综合评价与决策方法----数学建模笔记(1)

本文涉及的产品
传统型负载均衡 CLB,每月750个小时 15LCU
网络型负载均衡 NLB,每月750个小时 15LCU
应用型负载均衡 ALB,每月750个小时 15LCU
简介: 综合评价与决策方法----数学建模笔记(1)

综合评价与决策方法


主观观赋权(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


模糊综合评判法


该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价,即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价


主要步骤:

(1)确定因素集

(2)确定评语集

(3)确定各因素的权重

(4)确定模糊综合判断矩阵

(5)综合评判

具体实例:

deac9a538e82d61e65417cd4b62be836_ca6ff2dd07204d2aa66edba53a5d06ef.png

488809cbff77f9f58b805b8ae4d4d7d7_982a1bca6ae04968b145b01faab7ca65.png

958cf2e5b0e870e3846e3e5ef174034f_22b110758a2942ceb022a1e9bf382a40.png

cbb2d9aee1d9c747590e5f628436acf1_e659b5601de24b9dac57eaa8f47ce300.png

例二:

fa982a942b44f1f6951221065d39a58f_30bca1bf638e4858b766e752e15a6bb0.png

90c1aa694adb53eb1f35d066c0f8f103_1b04fab665cb48b28a1c1f09c9c9ffb4.png

5217b7e59d4a5ea59259f94949e2e9c6_10643d09893e4083839549409e041c16.png

85966a43ccf60cace202c76edbe41660_aba4db7e36ca444c87a07efad1c3ebb8.png

matlab解法如下:

a = [0.8 0.15 0.05 0 0
    0.2 0.6 0.1 0.1 0
    0.5 0.4 0.1 0 0
    0.1 0.3 0.5 0.05 0.05
    0.3 0.5 0.15 0.05 0
    0.2 0.2 0.4 0.1 0.1
    0.4 0.4 0.1 0.1 0
    0.1 0.3 0.3 0.2 0.1
    0.3 0.2 0.2 0.2 0.1
    0.1 0.3 0.5 0.1 0
    0.2 0.3 0.3 0.1 0.1
    0.2 0.3 0.35 0.15 0
    0.1 0.3 0.4 0.1 0.1
    0.1 0.4 0.3 0.1 0.1
    0.3 0.4 0.2 0.1 0
    0.1 0.4 0.3 0.1 0.1
    0.2 0.3 0.4 0.1 0
    0.4 0.3 0.2 0.1 0];
W = [0.4 0.3 0.2 0.1];
W1 = [0.2 0.3 0.3 0.2];
W2 = [0.3 0.2 0.1 0.2 0.2];
W3 = [0.1 0.2 0.3 0.2 0.2];
W4 = [0.3 0.2 0.2 0.3];
B(1,:) = W1*a(1:4,:);
B(2,:) = W2*a(5:9,:);
B(3,:) = W3*a(10:14,:);
B(4,:) = W4*a(15:end,:);B
c = W*B


客观观赋权(理想解法、因子分析法 、主成分分析法)


理想解法(TOPSIS)


理想解法亦称为TOPSIS法,是一种有效的多指标评价方法。这种方法通过构造评价问题的正理想解和负理想解,即各指标的最优解和最劣解,通过计算每个方案到理想方案的相对贴近度,即靠近正理想解和远离负理想解的程度,来对方案进行排序,从而选出最优方案


主要步骤:

(1)用向量规划化的方法求得规范决策

(2)构造加权规范阵

(3)确定正理想解 和负理想解

(4)计算各方案到正理想解与负理想解的距离

(5)计算各方案的排序指标值

(6)按由大到小排列方案的优劣次序

具体实例:

5f8156f39e33f7732b00a4c08f051b50_ff9825898f7c4bde9df461da8afaf8ca.png

9c461bb366e0db43262ff30c71497cc2_4995e0dfadd1472c8ce925ec1e393181.png

matlab解法如下:

clc;
clear;
a  = [0.1 5 5000  4.7
      0.2 6 6000  5.6
      0.4 7 7000  6.7
      0.9 10  10000 2.3
      1.2 2 400     1.8]
%已知的罗列
    [m,n] = size(a);
    qujian = [5,6];lb = 2; ub = 12;
    w = [0.2 0.3 0.4 0.1]
    x2 =@(qujian,lb,ub,x)(1-(qujian(1)-x)./(qujian(1)-lb)).*(x>=lb & x<qujian(1))+(x>=qujian(1) & x<=qujian(2))+(1-(x-qujian(2))./(ub-qujian(2))).*(x>qujian(2) & x<=ub); 
%第一步数据预处理:用向量规划化的方法求得规范决策,目的:使得表中任一属性下性能越优的方案变换后的属性值越大
%具体方法(无量纲化、归一化)
    a(:,2) = x2(qujian,lb,ub,a(:,2)) %第二列的规范化处理:区间型属性的变换
    b = a./vecnorm(a);%help vecnorm:发现返回的是矩阵的每一列元素平方相加的开根号值;这里是用来规范化所有元素
%第二步构造加权规范阵
    c = b.*w;%矩阵点乘向量,矩阵对应列元素乘以向量对应列元素
%第三步:求正理想解
    Cstar = max(c);%max(矩阵):对矩阵的每列元素取最大值,返回一个向量
    Cstar(4) = min(c(:,4)); %对于成本型,最小值才是最理想解
%第四步:求负理想解
    C0 = min(c);
    C0(4) = max(c(:,4));
%第五步:计算各方案的排序指标值
    Sstar = vecnorm(c-Cstar,2,2);%help vecnorm,发现 vecnorm构造方法之一vecnorm(矩阵(A),系数(p),方式(n)),其中系数是指矩阵的每一(列(n = 1)/行(n = 2))元素平方相加的开几次根号值,既1/p; 
    S0 = vecnorm(c-C0,2,2);
%第六步:按由大到小排列方案的优劣次序
    f = S0./(Sstar+S0);
    [sf,ind]  = sort(f,'descend')


主成分分析法


主成分分析(Principal Component Analysis,PCA)是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。


主要步骤:

(1)对原始数据进行标准化处理。

(2)计算相关系数矩阵R。

(3)计算特征值和特征向量。

(4)选择 p个主成分,计算综合评价值。

具体实例:

736c68aad2419716528c7124460c65cc_efa1cd0096f64ff7a3f0258de9f968fd.png

c98f13c039f0a3808e164c280adbebaa_11fff8943da243f29be0685c7784c808.png

matlab解法如下:

clc;
clear;
a = [0.71 0.49  0.41  0.51  0.46
0.40  0.49  0.44  0.57  0.50
0.55  0.56  0.48  0.53  0.49
0.62  0.93  0.38  0.53  0.47
0.45  0.42  0.41  0.54  0.47
0.36  0.37  0.46  0.54  0.48
0.55  0.68  0.42  0.54  0.46
0.62  0.90  0.38  0.56  0.46
0.61  0.99  0.33  0.57  0.43
0.71  0.93  0.35  0.66  0.44
0.59  0.69  0.36  0.57  0.48
0.41  0.47  0.40  0.54  0.48
0.26  0.29  0.43  0.57  0.48
0.14  0.16  0.43  0.55  0.47
0.12  0.13  0.45  0.59  0.54
0.22  0.25  0.44  0.58  0.52
0.71  0.49  0.41  0.51  0.46];
%第一步:对原始数据进行标准化处理
    a = zscore(a);a%对每一个数据进行规范化,公式:a(i,j) =( a(i,j)-mu(j) )./s(j)即 mu(j),s(j)为第j个指标的样本均值和样本标准差。
%第二步:计算相关系数矩阵
    r = corrcoef(a);r
%第三步:计算特征值和特征向量。
    [x,y,z] = pcacov(r);%返回值x为特征值,y为特征向量,z为贡献率
%第四步:选择 p个主成分,计算综合评价值。
    f = sign(sum(x));%help sign,发现sign返回元素值为(1:x(i)>0 / -1:x(i)<0 )的向量
    x = x.*f;%修改特征向量的正负号
%根据已知数据进行选取主成分的个数
    num = 3;%num为选取的主成分的个数
    df = a*x(:,1:num);
    tf = df*z(1:num);
    [stf,ind] = sort(tf,'descend');
    stf = stf',ind = ind'

相关实践学习
SLB负载均衡实践
本场景通过使用阿里云负载均衡 SLB 以及对负载均衡 SLB 后端服务器 ECS 的权重进行修改,快速解决服务器响应速度慢的问题
负载均衡入门与产品使用指南
负载均衡(Server Load Balancer)是对多台云服务器进行流量分发的负载均衡服务,可以通过流量分发扩展应用系统对外的服务能力,通过消除单点故障提升应用系统的可用性。 本课程主要介绍负载均衡的相关技术以及阿里云负载均衡产品的使用方法。
相关文章
|
12天前
|
机器学习/深度学习 算法 Python
【2023 华数杯全国大学生数学建模竞赛】 A题 隔热材料的结构优化控制研究 问题分析、模型建立及参考文献
本文提供了2023年华数杯全国大学生数学建模竞赛A题的详细分析、数学模型建立及参考文献,聚焦于隔热材料的结构优化控制研究,旨在解决单根隔热材料纤维的热导率测量难题,并探讨如何通过优化织物编织结构来提升隔热性能。
10 0
【2023 华数杯全国大学生数学建模竞赛】 A题 隔热材料的结构优化控制研究 问题分析、模型建立及参考文献
|
1月前
|
搜索推荐 C语言
青年歌手大赛:实时评分统计与分析程序设计
青年歌手大赛评分系统:C语言实现平均分计算(剔除最高与最低分) 在青年歌手大赛中,为了确保评分的公平性和准确性,本程序采用C语言设计了一套评分统计方案。该方案的核心功能是在收集10位评委对一位歌手的评分后,自动剔除一个最高分和一个最低分,然后计算剩余8个有效评分的平均值。
|
3月前
|
安全 网络协议 网络安全
【答案】2023年国赛信息安全管理与评估正式赛答案-模块3 理论技能
【答案】2023年国赛信息安全管理与评估正式赛答案-模块3 理论技能
|
3月前
|
机器学习/深度学习 算法 数据可视化
数据报告分享|WEKA贝叶斯网络挖掘学校在校人数影响因素数据分类模型
数据报告分享|WEKA贝叶斯网络挖掘学校在校人数影响因素数据分类模型
|
3月前
|
机器学习/深度学习 数据挖掘 算法框架/工具
想要了解图或图神经网络?没有比看论文更好的方式,面试阿里国际站运营一般会问什么
想要了解图或图神经网络?没有比看论文更好的方式,面试阿里国际站运营一般会问什么
|
3月前
|
数据可视化 算法 测试技术
R语言IRT理论:扩展Rasch模型等级量表模型lltm、 rsm 和 pcm模型分析心理和教育测验数据可视化
R语言IRT理论:扩展Rasch模型等级量表模型lltm、 rsm 和 pcm模型分析心理和教育测验数据可视化
|
3月前
|
前端开发 关系型数据库 Java
学院综合绩效评价系统的设计与实现(论文+源码)_kaic
学院综合绩效评价系统的设计与实现(论文+源码)_kaic
|
3月前
|
SEO
技术写作:漏斗内容策略、认知博客、支柱内容、研究报告、通用门控内容、电子书和教程
顶部漏斗是指客户旅程中的认知阶段,他们第一次接触到企业或产品。在这个阶段,他们意识到自己存在问题,并开始寻找信息或解决方案。此阶段的内容旨在通过提供与他们的问题相关的解决方案或有价值的信息来吸引潜在客户的注意力和兴趣。这种内容通常是广泛而丰富的,而不是针对产品的。其目的是在建立信任和品牌权威的同时,告知和教育受众。
88 5
|
3月前
|
机器学习/深度学习 算法 数据挖掘
【数据挖掘】关联模式评估方法及Apriori算法超市购物应用实战(超详细 附源码)
【数据挖掘】关联模式评估方法及Apriori算法超市购物应用实战(超详细 附源码)
136 0
|
人工智能 机器人 atlas
【2023B题】人工智能对大学生学习影响的评价(思路、代码)
【2023B题】人工智能对大学生学习影响的评价(思路、代码)
307 0