模糊综合评价法

“现实世界中的许多概念没有明确的边界，模糊数学正是处理这种’亦此亦彼’现象的有力工具。”

模糊综合评价法（Fuzzy Comprehensive Evaluation, FCE）是一种基于模糊数学理论的系统评价方法。它利用模糊集合的隶属度理论，将定性评价转化为定量评价，能够对受多种因素制约的事物做出全面合理的综合评判。该方法尤其适合处理评价对象边界不清晰、指标难以精确量化的复杂系统评价问题。

基本原理

模糊集合

经典集合论中，一个元素要么属于某集合，要么不属于，这种“非此即彼“的关系用特征函数 \( \chi_A(x) \in {0, 1} \) 描述。然而现实中大量概念具有模糊性，例如“年轻““高温”“优秀“等都没有明确的边界。

1965年，美国控制论学者 L.A. Zadeh 提出了模糊集合（Fuzzy Set）的概念。模糊集合用隶属函数（Membership Function）来描述元素对集合的隶属程度：

\[ \mu_A: U \to [0, 1] \]

其中 \( U \) 为论域，\( \mu_A(x) \) 表示元素 \( x \) 对模糊集合 \( A \) 的隶属度。当 \( \mu_A(x) = 1 \) 时，\( x \) 完全属于 \( A \)；当 \( \mu_A(x) = 0 \) 时，\( x \) 完全不属于 \( A \)；当 \( 0 < \mu_A(x) < 1 \) 时，\( x \) 部分属于 \( A \)。

隶属函数

隶属函数是模糊综合评价的核心。常用的隶属函数类型包括：

1. 三角形隶属函数

\[ \mu(x) = \begin{cases} 0, & x \leq a \\ \dfrac{x - a}{b - a}, & a < x \leq b \\ \dfrac{c - x}{c - b}, & b < x \leq c \\ 0, & x > c \end{cases} \]

2. 梯形隶属函数

\[ \mu(x) = \begin{cases} 0, & x \leq a \\ \dfrac{x - a}{b - a}, & a < x \leq b \\ 1, & b < x \leq c \\ \dfrac{d - x}{d - c}, & c < x \leq d \\ 0, & x > d \end{cases} \]

3. 高斯隶属函数

\[ \mu(x) = \exp\left(-\frac{(x - c)^2}{2\sigma^2}\right) \]

此外还有偏小型（降半梯形）和偏大型（升半梯形）等隶属函数形式。隶属函数的选择通常依据专家经验、统计分析或客观数据确定。

数学基础

模糊算子

模糊集合之间的运算通过模糊算子实现。设 \( A \)、\( B \) 为论域 \( U \) 上的两个模糊集合：

并运算：\( \mu_{A \cup B}(x) = \max(\mu_A(x), \mu_B(x)) \)
交运算：\( \mu_{A \cap B}(x) = \min(\mu_A(x), \mu_B(x)) \)
补运算：\( \mu_{\bar{A}}(x) = 1 - \mu_A(x) \)

模糊关系与模糊矩阵

设 \( U = {u_1, u_2, \ldots, u_m} \)，\( V = {v_1, v_2, \ldots, v_n} \)，则 \( U \) 到 \( V \) 的模糊关系 \( R \) 可用模糊矩阵表示：

\[ R = \begin{pmatrix} r_{11} & r_{12} & \cdots & r_{1n} \\ r_{21} & r_{22} & \cdots & r_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ r_{m1} & r_{m2} & \cdots & r_{mn} \end{pmatrix} \]

其中 \( r_{ij} \in [0, 1] \) 表示 \( u_i \) 与 \( v_j \) 之间的关联程度。

模糊合成运算

模糊综合评价的核心是模糊合成运算。设权重向量 \( W = (w_1, w_2, \ldots, w_m) \)，评判矩阵为 \( R \)，则综合评价结果为：

\[ B = W \circ R \]

其中 \( \circ \) 为模糊合成算子。常用的合成模型有：

模型 I：\( M(\wedge, \vee) \) 算子（取小取大）

\[ b_j = \bigvee_{i=1}^{m}(w_i \wedge r_{ij}), \quad j = 1, 2, \ldots, n \]

该模型突出主要因素的作用，适合因素之间存在替代关系的情形。

模型 II：\( M(\cdot, \vee) \) 算子（取乘取大）

\[ b_j = \bigvee_{i=1}^{m}(w_i \cdot r_{ij}), \quad j = 1, 2, \ldots, n \]

该模型考虑了权重的放大缩小作用。

模型 III：\( M(\wedge, \oplus) \) 算子（取小求和，有界和）

\[ b_j = \min\left(1, \sum_{i=1}^{m}(w_i \wedge r_{ij})\right), \quad j = 1, 2, \ldots, n \]

模型 IV：\( M(\cdot, \oplus) \) 算子（加权平均型）

\[ b_j = \sum_{i=1}^{m} w_i \cdot r_{ij}, \quad j = 1, 2, \ldots, n \]

该模型是实际应用中最常用的合成算子，能全面考虑各因素的贡献，且权重满足归一化条件 \( \sum_{i=1}^{m} w_i = 1 \)。

计算步骤

模糊综合评价的一般步骤如下：

第一步：确定因素集

因素集是影响评价对象的各项因素组成的集合：

\[ U = {u_1, u_2, \ldots, u_m} \]

例如评价教学质量时，因素集可包括教学态度、教学内容、教学方法、教学效果等。

第二步：确定评语集

评语集是评价者对评价对象可能做出的各种评价结果组成的集合：

\[ V = {v_1, v_2, \ldots, v_n} \]

例如 \( V = \{\text{优秀}, \text{良好}, \text{中等}, \text{较差}, \text{很差}\} \)。

第三步：确定隶属度矩阵（评判矩阵）

对每个因素 \( u_i \)，确定其对各评语等级 \( v_j \) 的隶属度 \( r_{ij} \)，构成评判矩阵 \( R \)。

隶属度的确定方法：

模糊统计法：通过大量调查统计，用频率近似隶属度
专家评估法：由专家直接给出隶属度
隶属函数法：根据指标的客观数据和预设的隶属函数计算

对于每一行（即每个因素），通常有：\( \sum_{j=1}^{n} r_{ij} = 1 \)。

第四步：确定权重向量

权重向量 \( W = (w_1, w_2, \ldots, w_m) \) 反映各因素的相对重要程度，满足：

\[ w_i \geq 0, \quad \sum_{i=1}^{m} w_i = 1 \]

权重确定方法包括：层次分析法（AHP）、熵权法、专家打分法、主成分分析法等。

第五步：模糊合成运算

利用合成算子将权重向量与评判矩阵合成：

\[ B = W \circ R = (b_1, b_2, \ldots, b_n) \]

第六步：结果分析

对综合评价向量 \( B \) 进行分析：

最大隶属度原则：取 \( b_j \) 最大值对应的评语等级作为评价结果
加权平均法：对评语集赋值后计算综合得分 \( S = \sum_{j=1}^{n} b_j \cdot c_j \)，其中 \( c_j \) 为评语等级对应的分数

实际案例分析

案例：高校教学质量评价

某高校对一位教师的教学质量进行模糊综合评价，邀请50名学生进行评价。

第一步：确定因素集

\[ U = {u_1, u_2, u_3, u_4} = {\text{教学态度}, \text{教学内容}, \text{教学方法}, \text{教学效果}} \]

第二步：确定评语集

\[ V = {v_1, v_2, v_3, v_4, v_5} = {\text{优秀}, \text{良好}, \text{中等}, \text{较差}, \text{很差}} \]

第三步：确定评判矩阵

通过50名学生的问卷调查（模糊统计法），各因素对应的评价分布为：

因素	优秀	良好	中等	较差	很差
教学态度	0.40	0.30	0.20	0.08	0.02
教学内容	0.30	0.35	0.25	0.08	0.02
教学方法	0.25	0.30	0.30	0.10	0.05
教学效果	0.35	0.30	0.20	0.10	0.05

评判矩阵为：

\[ R = \begin{pmatrix} 0.40 & 0.30 & 0.20 & 0.08 & 0.02 \\ 0.30 & 0.35 & 0.25 & 0.08 & 0.02 \\ 0.25 & 0.30 & 0.30 & 0.10 & 0.05 \\ 0.35 & 0.30 & 0.20 & 0.10 & 0.05 \end{pmatrix} \]

第四步：确定权重向量

通过层次分析法确定各因素的权重：

\[ W = (0.20, 0.30, 0.20, 0.30) \]

第五步：模糊合成运算（加权平均型）

\[ B = W \cdot R = (0.20, 0.30, 0.20, 0.30) \cdot R \]

逐项计算（以 \( b_1 \) 为例）：

\[ b_1 = 0.20 \times 0.40 + 0.30 \times 0.30 + 0.20 \times 0.25 + 0.30 \times 0.35 = 0.325 \]

类似地计算其余各项，得到综合评价结果：

\[ B = (0.325, 0.315, 0.235, 0.090, 0.035) \]

第六步：结果分析

方法一（最大隶属度原则）：\( \max(B) = 0.325 \)，对应“优秀“，故该教师教学质量评价为优秀。

方法二（加权平均法）：设评语集对应分数为 \( C = (95, 85, 75, 65, 50) \)，则综合得分：

\[ S = 0.325 \times 95 + 0.315 \times 85 + 0.235 \times 75 + 0.090 \times 65 + 0.035 \times 50 = 83.375 \]

综合得分为 83.375 分，对应“良好“等级。两种方法得到的结论基本一致，说明该教师教学质量处于优秀至良好水平。

Python代码实现

import numpy as np


def fuzzy_comprehensive_evaluation(weights, evaluation_matrix, scores=None):
    """
    一级模糊综合评价

    参数:
        weights: 权重向量, shape=(m,)
        evaluation_matrix: 评判矩阵, shape=(m, n)
        scores: 评语集对应分数, shape=(n,), 可选

    返回:
        result: 综合评价向量
        score: 综合得分(如果提供了scores)
        level: 最大隶属度对应的等级索引
    """
    weights = np.array(weights, dtype=float)
    evaluation_matrix = np.array(evaluation_matrix, dtype=float)

    # 归一化权重
    weights = weights / weights.sum()

    # 加权平均型合成运算 M(·, ⊕)
    result = weights @ evaluation_matrix

    # 归一化结果(确保和为1)
    if result.sum() > 0:
        result_normalized = result / result.sum()
    else:
        result_normalized = result

    # 最大隶属度原则
    level = np.argmax(result)

    # 计算综合得分
    score = None
    if scores is not None:
        scores = np.array(scores, dtype=float)
        score = np.dot(result_normalized, scores)

    return result, score, level


def multi_level_fuzzy_evaluation(weights_top, weights_subs, evaluation_matrices,
                                  scores=None, level_names=None):
    """
    多级(两级)模糊综合评价

    参数:
        weights_top: 一级因素权重向量, shape=(k,)
        weights_subs: 各子因素权重向量列表, [shape=(m1,), shape=(m2,), ...]
        evaluation_matrices: 各子因素评判矩阵列表
        scores: 评语集对应分数
        level_names: 评语等级名称列表

    返回:
        final_result: 最终综合评价向量
        final_score: 最终综合得分
        sub_results: 各子因素一级评价结果
    """
    weights_top = np.array(weights_top, dtype=float)
    weights_top = weights_top / weights_top.sum()

    # 一级评价：对每个子因素集进行综合评价
    sub_results = []
    for w_sub, R_sub in zip(weights_subs, evaluation_matrices):
        w_sub = np.array(w_sub, dtype=float)
        R_sub = np.array(R_sub, dtype=float)
        w_sub = w_sub / w_sub.sum()
        b = w_sub @ R_sub
        sub_results.append(b)

    # 构造二级评判矩阵
    R_top = np.array(sub_results)

    # 二级评价
    final_result = weights_top @ R_top

    # 归一化
    if final_result.sum() > 0:
        final_result_normalized = final_result / final_result.sum()
    else:
        final_result_normalized = final_result

    # 计算综合得分
    final_score = None
    if scores is not None:
        scores = np.array(scores, dtype=float)
        final_score = np.dot(final_result_normalized, scores)

    return final_result, final_score, sub_results


# ==================== 案例：教学质量评价 ====================

print("=" * 60)
print("模糊综合评价法 -- 教学质量评价案例")
print("=" * 60)

# 因素集
factors = ["教学态度", "教学内容", "教学方法", "教学效果"]

# 评语集
levels = ["优秀", "良好", "中等", "较差", "很差"]

# 评判矩阵(50名学生问卷统计结果)
R = np.array([
    [0.40, 0.30, 0.20, 0.08, 0.02],  # 教学态度
    [0.30, 0.35, 0.25, 0.08, 0.02],  # 教学内容
    [0.25, 0.30, 0.30, 0.10, 0.05],  # 教学方法
    [0.35, 0.30, 0.20, 0.10, 0.05],  # 教学效果
])

# 权重向量(由AHP确定)
W = np.array([0.20, 0.30, 0.20, 0.30])

# 评语对应分数
scores = np.array([95, 85, 75, 65, 50])

# 执行模糊综合评价
result, score, level_idx = fuzzy_comprehensive_evaluation(W, R, scores)

print("\n【输入数据】")
print(f"因素集: {factors}")
print(f"评语集: {levels}")
print(f"权重向量: W = {W}")
print(f"\n评判矩阵 R:")
for i, factor in enumerate(factors):
    print(f"  {factor}: {R[i]}")

print("\n【评价结果】")
print(f"综合评价向量: B = {np.round(result, 4)}")
print(f"最大隶属度原则: 等级为「{levels[level_idx]}」(隶属度={result[level_idx]:.4f})")
print(f"加权平均得分: {score:.2f} 分")

# 可视化(如有matplotlib)
try:
    import matplotlib.pyplot as plt

    plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']
    plt.rcParams['axes.unicode_minus'] = False

    fig, ax = plt.subplots(figsize=(8, 5))
    colors = ['#2ecc71', '#3498db', '#f39c12', '#e74c3c', '#9b59b6']
    ax.bar(levels, result, color=colors, edgecolor='black', alpha=0.8)
    ax.set_xlabel('评语等级')
    ax.set_ylabel('隶属度')
    ax.set_title('模糊综合评价结果')
    for i, v in enumerate(result):
        ax.text(i, v + 0.01, f'{v:.3f}', ha='center', fontsize=10)
    plt.tight_layout()
    plt.savefig('fuzzy_evaluation_result.png', dpi=150, bbox_inches='tight')
    plt.show()
except ImportError:
    print("(未安装matplotlib，跳过可视化)")


# ==================== 不同合成算子的对比 ====================

print("\n" + "=" * 60)
print("不同合成算子的对比")
print("=" * 60)


def compose_max_min(W, R):
    """M(∧, ∨) 取小取大算子"""
    m, n = R.shape
    B = np.zeros(n)
    for j in range(n):
        B[j] = max(min(W[i], R[i, j]) for i in range(m))
    return B


def compose_max_product(W, R):
    """M(·, ∨) 取乘取大算子"""
    m, n = R.shape
    B = np.zeros(n)
    for j in range(n):
        B[j] = max(W[i] * R[i, j] for i in range(m))
    return B


def compose_bounded_sum_min(W, R):
    """M(∧, ⊕) 取小有界和算子"""
    m, n = R.shape
    B = np.zeros(n)
    for j in range(n):
        B[j] = min(1.0, sum(min(W[i], R[i, j]) for i in range(m)))
    return B


def compose_weighted_average(W, R):
    """M(·, ⊕) 加权平均算子"""
    return W @ R


print(f"\nM(∧, ∨) 取小取大:   {np.round(compose_max_min(W, R), 4)}")
print(f"M(·, ∨) 取乘取大:   {np.round(compose_max_product(W, R), 4)}")
print(f"M(∧, ⊕) 取小有界和: {np.round(compose_bounded_sum_min(W, R), 4)}")
print(f"M(·, ⊕) 加权平均:   {np.round(compose_weighted_average(W, R), 4)}")

运行后将输出综合评价向量 \( B = (0.325, 0.315, 0.235, 0.09, 0.035) \)，最大隶属度对应“优秀“等级，加权平均得分约 83.38 分，并展示四种合成算子的对比结果。

多级模糊综合评价

当评价因素较多时，若将所有因素放在同一层次进行评价，权重会过于分散，导致评价结果缺乏分辨力。此时应采用多级模糊综合评价，将因素按属性分组，先在组内进行一级评价，再将各组结果进行二级综合评价。

基本思路

将因素集 \( U \) 划分为 \( k \) 个子集：\( U = U_1 \cup U_2 \cup \cdots \cup U_k \)
对每个子因素集 \( U_i \) 进行一级模糊综合评价，得到评价向量 \( B_i \)
以各 \( B_i \) 构成二级评判矩阵，结合一级因素权重进行二级综合评价

案例：产品质量多级模糊综合评价

某电子产品从三个一级指标进行质量评价：

\( U_1 \) = 性能指标 = {处理速度, 存储容量, 续航能力}
\( U_2 \) = 外观指标 = {外形设计, 材质质感}
\( U_3 \) = 服务指标 = {售后服务, 配件齐全度, 说明书清晰度}

评语集：\( V = \{\text{优}, \text{良}, \text{中}, \text{差}\} \)

import numpy as np

print("=" * 60)
print("多级模糊综合评价 -- 产品质量评价案例")
print("=" * 60)

# 评语集
levels = ["优", "良", "中", "差"]
scores = np.array([90, 75, 60, 40])

# ===== 一级指标: 性能指标 =====
# 子因素: 处理速度, 存储容量, 续航能力
R1 = np.array([
    [0.50, 0.30, 0.15, 0.05],  # 处理速度
    [0.40, 0.35, 0.20, 0.05],  # 存储容量
    [0.30, 0.40, 0.20, 0.10],  # 续航能力
])
W1 = np.array([0.40, 0.30, 0.30])  # 性能子因素权重

# ===== 一级指标: 外观指标 =====
# 子因素: 外形设计, 材质质感
R2 = np.array([
    [0.60, 0.25, 0.10, 0.05],  # 外形设计
    [0.45, 0.35, 0.15, 0.05],  # 材质质感
])
W2 = np.array([0.55, 0.45])  # 外观子因素权重

# ===== 一级指标: 服务指标 =====
# 子因素: 售后服务, 配件齐全度, 说明书清晰度
R3 = np.array([
    [0.35, 0.30, 0.25, 0.10],  # 售后服务
    [0.50, 0.30, 0.15, 0.05],  # 配件齐全度
    [0.40, 0.40, 0.15, 0.05],  # 说明书清晰度
])
W3 = np.array([0.50, 0.25, 0.25])  # 服务子因素权重

# 一级因素权重(性能、外观、服务)
W_top = np.array([0.50, 0.20, 0.30])

# 执行多级模糊综合评价
final_result, final_score, sub_results = multi_level_fuzzy_evaluation(
    weights_top=W_top,
    weights_subs=[W1, W2, W3],
    evaluation_matrices=[R1, R2, R3],
    scores=scores,
    level_names=levels
)

# 输出结果
print("\n【一级评价结果】")
group_names = ["性能指标", "外观指标", "服务指标"]
for i, (name, b) in enumerate(zip(group_names, sub_results)):
    print(f"  {name}: B{i+1} = {np.round(b, 4)}")
    level_idx = np.argmax(b)
    print(f"    -> 最大隶属度等级: {levels[level_idx]} ({b[level_idx]:.4f})")

print("\n【二级评判矩阵】")
R_top = np.array(sub_results)
print(np.round(R_top, 4))

print(f"\n【最终综合评价】")
print(f"  综合评价向量: B = {np.round(final_result, 4)}")
print(f"  各等级隶属度:")
for j, level in enumerate(levels):
    print(f"    {level}: {final_result[j]:.4f}")

level_idx = np.argmax(final_result)
print(f"\n  最大隶属度原则: 产品质量等级为「{levels[level_idx]}」")
print(f"  综合得分: {final_score:.2f} 分")

运行后将输出各子指标的一级评价结果和最终综合评价向量，得到产品质量等级为“优“，综合得分约 78.33 分。