模糊层次分析方法-1.pptVIP

三角模糊数的几何解释： 三角模糊数M表示为 其中 时， 完全属于M， l和u分别下界和上界。 在l,u以外的完全不属于模糊数M。 μM(x) x 1 0 l m u 两个三角模糊数 和 的运算方法： 在指标评价的两两比较矩阵中，为了考虑人的模糊性在内，三角模糊数 被用来代表传统的1，3，5，7，9，而用 表示中间值。如下表。 评价指标A和B的相对权重 定义 说明 M1 同等重要 A，B对目标具有同样的贡献 M3 稍微重要 A比B稍微重要 M5 重要 A 比B重要 M7 明显重要 A比B明显重要 M9 非常重要 A比B非常重要 M2，M4，M6，M8 中间重要性 中间状态对应的标度值 构造模糊判断矩阵： Step1：调研对象组利用模糊数（ ）来表达他们的偏好。这里假设有三个调研成员。他们对一组指标进行比较（比如C1与C2的比较），各自得到一个模糊数，分别为 Step2：将三个模糊数整合成一个， 重复以上步骤，直到所有的比较变成一个模糊数。 矩阵值全是模糊数 假设在这个供应商选择的模型中，主要考虑四个因素：成本，质量，服务，企业质量。三个 专家对他们的模糊评价矩阵如下页图 C1与C2的三个比较模糊值，可以通过以下方式整合为为一个模糊值： C1与C2相比，其重要度为：（0.39，0.67，1.00）。 与AHP相比，这一点有什么优势？ 对其他比值可做相似的处理，得到模糊矩阵： Step1：第K层指标i的综合模糊值 （初始权重）计算方式如下： 拿FCM1举例：C1的初始权重计算如下。 同理：可以计算出C2,C3,C4的初始权重如下 Step2：去模糊化，以及求出C1至C4的最终权重 模糊数的比较原则 定义一： 和 是三角模糊数。 的可能度用三角模糊函数定义为 将模糊值变为一般的值 定义二：一个模糊数大于其他K个模糊数的可能度，被定义为： 拿上个例子来说明：对 去模糊化： 将以上权重值标准化，得到各指标的最终权重： 注：将（a,b,c ,d）标准化是指将其化为 Step3:确定其他层次的各指标权重 利用相同的方法，得到下一层次的指标Ai权重wi。 则指标Ai的总权重: 经计算得到下层指标的总权重如下： Am A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 TWm 0.142 0.142 0.025 0.218 0.105 0.023 0.181 0.007 0.111 0.019 0.002 0.026 供应商选择是一个多目标决策问题，选择供应商的评价指标如下图。假设有三个供应商B1，B2，B3 对定量指标的处理：只需标准化统计值来获得权重。如，B1，B2，B3三个供应商的产品合格率（指标A4）分别为90%，94%，98%。则标准化后得到权重如下。 B1 B2 B3 Qualified rate A4 0.9 0.94 0.98 Weight V4 0.319 0.333 0.348 对定性指标的处理：专家评估来得到模糊判断矩阵。用FAHP中的三角模糊数来表示指标权重。 如，确定B1，B2，B3的企业信用的指标权重。 Step1.专家评估模糊判断 供应商 B1 B2 B3 B1 （1，1，1） （1，2，3） （2，3，4） （1，1，2） （1，1，2） （1，1，2） （1，2，3） B2 （1/3，1/2，1/1） （1/2，1/1，1/1） （1/3，1/2，1/1） （1，1，1，） （1，1，2） （1，2，3） （1，1，2） B3 （1/2，1/1，1/1） （1/2，1/1，1/1） （1/3，1/2，1/1） （1/2，1/1，1/1） （1/3，1/2，1/1） （1/2，1/1，1/1） （1，1，1，） Step 2:构造其他指标的两两比较矩阵。略 Step 3：计算“企业信用”的模糊权重 Enterprise credit Fuzzy weight Dvi B1 (0.25,0.45,0.84) B2 (0.17,0.29,0.54) B3 (0.14,0.26,0.40) Step 4:将所有模糊数去模糊化。 归一化后，得到各指标的最终