摘要模糊综合评价是一种基于模糊数学作为模型基础的评价方法。它用隶属度刻画事物的中间状态通过因素集、评语集、权重集和模糊评价等矩阵进行模糊合成最终得到评价等级。本文梳理模糊数学基础、模糊综合评价建模流程、典型例题、优缺点以及多级模糊综合评价并结合高校教师课堂教学质量案例进行说明。关键词模糊综合评价隶属度扎德算子层次分析法数学建模评价模型1. 模糊数学概述现实中的描述大致可以分为三类确定性描述如“水加温到 100 度会烧开”。随机性描述如“掷骰子朝上或朝下”。模糊性描述如“今天天气很热”。随机性和模糊性都属于“不确定性”但二者不同随机性事件发生条件不确定但事物本身的性态和类属是确定的。模糊性事物本身的性态和类属不确定表现为“亦此亦彼”。模糊性可以理解为客观事物在中介过渡时体现出的“亦此亦彼”性。比如美丑、气味、色泽等很难用绝对清晰的边界划分。1965 年美国加州伯克利教授L.A.Zadeh扎德发表《Fuzzy sets》标志模糊数学诞生。其基本思想是用“属于程度”代替“属于或不属于”从而刻画中介状态。有观点认为数学发展经历了三个阶段经典数学研究和处理精确的必然现象统计数学研究和处理事物的偶然性、随机性模糊数学研究和处理事物的模糊性。2. 模糊理论核心概念2.1 特征函数与隶属度设 UU 为所论全集A⊆U。经典集合的特征函数为但很多情况下不能清晰界定 x 是否属于集合 A。此时需要定义“属于 A 的程度”。由此得到隶属度定义设所论全集为 U称映射确定 U上的一个模糊子集 A。映射 ΨA 称为 A的隶属函数简称隶属度。2.2 常见隶属函数常见类型包括偏小型或线性偏小型偏大型或线性偏大型中间型此外还有抛物线型、正态型等隶属函数。实际建模中可根据指标性质选择。3. 模糊关系与模糊矩阵3.1 模糊关系设论域为 U 和 VU×V上的模糊子集 R 的隶属函数为映射称 R 为 U 到 V 的模糊关系。3.2 模糊矩阵若对于任意 i1,2,…,mj1,2,…,n都有 rij∈[0,1]则称矩阵为模糊矩阵。3.3 扎德算子∀a,b∈[0,1]定义 Zadeh 算子模糊矩阵运算模糊矩阵的并模糊矩阵的交模糊矩阵的余组合运算设则即先取小再取大。例如则并运算结果交运算结果余运算结果组合运算结果。4. 模糊综合评价建模流程模糊综合评价的核心是确定因素集评价指标集合评语集评价等级集合权重集各指标的重要性权重评价矩阵专家或调查得到的隶属度矩阵合成算子常用扎德算子评价结果模糊合成后归一化按最大隶属度原则确定等级。4.1 总流程设定评价指标因素集 U设定评语集 V用民意测验或专家打分实施评价建立评价矩阵 R确定评价指标权重集 A按数学模型进行综合评价归一化处理得出具有可比性的综合评价结果。4.2 因素集刻画被评价对象的 m 种因素即评价指标。4.3 评语集刻画每个因素所处状态的 n种决断即评价等级。例如V{优秀,较好,一般,合格,差}4.4 建立评价矩阵针对单因素 ui确定评价对象对评价等级 vj 的隶属度。若对某一指标22% 的人说“优秀”39% 说“较好”26% 说“一般”13% 说“合格”没有人说“差”则所有单因素评价结果组成评价矩阵一般做归一化处理4.5 确定权重集权重是因素集 U上的模糊子集其中4.6 模糊综合评价将评价因素集 U 上的模糊集合 WW 经模糊关系变换为评语集 VV 上的模糊集合 B扎德算子“∘”表示模糊矩阵组合关系最后进行归一化并按最大隶属度原则确定评价结果。5. 单级模糊综合评价例题题目设某公司对所属职员的综合素质考核因素集U{u1,u2,u3,u4}{思想修养,集体观念,劳动观念,工作业绩}评语集V{v1,v2,v3,v4}{很好,较好,一般,不好}权重分配为A{0.5,0.2,0.2,0.1}对 10 人进行调查结果如下表指标很好较好一般不好思想修养4510集体观念6310劳动观念1261工作业绩1252求解模糊评价矩阵为权重向量A(0.5,0.2,0.2,0.1)由模糊评价模型归一化后B(0.33,0.42,0.17,0.08)最大隶属度为 0.42对应“较好”。因此该职员综合素质应评为较好。6. 其他模糊算子实际建模中可根据问题特点选择不同模糊合成算子。算子表达式特点类型M(∧,∨)权重作用不明显综合程度弱利用 R信息不充分主因素决定型M(⋅,∨)权重作用明显综合程度弱利用 R信息不充分主因素突出型M(∧,⊕)权重作用不明显综合程度强利用 R 信息比较充分加权平均型M(⋅,⊕)权重作用明显综合程度强利用 R 信息充分加权平均型常见选择主因素决定型M(∧,∨)主因素突出型M(⋅,∨)加权平均型M(⋅,⊕)。7. 模糊综合评价的优缺点优点结果清晰系统性较强能较好解决模糊、难以量化的问题适合各种非确定性问题的评价。缺点计算相对复杂指标权重矢量的确定主观性较强可能出现“超模糊现象”。超模糊现象当指标集 U较大即指标个数较多时在权重和为 1 的约束下相对隶属度权系数往往偏小权矢量与模糊矩阵 R不匹配结果会出现超模糊现象分辨率差无法区分谁的隶属度更高甚至造成评判失败。此时可用分层模糊评估法或多级模糊综合评价改进。8. 多级模糊综合评价一级模糊综合评价是基础。它把一级评价因素集指标统一综合但一级模糊评价的指标之间相关性往往不强。多级模糊综合评价的思想是先对每组相关性较强的指标进行一级模糊评价得到每组指标对评语集的隶属度再在更高层权重向量下进行二级或多级模糊合成得到最终评价结果。多级模糊综合评价更适合解决多指标、指标之间相关性不强的情况结果更全面合理。示例学术奖学金评价因素集U{专业课成绩,非专业课成绩,国家竞赛成绩,省级竞赛成绩,校级竞赛成绩,国家级奖项,省级奖项,校级奖项,志愿服务}评语集V{一等,二等,无奖学金}权重集可分为四组考试成绩 U1(0.4)竞赛成绩 U2(0.3)个人荣誉 U3(0.2)志愿服务 U4(0.1)先对 U1 进行一级模糊评判。假设则表示只看学习成绩76% 认为可获一等24% 认为可获二等。同理得到最终综合评判最大隶属度为 0.439对应“一等”。因此该学生获得一等奖学金。9.某高校教师课堂教学质量评价某高校对一位教师的课堂教学质量进行评价。1. 评价指标因素集U{教学态度,教学内容,教学方法,教学效果}2. 评语集V{优秀,良好,中等,合格,不合格}3. 权重集假设由层次分析法 AHP 得到权重W[0.2,0.3,0.3,0.2]4. 调查投票结果调查 10 名学生对 4 个指标分别投票结果如下指标优秀良好中等合格不合格教学态度44110教学内容34210教学方法23311教学效果33211每行除以 10得到模糊评价矩阵 R。加权平均型算子得到B(0.29,0.35,0.21,0.10,0.05)最大隶属度为0.35对应“良好”。结果区分度较好。扎德算子得到B(0.3,0.3,0.3,0.1,0.1)归一化后“优秀、良好、中等”三者并列区分度较差。这也体现了扎德算子容易出现“超模糊现象”的缺点。因此在实际数学建模中如果希望结果更平滑、区分度更好通常推荐使用加权平均型算子 M(⋅,⊕)。import numpy as np # # 1. 因素集与评语集 # factors [教学态度, 教学内容, 教学方法, 教学效果] grades [优秀, 良好, 中等, 合格, 不合格] # # 2. 权重集可由 AHP、熵权法得到 # W np.array([0.2, 0.3, 0.3, 0.2]) print(权重 W , W) # # 3. 专家/学生投票人数 # 行评价因素 # 列评语等级优秀、良好、中等、合格、不合格 # votes np.array([ [4, 4, 1, 1, 0], # 教学态度 [3, 4, 2, 1, 0], # 教学内容 [2, 3, 3, 1, 1], # 教学方法 [3, 3, 2, 1, 1], # 教学效果 ], dtypefloat) # # 4. 构造模糊评价矩阵 R # 每行归一化使每行元素之和为 1 # R votes / votes.sum(axis1, keepdimsTrue) print(\n评价矩阵 R ) print(R) # # 5. 定义模糊合成算子 # def zadeh_operator(W, R): 扎德算子 M(∧, ∨)先取小再取大 B_j max_i min(W_i, R_ij) m, n R.shape B np.zeros(n) for j in range(n): B[j] np.max(np.minimum(W, R[:, j])) return B def weighted_average_operator(W, R): 加权平均型算子 M(·, ⊕) B W R return W R # # 6. 归一化函数 # def normalize(B): return B / B.sum() # # 7. 最大隶属度原则 # def max_membership(B, grades): idx np.argmax(B) return grades[idx], idx, B[idx] # # 8. 使用加权平均型算子计算 # B_weighted weighted_average_operator(W, R) B_weighted_norm normalize(B_weighted) grade_w, idx_w, val_w max_membership(B_weighted_norm, grades) print(\n 加权平均型算子 M(·, ⊕) ) print(模糊评价向量 B , B_weighted) print(归一化后 B , B_weighted_norm) print(f最大隶属度{grade_w}{val_w:.4f}) # # 9. 使用扎德算子计算 # B_zadeh zadeh_operator(W, R) B_zadeh_norm normalize(B_zadeh) grade_z, idx_z, val_z max_membership(B_zadeh_norm, grades) print(\n 扎德算子 M(∧, ∨) ) print(模糊评价向量 B , B_zadeh) print(归一化后 B , B_zadeh_norm) print(f最大隶属度{grade_z}{val_z:.4f}) # # 10. 计算结果 # print(\n结果) print(f采用加权平均型算子该教师课堂教学质量综合评价为{grade_w})10.如何套用到你自己的题目只需要修改三处factors改成你的评价指标grades改成你的评价等级W和votes改成你的权重和数据。如果有多级指标可以先对每组指标做一次模糊综合评价得到 B1,B2,…再组成上层评价矩阵继续合成即可。 模糊数学综合评价：从模糊数学到建模评价类模型
摘要模糊综合评价是一种基于模糊数学作为模型基础的评价方法。它用隶属度刻画事物的中间状态通过因素集、评语集、权重集和模糊评价等矩阵进行模糊合成最终得到评价等级。本文梳理模糊数学基础、模糊综合评价建模流程、典型例题、优缺点以及多级模糊综合评价并结合高校教师课堂教学质量案例进行说明。关键词模糊综合评价隶属度扎德算子层次分析法数学建模评价模型1. 模糊数学概述现实中的描述大致可以分为三类确定性描述如“水加温到 100 度会烧开”。随机性描述如“掷骰子朝上或朝下”。模糊性描述如“今天天气很热”。随机性和模糊性都属于“不确定性”但二者不同随机性事件发生条件不确定但事物本身的性态和类属是确定的。模糊性事物本身的性态和类属不确定表现为“亦此亦彼”。模糊性可以理解为客观事物在中介过渡时体现出的“亦此亦彼”性。比如美丑、气味、色泽等很难用绝对清晰的边界划分。1965 年美国加州伯克利教授L.A.Zadeh扎德发表《Fuzzy sets》标志模糊数学诞生。其基本思想是用“属于程度”代替“属于或不属于”从而刻画中介状态。有观点认为数学发展经历了三个阶段经典数学研究和处理精确的必然现象统计数学研究和处理事物的偶然性、随机性模糊数学研究和处理事物的模糊性。2. 模糊理论核心概念2.1 特征函数与隶属度设 UU 为所论全集A⊆U。经典集合的特征函数为但很多情况下不能清晰界定 x 是否属于集合 A。此时需要定义“属于 A 的程度”。由此得到隶属度定义设所论全集为 U称映射确定 U上的一个模糊子集 A。映射 ΨA 称为 A的隶属函数简称隶属度。2.2 常见隶属函数常见类型包括偏小型或线性偏小型偏大型或线性偏大型中间型此外还有抛物线型、正态型等隶属函数。实际建模中可根据指标性质选择。3. 模糊关系与模糊矩阵3.1 模糊关系设论域为 U 和 VU×V上的模糊子集 R 的隶属函数为映射称 R 为 U 到 V 的模糊关系。3.2 模糊矩阵若对于任意 i1,2,…,mj1,2,…,n都有 rij∈[0,1]则称矩阵为模糊矩阵。3.3 扎德算子∀a,b∈[0,1]定义 Zadeh 算子模糊矩阵运算模糊矩阵的并模糊矩阵的交模糊矩阵的余组合运算设则即先取小再取大。例如则并运算结果交运算结果余运算结果组合运算结果。4. 模糊综合评价建模流程模糊综合评价的核心是确定因素集评价指标集合评语集评价等级集合权重集各指标的重要性权重评价矩阵专家或调查得到的隶属度矩阵合成算子常用扎德算子评价结果模糊合成后归一化按最大隶属度原则确定等级。4.1 总流程设定评价指标因素集 U设定评语集 V用民意测验或专家打分实施评价建立评价矩阵 R确定评价指标权重集 A按数学模型进行综合评价归一化处理得出具有可比性的综合评价结果。4.2 因素集刻画被评价对象的 m 种因素即评价指标。4.3 评语集刻画每个因素所处状态的 n种决断即评价等级。例如V{优秀,较好,一般,合格,差}4.4 建立评价矩阵针对单因素 ui确定评价对象对评价等级 vj 的隶属度。若对某一指标22% 的人说“优秀”39% 说“较好”26% 说“一般”13% 说“合格”没有人说“差”则所有单因素评价结果组成评价矩阵一般做归一化处理4.5 确定权重集权重是因素集 U上的模糊子集其中4.6 模糊综合评价将评价因素集 U 上的模糊集合 WW 经模糊关系变换为评语集 VV 上的模糊集合 B扎德算子“∘”表示模糊矩阵组合关系最后进行归一化并按最大隶属度原则确定评价结果。5. 单级模糊综合评价例题题目设某公司对所属职员的综合素质考核因素集U{u1,u2,u3,u4}{思想修养,集体观念,劳动观念,工作业绩}评语集V{v1,v2,v3,v4}{很好,较好,一般,不好}权重分配为A{0.5,0.2,0.2,0.1}对 10 人进行调查结果如下表指标很好较好一般不好思想修养4510集体观念6310劳动观念1261工作业绩1252求解模糊评价矩阵为权重向量A(0.5,0.2,0.2,0.1)由模糊评价模型归一化后B(0.33,0.42,0.17,0.08)最大隶属度为 0.42对应“较好”。因此该职员综合素质应评为较好。6. 其他模糊算子实际建模中可根据问题特点选择不同模糊合成算子。算子表达式特点类型M(∧,∨)权重作用不明显综合程度弱利用 R信息不充分主因素决定型M(⋅,∨)权重作用明显综合程度弱利用 R信息不充分主因素突出型M(∧,⊕)权重作用不明显综合程度强利用 R 信息比较充分加权平均型M(⋅,⊕)权重作用明显综合程度强利用 R 信息充分加权平均型常见选择主因素决定型M(∧,∨)主因素突出型M(⋅,∨)加权平均型M(⋅,⊕)。7. 模糊综合评价的优缺点优点结果清晰系统性较强能较好解决模糊、难以量化的问题适合各种非确定性问题的评价。缺点计算相对复杂指标权重矢量的确定主观性较强可能出现“超模糊现象”。超模糊现象当指标集 U较大即指标个数较多时在权重和为 1 的约束下相对隶属度权系数往往偏小权矢量与模糊矩阵 R不匹配结果会出现超模糊现象分辨率差无法区分谁的隶属度更高甚至造成评判失败。此时可用分层模糊评估法或多级模糊综合评价改进。8. 多级模糊综合评价一级模糊综合评价是基础。它把一级评价因素集指标统一综合但一级模糊评价的指标之间相关性往往不强。多级模糊综合评价的思想是先对每组相关性较强的指标进行一级模糊评价得到每组指标对评语集的隶属度再在更高层权重向量下进行二级或多级模糊合成得到最终评价结果。多级模糊综合评价更适合解决多指标、指标之间相关性不强的情况结果更全面合理。示例学术奖学金评价因素集U{专业课成绩,非专业课成绩,国家竞赛成绩,省级竞赛成绩,校级竞赛成绩,国家级奖项,省级奖项,校级奖项,志愿服务}评语集V{一等,二等,无奖学金}权重集可分为四组考试成绩 U1(0.4)竞赛成绩 U2(0.3)个人荣誉 U3(0.2)志愿服务 U4(0.1)先对 U1 进行一级模糊评判。假设则表示只看学习成绩76% 认为可获一等24% 认为可获二等。同理得到最终综合评判最大隶属度为 0.439对应“一等”。因此该学生获得一等奖学金。9.某高校教师课堂教学质量评价某高校对一位教师的课堂教学质量进行评价。1. 评价指标因素集U{教学态度,教学内容,教学方法,教学效果}2. 评语集V{优秀,良好,中等,合格,不合格}3. 权重集假设由层次分析法 AHP 得到权重W[0.2,0.3,0.3,0.2]4. 调查投票结果调查 10 名学生对 4 个指标分别投票结果如下指标优秀良好中等合格不合格教学态度44110教学内容34210教学方法23311教学效果33211每行除以 10得到模糊评价矩阵 R。加权平均型算子得到B(0.29,0.35,0.21,0.10,0.05)最大隶属度为0.35对应“良好”。结果区分度较好。扎德算子得到B(0.3,0.3,0.3,0.1,0.1)归一化后“优秀、良好、中等”三者并列区分度较差。这也体现了扎德算子容易出现“超模糊现象”的缺点。因此在实际数学建模中如果希望结果更平滑、区分度更好通常推荐使用加权平均型算子 M(⋅,⊕)。import numpy as np # # 1. 因素集与评语集 # factors [教学态度, 教学内容, 教学方法, 教学效果] grades [优秀, 良好, 中等, 合格, 不合格] # # 2. 权重集可由 AHP、熵权法得到 # W np.array([0.2, 0.3, 0.3, 0.2]) print(权重 W , W) # # 3. 专家/学生投票人数 # 行评价因素 # 列评语等级优秀、良好、中等、合格、不合格 # votes np.array([ [4, 4, 1, 1, 0], # 教学态度 [3, 4, 2, 1, 0], # 教学内容 [2, 3, 3, 1, 1], # 教学方法 [3, 3, 2, 1, 1], # 教学效果 ], dtypefloat) # # 4. 构造模糊评价矩阵 R # 每行归一化使每行元素之和为 1 # R votes / votes.sum(axis1, keepdimsTrue) print(\n评价矩阵 R ) print(R) # # 5. 定义模糊合成算子 # def zadeh_operator(W, R): 扎德算子 M(∧, ∨)先取小再取大 B_j max_i min(W_i, R_ij) m, n R.shape B np.zeros(n) for j in range(n): B[j] np.max(np.minimum(W, R[:, j])) return B def weighted_average_operator(W, R): 加权平均型算子 M(·, ⊕) B W R return W R # # 6. 归一化函数 # def normalize(B): return B / B.sum() # # 7. 最大隶属度原则 # def max_membership(B, grades): idx np.argmax(B) return grades[idx], idx, B[idx] # # 8. 使用加权平均型算子计算 # B_weighted weighted_average_operator(W, R) B_weighted_norm normalize(B_weighted) grade_w, idx_w, val_w max_membership(B_weighted_norm, grades) print(\n 加权平均型算子 M(·, ⊕) ) print(模糊评价向量 B , B_weighted) print(归一化后 B , B_weighted_norm) print(f最大隶属度{grade_w}{val_w:.4f}) # # 9. 使用扎德算子计算 # B_zadeh zadeh_operator(W, R) B_zadeh_norm normalize(B_zadeh) grade_z, idx_z, val_z max_membership(B_zadeh_norm, grades) print(\n 扎德算子 M(∧, ∨) ) print(模糊评价向量 B , B_zadeh) print(归一化后 B , B_zadeh_norm) print(f最大隶属度{grade_z}{val_z:.4f}) # # 10. 计算结果 # print(\n结果) print(f采用加权平均型算子该教师课堂教学质量综合评价为{grade_w})10.如何套用到你自己的题目只需要修改三处factors改成你的评价指标grades改成你的评价等级W和votes改成你的权重和数据。如果有多级指标可以先对每组指标做一次模糊综合评价得到 B1,B2,…再组成上层评价矩阵继续合成即可。