python数学建模|综合评价方法

综合评价方法研究

《python数学实验与建模》中课后习题练习与代码笔记3。

综合评价方法包涵较多的模型，本次主要解析两个模型：TOPSIS（逼近理想解）模型和灰色关联分析模型。本次建模问题是传统模型，并没有进行扩展和改进。

一、基本模型

⑴TOPSIS模型

TOPSIS模型是逼近理想解的排序方法，它借助于评价问题的正理想解和负理想解，对各理想解进行排序。正理想解是一个虚拟的最佳对象，正理想解各个指标数值是评价对象该指标的最好值；负理想解亦是一个虚拟的最差对象，负理想解各个指标数值是评价对象该指标的最差值。通过求出各评价对象与正理想解与负理想解的距离，并通过距离指标对各评价对象进行优劣排序。

数学原理如下：

⑵灰色关联分析模型

在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。

数学原理如下：

二、模型应用与求解

以《python数学实验与建模》第九章课后习题9.1为例。

求解过程python实现如下所示：

import numpy as np
a = np.array([[8.1,255,12.6,13.2,76,5.4],[6.7,210,13.2,10.7,102,7.2],[6.0,233,15.3,9.5,63,3.1],[4.5,202,15.2,13,120,2.6]])
for j in range(0,6):#数据归一化处理a[:,j] = (a[:,j]-min(a[:,j]))/(max(a[:,j])-min(a[:,j]))
print(a)#查看数据的表现情况
#topsis方法
cplus = a.max(axis = 0)
cminus = a.min(axis = 0)
print('正理想解=',cplus,'负理想解=',cminus)
print(a-cplus)#每一列都减去cplus
d1 = np.linalg.norm(a-cplus,axis = 1)
d2 = np.linalg.norm(a-cminus,axis = 1)
print(d1,d2)#显示到正理想解和负理想解的距离
f1 = d2/(d1+d2)
print('topsis的评价值为：',f1)#最终经过综合评估，1号方案可能比较适合
#灰色关联分析
t = cplus-a#计算参考序列与每个序列的差
print('\n',t)
mmin = t.min()#计算最小值
print(mmin)
mmax = t.max()#计算最大值
print(mmax)
rho = 0.5 #分辨系数
xs = (mmin + rho*mmax)/(t+rho*mmax)#计算灰色关联系数
f2 = xs.mean(axis = 1)#求每一行的均值
print("关联系数=",xs,"\n关联度=",f2)#显示灰色关联系数与灰色关联度，可以看出依旧是方案1较为合适

三、结果简要分析

⑴TOPSIS模型输出分析

先确定正理想解与负理想解如下：

正理想解= [1. 1. 1. 1. 1. 1.] 负理想解= [0. 0. 0. 0. 0. 0.]

最终的topsis评价值为如下，可以看出，方案1比较合适。

topsis的评价值为： [0.58313806 0.49911304 0.40463435 0.492181  ]

⑵灰色关联分析模型

通过计算各个数据点的关联系数如下：

[[1.         1.         0.33333333 1.         0.39310345 0.56097561][0.5625     0.37062937 0.39130435 0.42528736 0.61290323 1.        ][0.46153846 0.54639175 1.         0.33333333 0.33333333 0.359375  ][0.33333333 0.33333333 0.93103448 0.90243902 1.         0.33333333]]

最终的每一行计算平均值得出每个方案的关联度如下，可以看出依然是方案一比较合适，符合TOPSIS模型输出的一致性。

[0.71456873 0.56043738 0.50566198 0.63891225]

四、总结

慢慢走，欣赏啊。

python数学建模|综合评价方法相关推荐

数学建模--综合评价方法
综合评价方法提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加例如:第一章 Python 机器学习入门之pandas的使用提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮 ...
python数学建模（二）线性规划2.实战(思路清晰\过程完整、详细)
文章目录 (一)简单陈述本文章的内容 (二)线性规划例题(实战) 2.1 实战题目 2.2 符号规定和基本假设 2.3 模型的分析 2.4 模型的建立 2.5 模型一的求解和分析 2.5.1 (代码) ...
python数学建模--绘图动态可视化图表
目录写在本博客的开篇关于matplotlib绘图的两种模式阻塞模式交互模式总结绘制动态图的例子二维折线图结果演示代码三维折线图结果演示代码三维散点图结果演示代码写在本博 ...
Python数学建模系列（六）：蒙特卡洛算法
文章目录前言往期文章 1.蒙特卡洛算法样例1 样例2 样例3 2.三门问题 3.M*M豆问题结语前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出- ...
python可以用来数学建模吗_怎么用Python数学建模：python数据建模工具
怎么用Python数学建模 djcjfhfhhjdvjfhvfghhfgbdthhgdchfjfuivvh DSI方法在几何建模上的应用本节叙述如何应用DSI方法来与曲面S相联系的二维图形图3.1) ...
Python数学建模系列（四）：数值逼近
文章目录前言往期文章 1. 一维插值 1.1 线性插值与样条插值(B-spline) 1.2 高阶样条插值 2. 二维插值 2.1 图像模糊处理--样条插值 2.2 二维插值的三维图 3. 最小 ...
【Python数学建模】SEIR传染病模型模型延伸-SEIDR模型（一），加入疫苗接种、政府管控、病毒变异等因素的影响
目录一. SEIR传染病模型二. SEIR模型的延伸--SEIDR模型三. 模型延伸--影响因素1:疫苗接种四. 模型延伸--影响因素2:政府管控五. 模型延伸--影响因素3:病毒变异写在 ...
Python数学建模系列（五）：微分方程
文章目录前言往期文章 1.微分方程分类 2.微分方程解析解 3.微分方程数值解 3.1 场线图与数值解 3.2 洛伦兹曲线与数值解 4.传染病模型模型一:SI-Model 模型二:SIS mod ...
运用Python进行TOPSIS综合评价方法
运用Python进行TOPSIS综合评价方法第一步,读取数据: 第二步,对数据进行趋同化: 第三步,对数据进行归一化: 第四步,获取最优列值向量和最劣值向量: 第五步,计算最优方案和最劣方案: 第六 ...
【MATLAB】数学建模入门方法综述
数学建模入门方法综述

python数学建模|综合评价方法

python数学建模|综合评价方法相关推荐

最新文章

热门文章