本文主要是介绍python实现多层次模糊综合评价，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
文章目录
- 算法简介
- 调用示例
- 例题
- 代码
- 具体实现
- 权重 ak 的确定
- 频数统计法确定权重
- 算法理论
- 算法代码
- 模糊层次分析法确定权重
- 算法理论
- 算法代码
- 综合评价
- 算法理论
- 算法代码
算法简介
调用示例
例题
代码
具体实现
权重 ak 的确定
频数统计法确定权重
算法理论
算法代码
def frequency(matrix,p):'''频数统计法确定权重:param matrix: 因素矩阵:param p: 分组数:return: 权重向量'''A = np.zeros((matrix.shape[0]))for i in range(0, matrix.shape[0]):## 根据频率确定频数区间列表row = list(matrix[i, :])maximum = max(row)minimum = min(row)gap = (maximum - minimum) / prow.sort()group = []item = minimumwhile(item < maximum):group.append([item, item + gap])item = item + gapprint(group)## 初始化一个数据字典，便于记录频数dataDict = {}for k in range(0, len(group)):dataDict[str(k)] = 0## 判断本行的每个元素在哪个区间内，并记录频数for j in range(0, matrix.shape[1]):for k in range(0, len(group)):if(matrix[k, j] >= group[k][0]):dataDict[str(k)] = dataDict[str(k)] + 1breakprint(dataDict)## 取出最大频数对应的key，并以此为索引求组中值index = int(max(dataDict,key=dataDict.get))mid = (group[index][0] + group[index][1]) / 2print(mid)A[i] = midA = A / sum(A[:]) ## 归一化return A
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
模糊层次分析法确定权重
算法理论
算法代码
def AHP(matrix):if isConsist(matrix):lam, x = np.linalg.eig(matrix)return x[0] / sum(x[0][:])else:print("一致性检验未通过")return None
def isConsist(matrix):
‘’’
:param matrix: 成对比较矩阵
:return: 通过一致性检验则返回true，否则返回false
‘’’
n = np.shape(matrix)[0]
a, b = np.linalg.eig(matrix)
maxlam = a[0].real
CI = (maxlam - n) / (n - 1)
RI = [0, 0, 0.58, 0.9, 1.12, 1.24, 1.32, 1.41, 1.45]
CR = CI / RI[n-1]
if CR < 0.1:
return True, CI, RI[n-1]
else:
return False, None, None
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
综合评价
算法理论
算法代码
其中算子的算法在另一篇博客中https://blog.csdn.net/weixin_44112790/article/details/88090412
def appraise(criterionMatrix, targetMatrixs, relationMatrixs):''':param criterionMatrix: 准则层权重矩阵:param targetMatrix: 指标层权重矩阵列表:param relationMatrixs: 关系矩阵列表:return:'''R = np.zeros((criterionMatrix.shape[1], relationMatrixs[0].shape[1]))for index in range(0, len(targetMatrixs)):row = mul_mymin_operator(targetMatrixs[index], relationMatrixs[index])R[index] = rowB = mul_mymin_operator(criterionMatrix, R)return B / sum(B[:])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
</div><link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-e44c3c0e64.css" rel="stylesheet"></div>
这篇关于python实现多层次模糊综合评价的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
