多指標(biāo)綜合評(píng)價(jià)方法及權(quán)重系數(shù)的選擇-文庫(kù)吧
2025-07-21 04:40 本頁(yè)面
【正文】 即R值最高者最優(yōu)；當(dāng)指標(biāo)“低優(yōu)”時(shí)，按“降序”排序，最大值為1，即R值最低者最優(yōu)。當(dāng)各指標(biāo)的“秩”相加時(shí)，累加和最大者則最優(yōu)。 該方法以實(shí)際資料作為計(jì)算基礎(chǔ)，較為客觀，它在算法上是將原始數(shù)據(jù)轉(zhuǎn)化為序值，雖計(jì)算簡(jiǎn)單，但未充分利用資料的原始信息。當(dāng)各指標(biāo)的“秩”相加時(shí)，“秩和”（ΣR）最大者則為優(yōu)；當(dāng)m為指標(biāo)數(shù)，n為參加排序的單位數(shù)，則按下式計(jì)算RSR值： RSR=ΣR/（mn）。 全概率評(píng)分法 ［10］ 設(shè)Bi為第i號(hào)試驗(yàn)，Aj為第j個(gè)指標(biāo)，i=1，2，……，k，且AA2……、An互不相容，又設(shè)各指標(biāo)的重要程度之比為A1：A2……：Ak=m1：m2……：mk， 則 P（Aj）=mj/N， j=1，2，……k 以Xij表示第j個(gè)指標(biāo)下的第i個(gè)測(cè)定值，以Sj 表示第j個(gè)指標(biāo)下各次試驗(yàn)結(jié)果的和，即 Sj=Σni=1Xij i=1，2……n； j=1，2……k 則P（Bi/Aj）=Xij/Sj 全概率公式為： P（Bik j=1）=ΣP(Aj)P(Bi/Aj) ， i=1，2……n；j=1，2……k 根據(jù)專(zhuān)業(yè)知識(shí)，公式分越大或越小越優(yōu)。 人工神經(jīng)網(wǎng)絡(luò)［11］ 神經(jīng)網(wǎng)絡(luò)是建立以權(quán)重描述變量與目標(biāo)之間特殊的非線(xiàn)性關(guān)系模型，對(duì)事物的判斷分析必須經(jīng)過(guò)一個(gè)學(xué)習(xí)或訓(xùn)練過(guò)程，類(lèi)似于人腦認(rèn)識(shí)一個(gè)新事物必須有一個(gè)學(xué)習(xí)過(guò)程一樣，神經(jīng)網(wǎng)絡(luò)通過(guò)一定的算法進(jìn)行訓(xùn)練，將反饋傳播（BP）算法引入神經(jīng)網(wǎng)絡(luò)中，很好地實(shí)現(xiàn)了多層神經(jīng)網(wǎng)絡(luò)的設(shè)想。與傳統(tǒng)的計(jì)算機(jī)方法相比，具有大規(guī)模信息處理、分布式聯(lián)想存儲(chǔ)、自適應(yīng)學(xué)習(xí)及自組織的特點(diǎn)；作為一個(gè)高度的非線(xiàn)性動(dòng)態(tài)處理系統(tǒng)，既可處理線(xiàn)性問(wèn)題，又可處理非線(xiàn)性問(wèn)題，且具有很強(qiáng)的容錯(cuò)能力。在求解問(wèn)題時(shí)，對(duì)實(shí)際問(wèn)題的結(jié)構(gòu)沒(méi)有要求，不必對(duì)變量之間的關(guān)系作出任何假設(shè)，只需利用在學(xué)習(xí)階段所獲得的知識(shí)（分布式存儲(chǔ)于網(wǎng)絡(luò)的內(nèi)部），對(duì)輸入因子進(jìn)行處理，就可得到結(jié)果。這種處理方式更符合客觀實(shí)際，因而得到的結(jié)果可靠性更大?！ ?簡(jiǎn)易公式評(píng)分法［12］ 化多指標(biāo)為單指標(biāo) → 確定權(quán)重系數(shù) → 按公式計(jì)算分?jǐn)?shù)。 簡(jiǎn)易綜合公式：dij=b1aij/s1+b2bij/s2+b3cij/s3 式中aij、bij、cij分別為第i項(xiàng)的第 j 個(gè)指標(biāo)，ss2和s3分別為樣本的標(biāo)準(zhǔn)差，bb2和b3分別為權(quán)重系數(shù)?！ ?蒙特卡羅模擬綜合評(píng)價(jià)法［13］ 利用蒙特卡羅模擬技術(shù)將原序數(shù)關(guān)系的目標(biāo)屬性轉(zhuǎn)化為一系列的目標(biāo)屬性向量。對(duì)于每一權(quán)重向量，利用加權(quán)法對(duì)方案（評(píng)價(jià)對(duì)象）進(jìn)行排序，得到一系列排序向量，再統(tǒng)計(jì)每個(gè)方案排在各個(gè)排序位次上的次數(shù)，進(jìn)而求出相應(yīng)比例。 一般步驟如下：根據(jù)各指標(biāo)屬性，進(jìn)行數(shù)據(jù)生成（生成的數(shù)據(jù)應(yīng)滿(mǎn)足無(wú)量綱化、標(biāo)準(zhǔn)化和測(cè)度統(tǒng)一化）→ 產(chǎn)生隨機(jī)重向量→ 計(jì)算加權(quán)值→排序向量?！ ?模糊綜合評(píng)判法［14］ 應(yīng)用模糊關(guān)系合成的特性，從多個(gè)指標(biāo)對(duì)被評(píng)價(jià)事物隸屬等級(jí)狀況進(jìn)行綜合性評(píng)判的一種方法，它把被評(píng)價(jià)事物的變化區(qū)間作出劃分，又對(duì)事物屬于各個(gè)等級(jí)的程度作出分析，使得描述更加深入和客觀。 一般步驟如下：確定評(píng)價(jià)事物的因素論域→選定評(píng)語(yǔ)等級(jí)論域→建立模糊關(guān)系矩陣→確定評(píng)價(jià)因素權(quán)向量→ 選擇合成算子→ 得到模糊評(píng)判結(jié)果向量→ 進(jìn)一步分析處理。 該法的優(yōu)點(diǎn)是：數(shù)學(xué)模型簡(jiǎn)單，容易掌握，對(duì)多因素多層次的復(fù)雜問(wèn)題評(píng)判效果比較好。在實(shí)際應(yīng)用中，采用模糊綜合評(píng)判法能夠得到全面和合理的評(píng)判結(jié)果［15］?！ ?灰關(guān)聯(lián)聚類(lèi)法［16］ 該法把灰關(guān)聯(lián)聚類(lèi)分析和聚類(lèi)思想方法進(jìn)行融匯、擴(kuò)充，將關(guān)聯(lián)度的數(shù)值演化成評(píng)估對(duì)象的親和度 而用于聚類(lèi)分析。 設(shè)待分析評(píng)價(jià)系統(tǒng)Si(i=1，2，……，m)，特征參量（指標(biāo)）序列為Xi， Xi=(Xi1，Xi2，……，Xin) 又有參考特征參量（指標(biāo)）序列X0 X0=（X01，X02，……，X0m） 參考序列的確定：對(duì)于指標(biāo)越大越好的指標(biāo)，則： X0j=max(Xij) (j=1，2，……，n) 對(duì)于指標(biāo)越小越好的指標(biāo)，則： X0j=mini∈I(Xij) 該法的步驟：聚類(lèi)基礎(chǔ)的構(gòu)成→ 灰色相似矩陣的建立→ 聚類(lèi)分析 該法對(duì)原始數(shù)據(jù)進(jìn)行統(tǒng)一測(cè)度和同一化處理，消除了不同指標(biāo)量綱的影響，能定量反映不同評(píng)價(jià)單元的優(yōu)劣程度，直觀可靠，權(quán)的取值在0與1之間，該值越接近1，反映所評(píng)價(jià)單元越接近最優(yōu)水平的程度越高；反之，該值越接近0，反映所評(píng)價(jià)單元越接近最劣水平的程度越高。本法既適合大樣本，也適合小樣本的評(píng)價(jià)系統(tǒng)?！ ?因子分析法（FA）［17,18］ 因子分析法(factor analysis)是由心理學(xué)家Charles Spearman首先提出的。目前，該方法在自然科學(xué)領(lǐng)域中的應(yīng)用越來(lái)越廣泛，它的基本思想是通過(guò)對(duì)原始指標(biāo)相關(guān)矩陣內(nèi)部結(jié)構(gòu)的研究，找出能控制所有指標(biāo)少數(shù)幾個(gè)不可觀測(cè)的公因子（彼此之間不相關(guān)），每個(gè)指標(biāo)可以近似表示成公因子的線(xiàn)性組合，以較少的公因子來(lái)代替多個(gè)指標(biāo)從而達(dá)到簡(jiǎn)化分析的目的。同時(shí)根據(jù)不同因子以及進(jìn)一步旋轉(zhuǎn)，可以對(duì)指標(biāo)進(jìn)行較為科學(xué)和清晰的分類(lèi)。根據(jù)變量間的相關(guān)性大小，把變量分組，使得同組內(nèi)變量之間的相關(guān)性較高，但不同組內(nèi)變量之間的相關(guān)性較低。每組變量代表一個(gè)基本結(jié)構(gòu)，這個(gè)基本結(jié)構(gòu)稱(chēng)為公共因子。設(shè)有P維隨機(jī)向量X=X(X1，X2，……，Xp)′，其均值向量
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1