输出严格落在 [0,1]区间型用到最不利区间的相对偏离衡量落在区间内取 1越远越小。a、b的取法需要结合具体指标比如距断层距离的最不利区间通常由规范给定而不是用均值推我在实际项目里会把它做成normalize_index的第三个入参传进来避免硬编码。2.2 投影指标函数类间散度乘类内密度投影寻踪的核心思想是找一个方向a让样本投影到这条直线上以后整体尽量散开、局部尽量抱团。散开用投影值的标准差衡量抱团用窗宽R内的点对距离累计衡量两者相乘就是投影指标函数z(i) Σ a(j)·x(i,j), j 1..m S(a) sqrt( Σ (z(i) - z̄)² / (n-1) ) D(a) ΣΣ (R - r(i,j)) · u(R - r(i,j)), r(i,j) |z(i) - z(j)| Q(a) S(a) · D(a), s.t. ‖a‖ 1u(·)是单位阶跃函数只有距离小于R的点对才计入密度。约束‖a‖1必须显式加否则a无限放大会让Q无上界优化直接跑飞。2.3 用遗传算法在 MATLAB 里求最佳投影方向Q(a)关于a高度非线性梯度信息不可用常见做法是遗传算法或粒子群。MATLAB 的ga需要 Global Optimization Toolbox没有的话换成自己写的实数编码遗传算法也能跑逻辑一样。function Q pp_objective(a, Xn, R) % a : m×1 投影方向可正可负靠单位化约束幅值 % Xn : n×m 标准化指标 % R : 窗宽半径控制局部的尺度 [n, ~] size(Xn); a a(:) / norm(a); z Xn * a; Sz sqrt(sum((z - mean(z)).^2) / (n - 1)); % 类间散度 r abs(z - z.); % 成对距离矩阵 Dz sum(sum((R - r) .* (r R))); % 类内密度 Q Sz * Dz; endm size(Xn, 2); R 0.1 * max(pdist(Xn)); % 常用经验值0.1 倍最大样本间距离 obj (a) -pp_objective(a, Xn, R); % ga 求最小目标取负 opts optimoptions(ga, PopulationSize, 80, MaxGenerations, 300, ... CrossoverFraction, 0.8, FunctionTolerance, 1e-8, ... Display, off); [a_best, ~] ga(obj, m, [], [], [], [], -ones(m,1), ones(m,1), [], opts); w_obj a_best(:).^2 / sum(a_best(:).^2); % 分量平方归一化 客观权重PopulationSize取 80 是因为 8 维决策变量下 20~30 的种群容易早熟MaxGenerations300 配FunctionTolerance1e-8通常在 150 代左右收敛。把a的分量平方归一化当客观权重是因为投影方向分量的绝对值反映该指标对投影值的贡献强度平方后消除正负号比直接取绝对值更符合贡献占比的语义。2.4 窗宽 R、符号不确定性和局部最优的坑R是投影寻踪最需要手调的参数。R太小时密度项只统计到极少数近邻点D(a)接近 0Q对方向不敏感R太大时所有点对都计入D(a)退化成常数项优化退化为只最大化标准差。实践区间是0.05~0.3倍最大样本距离我会在这个区间里跑 6 次看Q的最优值和对应等级排序是否稳定。另一个反直觉的点是符号不定a和-a给出的Q完全相同因为标准差和成对距离都对整体符号不敏感。这意味着遗传算法跑两次可能得到镜像方向客观权重的平方归一化不受影响但如果直接拿a的分量当权重就会正负颠倒。我的做法是在拿到a_best后检查与主成分第一方向的相关系数为负就整体取反保证投影方向符号有物理含义。提示ga每次运行结果有随机性交付前用rng(2024)固定随机种子并在报告里附上Q的收敛曲线方便评审看到迭代过程。3. 博弈论组合赋权让 AHP 主观权重和投影权重谈出一个折中3.1 单一赋权在滑坡评价里的失效场景主观赋权AHP、专家排序能体现规范条文和工程经验但一致性比例CR稍微放宽权重就会被人为放大客观赋权投影寻踪、熵权忠实于样本数据结构但样本量小的时候滑坡编录往往只有二三十个点容易被一两个异常样本带偏。滑坡评价里这两种失效都会发生专家觉得岩性最重要数据觉得降雨量最重要各写一份报告结论相反项目组没法用。博弈论组合赋权的思路不是简单加权平均而是把两个权重向量当作博弈的两个参与者寻找一组组合系数α₁、α₂使得组合权重与两个单一权重的偏差之和最小。它的数学形式比取平均更讲道理偏离大的那个权重会被自动降低话语权。3.2 组合权重的一阶最优条件与线性方程组设主观权重w₁、客观权重w₂组合权重w α₁w₁ᵀ α₂w₂ᵀ。以最小化‖w - w_kᵀ‖₂为目标对α求一阶导数并令其为零得到矩阵方程[ w₁w₁ᵀ w₁w₂ᵀ ] [α₁] [ w₁w₁ᵀ ] [ w₂w₁ᵀ w₂w₂ᵀ ] [α₂] [ w₂w₂ᵀ ]解出α后做归一化α* α / (α₁α₂)再算w* α₁*w₁ α₂*w₂。整个求解只是一个 2×2 线性方程组计算量可以忽略真正花时间的是准备两个权重向量。3.3 MATLAB 左除求解组合系数与负值处理w1 w1(:); w2 w2(:); % AHP 权重与投影寻踪客观权重均已归一化 assert(abs(sum(w1)-1) 1e-8 abs(sum(w2)-1) 1e-8, 权重未归一化); A [w1.*w1, w1.*w2; w2.*w1, w2.*w2]; b [w1.*w1; w2.*w2]; alpha A \ b; % 解 2×2 线性方程组 if any(alpha 0) % 出现负系数说明该权重被反向支配 alpha lsqnonneg(A, b); % 非负最小二乘兜底 end alpha alpha / sum(alpha); % 归一化组合系数 w alpha(1)*w1 alpha(2)*w2; % 最终组合权重 w w / sum(w);A \ b走的是 LU 分解两个权重向量线性相关时A接近奇异MATLAB 会给出警告这时改用pinv(A)*b更稳。lsqnonneg的存在是因为博弈解在极端情境下会算出负系数物理上无法解释非负约束是工程上的必要妥协。3.4 组合权重的合理性检验方式组合权重算完不能直接用需要两类检验。第一类是一致性方向检验组合权重与主观权重的排序是否基本一致如果某个指标在主观里排前三、组合后掉到倒数必须回去检查客观权重的计算通常是标准化公式选错了。第二类是敏感性检验把α₁人为固定成 0.3/0.5/0.7 三档看最终风险等级排序有没有跳变。检验项判据不通过时的处理主观一致性AHP 的 CR 0.1退回专家重新构造判断矩阵权重排序一致组合权重与主观权重 Spearman 0.7检查标准化方向是否写反权重分散度max(w)/min(w) 8收紧指标个数或合并同类指标组合系数α₁, α₂ 均为正且不过分集中换 lsqnonneg 或人工设定注意α的归一化不能省。有些资料直接拿未归一化的α去乘权重得到的结果不满足权重和为 1后面云模型综合确定度会整体偏大或偏小。4. 云模型把高风险这种模糊说法变成三个数字4.1 Ex、En、He 的物理含义与等级云参数计算云模型用期望Ex、熵En、超熵He描述一个定性概念。Ex是该等级最典型的取值En是等级边界的模糊程度He是熵本身的离散程度也就是云滴有多厚。对滑坡风险常用的五级划分极低、低、中、高、极高每个等级给定一个取值区间[c_min, c_max]双边约束下Ex (c_min c_max) / 2 En (c_max - c_min) / 6 % 3En 覆盖区间宽度对应正态分布 99.7% 范围 He k · En, k 一般取 0.01 ~ 0.1首末两级是单边约束极低等级形如[0, a]极高等级形如[b, 1]需要用相邻等级的En反算边界否则Ex会落在区间端点外导致云图形状畸形。风险等级归一化综合值区间ExEnHe极低[0, 0.2]0.100.0330.005低(0.2, 0.4]0.300.0330.005中(0.4, 0.6]0.500.0330.005高(0.6, 0.8]0.700.0330.005极高(0.8, 1]0.900.0330.0054.2 条件云发生器求单指标确定度矩阵有了等级云参数下一步是把每个边坡的每个指标值代入X 条件云发生器求它属于各等级的确定度。因为云模型带有随机性单次计算不可靠标准做法是重复采样取均值。function mu cloud_membership(x, Ex, En, He, N) % x : 指标值列向量已归一化到 [0,1] % Ex, En, He : 某一等级的云参数 % N : 采样次数控制随机性经验值 200~500 if nargin 5, N 300; end x x(:); En_n En He * randn(N, 1); % En 服从 N(En, He²) mu zeros(numel(x), 1); for i 1:numel(x) mu(i) mean(exp(-(x(i) - Ex).^2 ./ (2 * En_n.^2))); % 对 N 次采样取均值 end mu(mu 1e-6) 1e-6; % 防止后续归一化出现除零 endEn_n En He*randn(...)这一步是云模型区别于普通正态隶属函数的关键每个云滴的熵本身在波动He越大波动越大云图看起来越厚。对每个指标、每个等级调用一次这个函数拼成n×5×m的确定度张量再按指标维度和权重做加权求和U zeros(n, 5, m); for j 1:m for s 1:5 U(:, s, j) cloud_membership(Xn(:, j), Ex(s), En(s), He(s)); end end B zeros(n, 5); for j 1:m B B w(j) * U(:, :, j); % w 为博弈论组合权重 end B B ./ sum(B, 2); % 按行归一化得到综合确定度 [~, grade] max(B, [], 2); % 最大确定度对应的等级即评价结果4.3 综合确定度与等级判定的边界处理max(B, [], 2)给出的是硬判定但云模型的优势在于保留了软信息。当最大确定度只有 0.28第二确定度 0.26 时硬判成中风险是有风险的我一般会额外输出主要等级 次要等级 两者差差小于 0.05 就标记为等级临界提示人工复核。结果归一化那一步经常被忽略。不归一化时各指标对不同等级的确定度加总不为 1权重大的指标会整体抬高所有等级的确定度最后仍然能取最大值但数值失去可比性不同边坡之间没法横向排序。4.4 He 取值的边界与云滴形态判断He是云模型里最容易被拍脑袋定的参数。取太小比如 0.001云图退化成一条光滑隶属曲线云模型就白用了取太大比如He En/3云滴极度离散同一等级内两个几乎相同的指标值会得到差异很大的确定度评价结果不可复现。经验区间是He (0.01~0.1)·En滑坡评价里偏保守取 0.05·En 比较合适。验证He是否合理有个笨办法但很管用固定输入把He从 0.005 调到 0.05重复跑 30 次记录每个边坡的等级统计等级跳变率。跳变率低于 5% 说明He可接受超过 15% 就必须调小或者把采样次数N从 300 提到 1000 用均值压住随机性。提示采样次数N和超熵He是一对相互补偿的参数但方向相反。He大而N小结果随机且不可复现He大而N大结果稳定但云图过厚模糊性被过度放大实际意义反而变弱。5. App Designer 封装与结果稳定性验证5.1 计算逻辑与界面分离的代码组织把整条链路塞进按钮回调里是最常见的做法也是最难维护的做法。我一般建一个slideEval包目录里面放normalize_index.m、pp_objective.m、solve_weights.m、cloud_membership.m、evaluate.mevaluate.m接收原始指标矩阵和配置结构体返回组合权重、确定度矩阵和等级向量。App Designer 的.mlapp文件只负责三件事读数据、调evaluate、画图。这样做的好处是命令行能直接批量跑 200 组参数做敏感性分析不用去点界面。5.2 数据导入、运行与云图绘制的回调写法导入用uigetfile配合readtable把指标列名和类型映射存到app.IndicatorType属性里运行时把配置打包成结构体传进evaluate绘图用UIAxes画正向云图每个等级 1000 个云滴横轴是综合值、纵轴是确定度重叠部分一眼就能看出等级边界的模糊带有多宽。% 按钮回调运行评价 function RunButtonPushed(app, ~) cfg.R app.WindowWidthEditField.Value; % 窗宽系数 cfg.N app.SampleCountEditField.Value; % 云滴采样次数 cfg.HeK app.HeRatioEditField.Value; % He/En 比例 X app.RawData; % 导入时缓存 [res] slideEval.evaluate(X, app.IndicatorType, cfg); app.WeightTable.Data res.w(:).; % 权重表 app.ResultTable.Data [res.B, res.grade]; % 确定度矩阵 等级 app.UIAxes_Cloud.NextPlot add; for s 1:5 [x, y] slideEval.forward_cloud(res.Ex(s), res.En(s), res.He(s), 1000); plot(app.UIAxes_Cloud, x, y, ., MarkerSize, 3); end endforward_cloud是正向云发生器输出云滴坐标和cloud_membership是同一套参数的两个方向一个从云参数生成云滴一个从云滴反算确定度。把两者分开写界面上画图和数据计算互不干扰。5.3 稳定性验证调一个参数等级会不会跳交付前必做的一件事是参数敏感性扫描。以窗宽系数R为例从 0.05 到 0.30 步长 0.05 跑 6 组记录 24 个边坡的等级序列统计与基准组的差异个数。R 系数与基准组等级差异数组合权重最大变化指标结论0.055 / 24岩性-0.06密度项失效不可用0.100 / 24—基准0.151 / 24降雨量0.03可接受0.203 / 24坡度0.05边界0.307 / 24坡高0.09密度项退化不可用差异数是个很直观的交付指标如果某个参数在合理区间内动一动风险等级就大面积跳变说明这个参数不该由人拍要么固定成规范推荐值要么在报告里明确写出取值依据。我通常把这张表连同He的跳变率表一起放进交付文档评审看到参数动过、结论没塌签字会快很多。本文还有配套的精品资源点击获取 基于投影寻踪-博弈论-云模型的滑坡风险评价MATLAB实现
简介这份资料围绕MATLAB实现投影寻踪博弈论-云模型的滑坡风险评价展开面向地质灾害研究者、城市规划与环境科学从业者及灾害应急管理人员提供从数据采集与预处理、投影寻踪博弈论建模、云模型处理到风险评估输出的一体化项目范例。资源包仅含1个docx文档约55KB正文以项目实例与代码详解为主线覆盖项目背景、目标意义、挑战与解决方案、特点创新和应用领域等章节并包含GUI设计与完整程序解析便于按目录逐模块研读和复现。目前已有78人学习。读者可获得可直接对照的算法实现思路、多学科融合的评估流程、面向滑坡风险预测与防治建议的决策支持框架也可将其迁移至城市规划、农林开发、环境保护及应急预案制定等场景为后续深度学习、大数据融合等改进提供参考。1. 从一组滑坡编录数据说起投影寻踪、博弈论和云模型为什么要一起用去年帮一个山区公路项目做边坡排查手上是 24 个边坡点的编录表坡高、坡度、岩性、结构面发育程度、年降雨量、地震动峰值加速度、人类工程活动强度一共 8 列指标外加一列专家给的初步等级。真正卡住人的不是算不出来而是算出来的结论没人敢签字换成 AHP 让专家打分权重稍微调一调中风险就跳到高风险换成熵权法让数据自己说话某一年降雨异常就把整条路的等级全顶上去了。滑坡风险评价的麻烦在于它同时有三个毛病——指标维度太高、权重来源说不清、等级边界本身是模糊的。投影寻踪负责第一个毛病把 8 维指标按数据自身的聚类结构压到一维投影方向的分量平方天然就是一组客观权重博弈论负责第二个毛病让主观权重和客观权重谈判出一个离两者偏差都最小的组合权重云模型负责第三个毛病用期望、熵、超熵三个数字把低风险高风险这种带过渡带的定性概念量化输出的是对每个等级的确定度而不是一刀切。MATLAB 在这条链路里承担两件事跑遗传算法求投影方向、算云滴和确定度再用 App Designer 把整条流程包成一个能交付给项目组点按钮的工具。2. 投影寻踪把 8 个滑坡指标压成一维2.1 滑坡指标的三类标准化公式与代码投影寻踪对量纲极其敏感坡高是几十米、降雨量是上千毫米不标准化的话投影方向会被数值大的指标绑架。滑坡指标按危险性方向分三类越大越危险坡度、坡高、降雨量、地震加速度、越大越安全岩体完整性系数、内摩擦角、区间型高程、距断层距离常存在一个最不利区间。三套公式不能混用混用之后投影值的经济含义就乱了。function Xn normalize_index(X, type) % X : n×m 原始指标矩阵n 为边坡样本数m 为指标数 % type : 1×m 元胞取值 pos越大越危险、neg越大越安全、mid区间型 [n, m] size(X); Xn zeros(n, m); for j 1:m col X(:, j); switch type{j} case pos Xn(:, j) (col - min(col)) / (max(col) - min(col)); case neg Xn(:, j) (max(col) - col) / (max(col) - min(col)); case mid a 0.9 * mean(col); b 1.1 * mean(col); % 最不利区间上下界 Xn(:, j) 1 - max(a - col, col - b) ./ max(a - min(col), max(col) - b); end end Xn(Xn 0) 0; % 区间型可能出现负值截断到 0 end逻辑上前两类是极差归一化输出严格落在 [0,1]区间型用到最不利区间的相对偏离衡量落在区间内取 1越远越小。a、b的取法需要结合具体指标比如距断层距离的最不利区间通常由规范给定而不是用均值推我在实际项目里会把它做成normalize_index的第三个入参传进来避免硬编码。2.2 投影指标函数类间散度乘类内密度投影寻踪的核心思想是找一个方向a让样本投影到这条直线上以后整体尽量散开、局部尽量抱团。散开用投影值的标准差衡量抱团用窗宽R内的点对距离累计衡量两者相乘就是投影指标函数z(i) Σ a(j)·x(i,j), j 1..m S(a) sqrt( Σ (z(i) - z̄)² / (n-1) ) D(a) ΣΣ (R - r(i,j)) · u(R - r(i,j)), r(i,j) |z(i) - z(j)| Q(a) S(a) · D(a), s.t. ‖a‖ 1u(·)是单位阶跃函数只有距离小于R的点对才计入密度。约束‖a‖1必须显式加否则a无限放大会让Q无上界优化直接跑飞。2.3 用遗传算法在 MATLAB 里求最佳投影方向Q(a)关于a高度非线性梯度信息不可用常见做法是遗传算法或粒子群。MATLAB 的ga需要 Global Optimization Toolbox没有的话换成自己写的实数编码遗传算法也能跑逻辑一样。function Q pp_objective(a, Xn, R) % a : m×1 投影方向可正可负靠单位化约束幅值 % Xn : n×m 标准化指标 % R : 窗宽半径控制局部的尺度 [n, ~] size(Xn); a a(:) / norm(a); z Xn * a; Sz sqrt(sum((z - mean(z)).^2) / (n - 1)); % 类间散度 r abs(z - z.); % 成对距离矩阵 Dz sum(sum((R - r) .* (r R))); % 类内密度 Q Sz * Dz; endm size(Xn, 2); R 0.1 * max(pdist(Xn)); % 常用经验值0.1 倍最大样本间距离 obj (a) -pp_objective(a, Xn, R); % ga 求最小目标取负 opts optimoptions(ga, PopulationSize, 80, MaxGenerations, 300, ... CrossoverFraction, 0.8, FunctionTolerance, 1e-8, ... Display, off); [a_best, ~] ga(obj, m, [], [], [], [], -ones(m,1), ones(m,1), [], opts); w_obj a_best(:).^2 / sum(a_best(:).^2); % 分量平方归一化 客观权重PopulationSize取 80 是因为 8 维决策变量下 20~30 的种群容易早熟MaxGenerations300 配FunctionTolerance1e-8通常在 150 代左右收敛。把a的分量平方归一化当客观权重是因为投影方向分量的绝对值反映该指标对投影值的贡献强度平方后消除正负号比直接取绝对值更符合贡献占比的语义。2.4 窗宽 R、符号不确定性和局部最优的坑R是投影寻踪最需要手调的参数。R太小时密度项只统计到极少数近邻点D(a)接近 0Q对方向不敏感R太大时所有点对都计入D(a)退化成常数项优化退化为只最大化标准差。实践区间是0.05~0.3倍最大样本距离我会在这个区间里跑 6 次看Q的最优值和对应等级排序是否稳定。另一个反直觉的点是符号不定a和-a给出的Q完全相同因为标准差和成对距离都对整体符号不敏感。这意味着遗传算法跑两次可能得到镜像方向客观权重的平方归一化不受影响但如果直接拿a的分量当权重就会正负颠倒。我的做法是在拿到a_best后检查与主成分第一方向的相关系数为负就整体取反保证投影方向符号有物理含义。提示ga每次运行结果有随机性交付前用rng(2024)固定随机种子并在报告里附上Q的收敛曲线方便评审看到迭代过程。3. 博弈论组合赋权让 AHP 主观权重和投影权重谈出一个折中3.1 单一赋权在滑坡评价里的失效场景主观赋权AHP、专家排序能体现规范条文和工程经验但一致性比例CR稍微放宽权重就会被人为放大客观赋权投影寻踪、熵权忠实于样本数据结构但样本量小的时候滑坡编录往往只有二三十个点容易被一两个异常样本带偏。滑坡评价里这两种失效都会发生专家觉得岩性最重要数据觉得降雨量最重要各写一份报告结论相反项目组没法用。博弈论组合赋权的思路不是简单加权平均而是把两个权重向量当作博弈的两个参与者寻找一组组合系数α₁、α₂使得组合权重与两个单一权重的偏差之和最小。它的数学形式比取平均更讲道理偏离大的那个权重会被自动降低话语权。3.2 组合权重的一阶最优条件与线性方程组设主观权重w₁、客观权重w₂组合权重w α₁w₁ᵀ α₂w₂ᵀ。以最小化‖w - w_kᵀ‖₂为目标对α求一阶导数并令其为零得到矩阵方程[ w₁w₁ᵀ w₁w₂ᵀ ] [α₁] [ w₁w₁ᵀ ] [ w₂w₁ᵀ w₂w₂ᵀ ] [α₂] [ w₂w₂ᵀ ]解出α后做归一化α* α / (α₁α₂)再算w* α₁*w₁ α₂*w₂。整个求解只是一个 2×2 线性方程组计算量可以忽略真正花时间的是准备两个权重向量。3.3 MATLAB 左除求解组合系数与负值处理w1 w1(:); w2 w2(:); % AHP 权重与投影寻踪客观权重均已归一化 assert(abs(sum(w1)-1) 1e-8 abs(sum(w2)-1) 1e-8, 权重未归一化); A [w1.*w1, w1.*w2; w2.*w1, w2.*w2]; b [w1.*w1; w2.*w2]; alpha A \ b; % 解 2×2 线性方程组 if any(alpha 0) % 出现负系数说明该权重被反向支配 alpha lsqnonneg(A, b); % 非负最小二乘兜底 end alpha alpha / sum(alpha); % 归一化组合系数 w alpha(1)*w1 alpha(2)*w2; % 最终组合权重 w w / sum(w);A \ b走的是 LU 分解两个权重向量线性相关时A接近奇异MATLAB 会给出警告这时改用pinv(A)*b更稳。lsqnonneg的存在是因为博弈解在极端情境下会算出负系数物理上无法解释非负约束是工程上的必要妥协。3.4 组合权重的合理性检验方式组合权重算完不能直接用需要两类检验。第一类是一致性方向检验组合权重与主观权重的排序是否基本一致如果某个指标在主观里排前三、组合后掉到倒数必须回去检查客观权重的计算通常是标准化公式选错了。第二类是敏感性检验把α₁人为固定成 0.3/0.5/0.7 三档看最终风险等级排序有没有跳变。检验项判据不通过时的处理主观一致性AHP 的 CR 0.1退回专家重新构造判断矩阵权重排序一致组合权重与主观权重 Spearman 0.7检查标准化方向是否写反权重分散度max(w)/min(w) 8收紧指标个数或合并同类指标组合系数α₁, α₂ 均为正且不过分集中换 lsqnonneg 或人工设定注意α的归一化不能省。有些资料直接拿未归一化的α去乘权重得到的结果不满足权重和为 1后面云模型综合确定度会整体偏大或偏小。4. 云模型把高风险这种模糊说法变成三个数字4.1 Ex、En、He 的物理含义与等级云参数计算云模型用期望Ex、熵En、超熵He描述一个定性概念。Ex是该等级最典型的取值En是等级边界的模糊程度He是熵本身的离散程度也就是云滴有多厚。对滑坡风险常用的五级划分极低、低、中、高、极高每个等级给定一个取值区间[c_min, c_max]双边约束下Ex (c_min c_max) / 2 En (c_max - c_min) / 6 % 3En 覆盖区间宽度对应正态分布 99.7% 范围 He k · En, k 一般取 0.01 ~ 0.1首末两级是单边约束极低等级形如[0, a]极高等级形如[b, 1]需要用相邻等级的En反算边界否则Ex会落在区间端点外导致云图形状畸形。风险等级归一化综合值区间ExEnHe极低[0, 0.2]0.100.0330.005低(0.2, 0.4]0.300.0330.005中(0.4, 0.6]0.500.0330.005高(0.6, 0.8]0.700.0330.005极高(0.8, 1]0.900.0330.0054.2 条件云发生器求单指标确定度矩阵有了等级云参数下一步是把每个边坡的每个指标值代入X 条件云发生器求它属于各等级的确定度。因为云模型带有随机性单次计算不可靠标准做法是重复采样取均值。function mu cloud_membership(x, Ex, En, He, N) % x : 指标值列向量已归一化到 [0,1] % Ex, En, He : 某一等级的云参数 % N : 采样次数控制随机性经验值 200~500 if nargin 5, N 300; end x x(:); En_n En He * randn(N, 1); % En 服从 N(En, He²) mu zeros(numel(x), 1); for i 1:numel(x) mu(i) mean(exp(-(x(i) - Ex).^2 ./ (2 * En_n.^2))); % 对 N 次采样取均值 end mu(mu 1e-6) 1e-6; % 防止后续归一化出现除零 endEn_n En He*randn(...)这一步是云模型区别于普通正态隶属函数的关键每个云滴的熵本身在波动He越大波动越大云图看起来越厚。对每个指标、每个等级调用一次这个函数拼成n×5×m的确定度张量再按指标维度和权重做加权求和U zeros(n, 5, m); for j 1:m for s 1:5 U(:, s, j) cloud_membership(Xn(:, j), Ex(s), En(s), He(s)); end end B zeros(n, 5); for j 1:m B B w(j) * U(:, :, j); % w 为博弈论组合权重 end B B ./ sum(B, 2); % 按行归一化得到综合确定度 [~, grade] max(B, [], 2); % 最大确定度对应的等级即评价结果4.3 综合确定度与等级判定的边界处理max(B, [], 2)给出的是硬判定但云模型的优势在于保留了软信息。当最大确定度只有 0.28第二确定度 0.26 时硬判成中风险是有风险的我一般会额外输出主要等级 次要等级 两者差差小于 0.05 就标记为等级临界提示人工复核。结果归一化那一步经常被忽略。不归一化时各指标对不同等级的确定度加总不为 1权重大的指标会整体抬高所有等级的确定度最后仍然能取最大值但数值失去可比性不同边坡之间没法横向排序。4.4 He 取值的边界与云滴形态判断He是云模型里最容易被拍脑袋定的参数。取太小比如 0.001云图退化成一条光滑隶属曲线云模型就白用了取太大比如He En/3云滴极度离散同一等级内两个几乎相同的指标值会得到差异很大的确定度评价结果不可复现。经验区间是He (0.01~0.1)·En滑坡评价里偏保守取 0.05·En 比较合适。验证He是否合理有个笨办法但很管用固定输入把He从 0.005 调到 0.05重复跑 30 次记录每个边坡的等级统计等级跳变率。跳变率低于 5% 说明He可接受超过 15% 就必须调小或者把采样次数N从 300 提到 1000 用均值压住随机性。提示采样次数N和超熵He是一对相互补偿的参数但方向相反。He大而N小结果随机且不可复现He大而N大结果稳定但云图过厚模糊性被过度放大实际意义反而变弱。5. App Designer 封装与结果稳定性验证5.1 计算逻辑与界面分离的代码组织把整条链路塞进按钮回调里是最常见的做法也是最难维护的做法。我一般建一个slideEval包目录里面放normalize_index.m、pp_objective.m、solve_weights.m、cloud_membership.m、evaluate.mevaluate.m接收原始指标矩阵和配置结构体返回组合权重、确定度矩阵和等级向量。App Designer 的.mlapp文件只负责三件事读数据、调evaluate、画图。这样做的好处是命令行能直接批量跑 200 组参数做敏感性分析不用去点界面。5.2 数据导入、运行与云图绘制的回调写法导入用uigetfile配合readtable把指标列名和类型映射存到app.IndicatorType属性里运行时把配置打包成结构体传进evaluate绘图用UIAxes画正向云图每个等级 1000 个云滴横轴是综合值、纵轴是确定度重叠部分一眼就能看出等级边界的模糊带有多宽。% 按钮回调运行评价 function RunButtonPushed(app, ~) cfg.R app.WindowWidthEditField.Value; % 窗宽系数 cfg.N app.SampleCountEditField.Value; % 云滴采样次数 cfg.HeK app.HeRatioEditField.Value; % He/En 比例 X app.RawData; % 导入时缓存 [res] slideEval.evaluate(X, app.IndicatorType, cfg); app.WeightTable.Data res.w(:).; % 权重表 app.ResultTable.Data [res.B, res.grade]; % 确定度矩阵 等级 app.UIAxes_Cloud.NextPlot add; for s 1:5 [x, y] slideEval.forward_cloud(res.Ex(s), res.En(s), res.He(s), 1000); plot(app.UIAxes_Cloud, x, y, ., MarkerSize, 3); end endforward_cloud是正向云发生器输出云滴坐标和cloud_membership是同一套参数的两个方向一个从云参数生成云滴一个从云滴反算确定度。把两者分开写界面上画图和数据计算互不干扰。5.3 稳定性验证调一个参数等级会不会跳交付前必做的一件事是参数敏感性扫描。以窗宽系数R为例从 0.05 到 0.30 步长 0.05 跑 6 组记录 24 个边坡的等级序列统计与基准组的差异个数。R 系数与基准组等级差异数组合权重最大变化指标结论0.055 / 24岩性-0.06密度项失效不可用0.100 / 24—基准0.151 / 24降雨量0.03可接受0.203 / 24坡度0.05边界0.307 / 24坡高0.09密度项退化不可用差异数是个很直观的交付指标如果某个参数在合理区间内动一动风险等级就大面积跳变说明这个参数不该由人拍要么固定成规范推荐值要么在报告里明确写出取值依据。我通常把这张表连同He的跳变率表一起放进交付文档评审看到参数动过、结论没塌签字会快很多。本文还有配套的精品资源点击获取