《Python数学建模算法与应用课件》14第14章 综合评价方法.pptx

;;评价方法大体上可分为两类，其主要区别在确定权重的方法上。一类是主观赋权法，多数采取综合咨询评分确定权重，如综合指数法、模糊综合评判法、层次分析法、功效系数法等。另一类是客观赋权，根据各指标间相关关系或各指标值变异程度来确定权数，如主成分分析法、因子分析法、理想解法（也称TOPSIS法）等。目前国内外综合评价方法有数十种之多，其中主要使用的评价方法有主成分分析法、因子分析、TOPSIS、秩和比法、灰色关联法、熵权法、PageRank法、层次分析法、模糊评价法、物元分析法、聚类分析法、价值工程法、神经网络法等。

;;1.综合评价指标体系的概念;2.综合评价指标体系的设置原则;;1.定量指标的一致化处理;2.定量指标值的无量纲化处理;3.定性指标的定量化;4.评价指标预处理示例;#程序文件ex14_1.py

importnumpyasnp

importpandasaspd

a=np.loadtxt(data14_1_1.txt)

b=np.linalg.norm(a,axis=0)#逐列求2范数

m1=a.max(axis=0)#逐列求最大值

m2=a.min(axis=0)#逐列求最小值

R1=a/b#全部列向量归一化处理

R2=a/m1#全部列向量比例变换

R3=(a-m2)/(m1-m2)#全部列向量极差变换

R1[:,3]=1-a[:,3]/b[3]#第4列特殊处理

R2[:,3]=m2[3]/a[:,3]#第4列特殊处理

R3[:,3]=(m1[3]-a[:,3])/(m1[3]-m2[3])

np.savetxt(data14_1_2.txt,R1,fmt=%.4f)

f=pd.ExcelWriter(data14_1_3.xlsx)

pd.DataFrame(R1).to_excel(f,index=None)#写入Excel文件方便做表

pd.DataFrame(R2).to_excel(f,Sheet2,index=None)

pd.DataFrame(R3).to_excel(f,Sheet3,index=None);f.save();;14.3.1线性加权综合评价法;14.3.2TOPSIS法;14.3.3灰色关联度分析;14.3.4熵值法;14.3.5秩和比法;14.3.6综合评价示例;1.利用TOPSIS法进行综合评价;2.灰色关联度评价;3.熵值法;4.秩和比法评价;#程序文件ex14_2.py

importnumpyasnp

fromscipy.statsimportrankdata

?

a=np.loadtxt(data14_1_2.txt)

bp=a.max(axis=0)#求正理想解

bm=a.min(axis=0)#求负理想解

d1=np.linalg.norm(a-bp,axis=1)#求到正理想解的距离

d2=np.linalg.norm(a-bm,axis=1)#求到负理想解的距离

f1=d2/(d1+d2);print(TOPSIS评价值：,f1)

?

c=bp-a#计算参考序列与每个序列的差

m1=c.max();m2=c.min()#计算最大差和最小差

r=0.5#分辨系数

xs=(m2+r*m1)/(c+r*m1)#计算灰色关联系数

f2=xs.mean(axis=1)#求灰色关联度

print(灰色关联度：,np.round(f2,4))

?

;?

n=a.shape[0];s=a.sum(axis=0)#逐列求和

P=a/s#求特征比重矩阵

e=-(P*np.log(P)).sum(axis=0)/np.log(n)#计算熵值

g=1-e;w=g/sum(g)#计算差异系数和权重系数

f3=P@w#计算各对象的评价值

print(评价值：,np.round(f3,4))

?

R=rankdata(a,axis=0)#逐列编秩

RSR=R.mean(axis=1)/n#计算秩和比

print(秩和比：,np.round(RSR,4))

;;14.4.1模糊数学基本概念;14.4.2模糊贴近度;#程序文件ex14_3.py

importnumpyasnp

?

a=np.array([[0.4,0.3,0.5,0.3],[0.3,0.3,0.4,0.4],[0.2,0.3,0