模糊综合评价
模糊综合评价
模糊综合评价的实质是通过“隶属度”的概念，来计算每一个要素的隶属度向量：虽不能给出准确的答案，但是可以给出要素处于某一状态的概率。个人的感觉，很像薛定谔方程用波函数来描述单个粒子处于某一位置的概率。
模糊综合评价法并非是让二值逻辑的结果更客观，而是彻底摒弃了{0,1}的二值逻辑，改用[0,1]的区间取值来描述要素的状态，能把主观性的数据尽量客观化，方法的核心是模糊算子的选择，本质是一种数据处理的方法。
1.建立综合评价的因素集
2.建立综合评价的评价集
3.进行单元素模糊评价，获得评价矩阵
4.确定因素权向量
5.建立综合评价模型
6.确定系统总得分
https://zhuanlan.zhihu.com/p/32666445
隶属度函数选取与构造
常用的方法：直觉方法，二元对比排序法，模糊统计试验法，最小模糊度法（根据先验知识和采集的数据，确定出描述模糊概念的候选隶属函数，利用最小化模糊度的原则计算相关的参数，进而获得合适的隶属函数）。
下面介绍三种最常用的隶属度函数：三角形隶属度函数、梯形隶属度函数、高斯型隶属度函数：
三角形隶属度函数
梯形隶属度函数
高斯型隶属度函数
https://zhuanlan.zhihu.com/p/37616833
模糊综合评价是用各个区别来评价，具体权重可使用层次分析法。
各个取权重方法：
可参考论文：
上面一篇就是模糊综合评价的论文。
用ANP求得权重。
第58页开始就是模糊综合评价。
上面是10个专家的评分情况，把牛逼，非常好，垃圾等评语转化成数值型。
63页就是给出结果。
优缺点
优点：
- 结果清晰，
- 系统性强
- 能较好地解决模糊的、难以量化的问题
- 适合各种非确定性问题的解决。
模糊综合评价法的优点
(1)模糊评价通过精确的数字手段处理模糊的评价对象，能对蕴藏信息呈现模糊性的资料作出比较科学、合理、贴近实际的量化评价；
(2)评价结果是一个矢量，而不是一个点值，包含的信息比较丰富，既可以比较准确的刻画被评价对象，又可以进一步加工，得到参考信息。
缺点：
(1)计算复杂，对指标权重矢量的确定主观性较强；
(2)当指标因素集U UU较大，即指标集个数凡较大时，在权矢量和为1的条件约束下，相对隶属度权系数往往偏小，权矢量与模糊矩阵R不匹配，结果会出现超模糊现象，分辨率很差，无法区分谁的隶属度更高，甚至造成评判失败，此时可用分层模糊评估法加以改进。
相关术语
1．评价因素（F）：是指对招标项目评议的具体内容（例如，价格、各种指标、参数、规范、性能、状况，等等）。
为便于权重分配和评议，可以按评价因素的属性将评价因素分成若干类（例如，商务、技术、价格、伴随服务，等），把每一类都视为单一评价因素，并称之为第一级评价因素（F1）。第一级评价因素可以设置下属的第二级评价因素（例如，第一级评价因素“商务”可以有下属的第二级评价因素：交货期、付款条件和付款方式，等）。第二级评价因素可以设置下属的第三级评价因素（F3）。依此类推。
2．评价因素值（Fv）：是指评价因素的具体值。例如，某投标人的某技术参数为120，那么，该投标人的该评价因素值为120。
3．评价值（E）：是指评价因素的优劣程度。评价因素最优的评价值为1（采用百分制时为100分）；欠优的评价因素，依据欠优的程度，其评价值大于或等于零、小于或等于1（采用百分制时为100分），即0≤E≤1（采用百分制时0≤E≤100）。
4．平均评价值（Ep）：是指评标委员会成员对某评价因素评价的平均值。
平均评价值（Ep）=全体评标委员会成员的评价值之和÷评委数
5．权重（W）：是指评价因素的地位和重要程度。
第一级评价因素的权重之和为1；每一个评价因素的下一级评价因素的权重之和为1 。
6．加权平均评价值（Epw）：是指加权后的平均评价值。
加权平均评价值（Epw）=平均评价值（Ep）×权重（W）。
7．综合评价值（Ez）：是指同一级评价因素的加权平均评价值（Epw）之和。综合评价值也是对应的上一级评价。
