模糊评价法
一种解决评价问题或者得出最佳方案的方法
主观性仍比较强
具体定义
三集：因素集，评语集和权重集，通过模拟矩阵的处理得到最合理的评语
具体步骤
因素集
因素集的确定不难，难在对分级评价时，对因素集的分级有技巧
评语集
评语集合既可以是真正意义上的"评语",又可以是不同方案(这时问题就转变为最佳方案)
模糊集合
模糊集合不是非此即彼，没有互相排斥的属性，只能反映相关性，如年轻与年老。
隶属函数
对于一个元素的隶属函数，本质上是从评语集中的元素到区间0,1的一个映射，越接近于１隶属程度越强
以下是常见隶属函数
分类的确定有几个技巧：
从越多(少)越容易导致成为这个评级入手，可以直接推断出极小型和极大型，中间的就是中间型
- 分为极小型，中间型，极大型
- 注意极小型靠近０的这一侧隶属程度接近１说明隶属关系强，以此类推想象
隶属函数的确定
- 模糊统计法：
- F分布:
例题
隶属函数如果有数据，优先使用F分布确定，没有数据可以采用模糊评价
确定隶属函数分布类型：
频率越高越容易确定为快，所以是极大型；频率越小越容易确定为慢，所以是极小型，注意从多(少)对于程度判断的相关程度考虑
权重集
权重集是对每一个因素基所占权重的判断。多重评价中每一个因素集都有对应权重集
- 层次分析法
- 熵权法
模糊矩阵
矩阵列是因素集，行是评价集，还有对应因素集的权重集
最后得到的结果是综合类所有因素集得到的最终评价集多级评价体系
不断综合低级因素集，生成高级评价集，最终生成最终评价集
个人总结：
关键是理解因素集，评价集和权重集的关系和作用：
权重集的确定分为：层次分析或者熵权法
评语集的确定分为：模糊统计和模拟集合
因素集的划分：多级模糊综合评价，本质上理解完下面这点，就是一个简单的递归过程
模拟矩阵*权重集合的意义：综合因素集所有元素后的最佳评价集合