数学建模——评价决策类算法(层次分析法、Topsis)

一、层次分析法

概念原理

        通过相互比较确定各准则对于目标的权重, 及各方案对于每一准则的权重,这些权重在人的思维过程中通常是定性的, 而在层次分析法中则要给出得到权重的定量方法. 将方案层对准则层的权重及准则层对目标层的权重进行综合, 最终确定方案层对目标层的权重。

层次分析算法的基本步骤 

1、建立递阶层次结构模型

2、构造出各层次中的所有判断矩阵

3、一致性检验

4、求权重后进行评价

一致性检验

求解权重 

 例题

例题:某公司计划投资一个新项目,现有三个候选城市A、B、C可供选择。公司希望通过层次分析法来确定最佳投资地点。评价指标包括:经济发展水平、人力资源、基础设施、政策支持四个方面。

步骤1:建立递阶层次结构模型

目标层:选择最佳投资地点 准则层:经济发展水平、人力资源、基础设施、政策支持 方案层:城市A、城市B、城市C

步骤2:构造各层次中的所有判断矩阵

假设公司对四个评价指标的重要性进行了如下判断(1-9标度法):

经济发展水平:人力资源 = 3,基础设施 = 5,政策支持 = 7 人力资源:基础设施 = 2,政策支持 = 4 基础设施:政策支持 = 1

构造准则层判断矩阵P:

对于方案层,假设公司对三个城市在各评价指标下的表现进行了如下判断:

经济发展水平:A > B > C 人力资源:A > C > B 基础设施:B > A > C 政策支持:C > A > B

构造方案层判断矩阵Q1(经济发展水平):

构造方案层判断矩阵Q2(人力资源):

构造方案层判断矩阵Q3(基础设施):

构造方案层判断矩阵Q4(政策支持):

步骤3:一致性检验

首先计算判断矩阵的最大特征值和特征向量,然后计算一致性指标CI和一致性比例CR。

步骤4:求权重后进行评价

根据步骤3的计算结果,得到各评价指标和方案的权重,进而计算出各方案的综合得分,选择得分最高的方案。

import numpy as np# 计算最大特征值和特征向量
def cal_maxEigenvalue_and_Eigenvector(matrix):eigenvalues, eigenvectors = np.linalg.eig(matrix)max_index = np.argmax(eigenvalues)max_eigenvalue = eigenvalues[max_index]max_eigenvector = eigenvectors[:, max_index]return max_eigenvalue, max_eigenvector# 一致性检验
def consistency_check(matrix, n):max_eigenvalue, max_eigenvector = cal_maxEigenvalue_and_Eigenvector(matrix)CI = (max_eigenvalue - n) / (n - 1)RI = [0, 0, 0.58, 0.9, 1.12, 1.24, 1.32, 1.41, 1.45]  # 随机一致性指标CR = CI / RI[n - 1]if CR < 0.1:print("判断矩阵的一致性可以接受,CR = {:.4f}".format(CR))return max_eigenvector / np.sum(max_eigenvector)  # 归一化特征向量else:print("判断矩阵的一致性不可接受,CR = {:.4f}".format(CR))return None# 构造判断矩阵
P = np.array([[1, 1/3, 1/5, 1/7],[3, 1, 1/2, 1/4],[5, 2, 1, 1/3],[7, 4, 3, 1]])Q1 = np.array([[1, 3, 5],[1/3, 1, 3],[1/5, 1/3, 1]])Q2 = np.array([[1, 3, 5],[1/3, 1, 3],[1/5, 1/3, 1]])Q3 = np.array([[1, 1/3, 1/5],[3, 1, 3],[5, 1/3, 1]])Q4 = np.array([[1, 1/3, 1/5],[3, 1, 3],[5, 1/3, 1]])# 进行一致性检验并计算权重
weights_P = consistency_check(P, 4)
weights_Q1 = consistency_check(Q1, 3)
weights_Q2 = consistency_check(Q2, 3)
weights_Q3 = consistency_check(Q3, 3)
weights_Q4 = consistency_check(Q4, 3)# 如果一致性检验未通过,则无法继续计算
if weights_P is None or weights_Q1 is None or weights_Q2 is None or weights_Q3 is None or weights_Q4 is None:print("存在判断矩阵的一致性不可接受,请重新评估。")
else:# 计算各方案的综合得分scores = np.dot(weights_P, np.array([weights_Q1, weights_Q2, weights_Q3, weights_Q4]))print("各城市的综合得分:")for i, score in enumerate(scores):print("城市{}:{:.4f}".format(chr(65+i), score))# 选择得分最高的城市best_city_index = np.argmax(scores)print("最佳投资地点是:城市{}".format(chr(65+best_city_index)))

请注意,这段代码假设所有的判断矩阵都通过了一致性检验。在实际应用中,如果任何一个判断矩阵没有通过一致性检验,就需要重新评估矩阵中的元素,直到所有矩阵都通过一致性检验。

此外,代码中的RI数组是一个预定义的随机一致性指标,它依赖于矩阵的大小(即准则的数量)。如果准则层或方案层的元素数量超过9,那么需要查找额外的RI值。

运行上述代码将给出每个城市的综合得分,并确定最佳投资地点。这个过程体现了层次分析法的核心步骤,包括建立模型、构造判断矩阵、一致性检验和权重计算。

二、Topsis算法

模型原理

基本步骤

原始矩阵正向化

正向化矩阵标准化 

 计算得分并归一化

 例题

假设某公司需要从三个供应商(A、B、C)中选择一个作为长期合作伙伴。评价指标包括:价格、质量、交货时间和售后服务。以下是供应商在每个指标上的原始评分(价格越低越好,其他指标越高越好):

首先,我们将价格指标正向化,因为价格是成本型指标,越低越好,而其他指标是效益型指标,越高越好。

正向化后的矩阵X’:

X' = [[1/10, 85, 3, 90],[1/12, 90, 5, 85],[1/11, 88, 4, 88]]

对正向化后的矩阵进行标准化处理,得到标准化矩阵R。

X_prime = np.array([[1/10, 85, 3, 90],[1/12, 90, 5, 85],[1/11, 88, 4, 88]])# 计算每列的平方和
squared_sums = np.sum(X_prime**2, axis=0)# 标准化矩阵R
R = X_prime / np.sqrt(squared_sums)

假设每个指标的权重相等,即每个指标的权重为1/4。

# 权重向量W
W = np.array([1/4, 1/4, 1/4, 1/4])# 计算加权得分
V = R * W

归一化得分:

# 计算得分向量V的平方和
v_squared_sums = np.sum(V**2, axis=1)# 归一化得分
S = V / np.sqrt(v_squared_sums)[:, np.newaxis]

 完整代码:

import numpy as np# 原始矩阵正向化
X_prime = np.array([[1/10, 85, 3, 90],[1/12, 90, 5, 85],[1/11, 88, 4, 88]])# 标准化矩阵R
squared_sums = np.sum(X_prime**2, axis=0)
R = X_prime / np.sqrt(squared_sums)# 权重向量W
W = np.array([1/4, 1/4, 1/4, 1/4])# 计算加权得分
V = R * W# 归一化得分
v_squared_sums = np.sum(V**2, axis=1)
S = V / np.sqrt(v_squared_sums)[:, np.newaxis]# 输出归一化得分
print("各供应商的归一化得分:")
for i, s in enumerate(S):print(f"供应商 {chr(65+i)}: {s}")

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/400332.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

6.mysql事务

MYSQL事务 1.事务简介2.事务操作2.1 方式一2.2 方式二 3.事务四大特性&#xff08;ACID&#xff09;4.并发事务问题5.事务隔离级别 1.事务简介 事务 是一组操作的集合&#xff0c;它是一个不可分割的工作单位&#xff0c;事务会把所有操作作为一个整体一起想系统提交或撤销操作…

不懂就问,猫咪一到夏天就疯狂掉毛?宠物毛发异味怎么处理?

相信很多新手铲屎官都有这样的疑问&#xff0c;随着气温升高&#xff0c;家里的猫孩子疯狂掉毛&#xff0c;还有愈演愈烈的趋势。不用担心&#xff0c;这是因为宠物到了换毛季。猫咪的换毛季一年两次&#xff0c;多集中在春天和秋天&#xff0c;但也有很多猫咪的掉毛期无限延长…

中小型企业可用的数据采集监控平台 为生产带来众多改变

中小型企业采用数据采集监控平台可以显著提升生产效率、优化生产流程、增强决策能力&#xff0c;并带来一系列积极的改变。 数据采集监控平台可提供从边缘感知设备到云端的数据采集、存储、分析、可视化等服务&#xff0c;实现生产工艺流程仿真、设备运行状态监控、数据报表、趋…

【无标题】Unity Asset Hunter 插件

Asset Hunter PRO是Unity的一款插件&#xff0c;用于分析工程内的资源使用情况&#xff0c;资源大小&#xff0c;分析资源依赖关系&#xff0c;可以用来清理项目中未使用的资源。尤其是项目较大时&#xff0c;删除没有使用的资源很有帮助。 对于项目UI图片修改次数过多时&…

C++ | list

前言 本篇博客讲解cSTL中的list &#x1f493; 个人主页&#xff1a;普通young man-CSDN博客 ⏩ 文章专栏&#xff1a;C_普通young man的博客-CSDN博客 ⏩ 本人giee: 普通小青年 (pu-tong-young-man) - Gitee.com 若有问题 评论区见&#x1f4dd; &#x1f389;欢迎大家点赞&…

FMR—Feature-metric Registration论文解读

目录 一、导言 二、先导知识 1、逆组合算法 三、相关工作 1、优化算法为主的配准工作 2、基于特征的点云配准 3、端到端学习的配准 四、FMR框架 1、Encoder模块 2、Decoder分支模块 3、特征指标配准分支模块 4、损失函数 五、数据集 1、ModelNet40 2、7Scene数据…

SpringBoot快速入门(自动创建)

目录 前言 步骤 1 创建项目 2 选择生成器springBoot 3 修改后&#xff0c;如图所示 4 点击下一步 5 点击Web----SpringWeb 6 点击创建 6.1 如果发生报错如: 6.2 替换合适版本&#xff0c;等待重新加载 7 添加contronller类 7.1 添加HelloController 类 8 ​​创建…

基于JAVA的医院管理住院系统研究与实现

点击下载源码 基于JAVA的医院管理住院系统研究与实现 摘 要 医院管理住院系统是一项集多类学科为一体的系统&#xff0c;其中包含医学、信息、计算机等学科&#xff0c;广泛的应用在当今欧美等发达国家&#xff0c;给治疗患者们提供了很大的便利。假如全面实现了这一系统&…

【启明智显技术分享】工业级HMI芯片Model3A开发过程中问题记录笔记

一、Model3A芯片介绍 Model3A是启明智显针对工业、行业以及车载产品市场推出的一款高性能、低成本的工业级HMI&#xff08;Human-Machine Interface&#xff0c;人机界面&#xff09;芯片。该芯片主要应用于工业自动化、智能终端HMI、车载仪表盘、两轮车彩屏仪表、串口屏、智能…

Docker容器管理之FAQ

一、前言 某次&#xff0c;某容器服务发现无法使用了&#xff0c;查看状态为restaring状态&#xff0c;后看是云主机重启了&#xff0c;导致本地的nfs-server未自动启动&#xff0c;导致关联的集群主机&#xff0c;远程挂载点无法使用&#xff0c;影响容器服务运行。故此&#…

老师分班查询助手,新学期老师都在用!

作为一名教师&#xff0c;您是否曾经在新学期伊始&#xff0c;面对着一堆学生名单和分班结果&#xff0c;感到无从下手&#xff1f;是否曾经历过在黑板上一笔一划地写下每个学生的名字和班级&#xff0c;然后一遍又一遍地回答家长和学生的询问&#xff1f;这样的场景&#xff0…

web页面的性能测试

背景 测试大模型主要web页面的性能 使用工具 通过google自带的lighthouse测试页面的性能 各个参考指标 First Contentful Paint(FCP):测量在用户导航到页面后浏览器呈现第一段 DOM 内容所花费的时间。页面上的图像、非白色<canvas>元素和 SVG 被视为 DOM 内容&#…

ECMAScript6语法:类

在 ES6 中新增了类的概率&#xff0c;多个具有相同属性和方法的对象就可以抽象为类。类和对象的关系如下&#xff1a; &#xff08;1&#xff09;类抽象了对象的公共部分&#xff0c;它泛指某一大类&#xff08;class&#xff09;。 &#xff08;2&#xff09;对象特指通过类…

Linux:基础IO

目录 1. stdin & stdout & stderr 2. 系统文件I/O 1. 接口介绍 open write read close lseek 2. open函数返回值 3. 文件描述符fd 0 & 1 & 2 文件描述符的分配规则 重回定向 dup2 简易Shell的模拟实现 4. FILE 5. 再谈对文件的理解 1. stdin …

threejs webgl效果 功能特效

雷达效果 ​飘扬的红旗 光柱效果 OD线 下雪 下雨 光墙效果 能源球 烟火效果 threejs烟花效果 光圈效果 threejs 光圈 波动 function initScene() {scene new THREE.Scene();}function initCamera() {camera new THREE.PerspectiveCamera(45, window.innerWidth / window.inne…

深入探索PDF源码解析:从PDF到Excel的数据统计分析找到正文

在数字化时代&#xff0c;数据已成为企业决策和业务运营的关键。PDF文档作为一种广泛使用的文件格式&#xff0c;其中蕴含着大量有价值的信息。然而&#xff0c;PDF文档的结构和格式使得直接对其进行数据提取和分析变得复杂。为了解决这个问题&#xff0c;我们采取了一种创新的…

SQL注入实例(sqli-labs/less-17)

0、初始网页 1、确定闭合字符 注入点在于password框&#xff0c;闭合字符为单引号 2、爆库名 1 and updatexml(1,concat(0x7e,database(),0x7e),1)# 1 and (select 1 from (select count(*),concat((select database()),floor(rand()*2))x from information_schema.tables gr…

经纬恒润亮相第四届焉知汽车年会,功能安全赋能域控

8月初&#xff0c;第四届焉知汽车年会在上海举行。此次年会围绕当下智能电动汽车的热点和焦点&#xff0c;聚焦于智能汽车场景应用、车载通信、激光雷达、智能座舱、功能安全、电驱动系统等多个领域&#xff0c;汇聚了来自OEM、科技公司、零部件供应商、测试认证机构、政府院校…

Spark SQL Catalyst工作流程

我们写的SQL语句&#xff0c;会经过一个优化器 (Catalyst)&#xff0c;转化为 RDD&#xff0c;交给集群执行。 而Catalyst在整个Spark 生态中的地位也是至关重要的。 SQL到RDD中间经过了一个Catalyst&#xff0c;它就是Spark SQL的核心&#xff0c;是针对Spark SQL语句执行过程…

使用pytest+selenium编写网页UI自动化脚本和用例

1 UI自动化测试 UI自动化测试&#xff08;User Interface Automation Testing&#xff09;是一种通过编写脚本或使用自动化测试工具&#xff0c;对界面&#xff08;UI&#xff09;进行自动化测试的方法。原理主要是模拟用户打开客户端或网页的UI界面&#xff0c;自动化执行用户…