目录
[14.1 层次分析法（AHP）](#14.1 层次分析法（AHP）)
[14.2 模糊综合评价法](#14.2 模糊综合评价法)
[14.3 灰色关联分析法](#14.3 灰色关联分析法)
[14.4 主成分分析法（PCA）](#14.4 主成分分析法（PCA）)
[14.5 线性加权综合法](#14.5 线性加权综合法)
[习题 14](#习题 14)
综合评价与决策方法是多准则、多目标情境下对多个对象进行评价和排序的重要工具。这些方法通过对不同指标的分析和评估，帮助决策者在面对多种选择时做出最优决策。综合评价与决策方法广泛应用于经济、管理、工程等领域，例如项目选择、绩效评价、资源分配等问题。本章将介绍几种常用的综合评价方法，包括层次分析法、模糊综合评价法、灰色关联分析法、主成分分析法等，以及它们在Matlab中的实现。
14.1 层次分析法（AHP）
层次分析法（Analytic Hierarchy Process, AHP）是一种用于决策分析的方法，特别适用于定性和定量信息结合的情境。AHP通过建立分层结构模型，将复杂的决策问题逐层分解为目标、准则和方案等要素，最终通过权重计算来确定各方案的优先级。
-
建立层次结构：将决策问题分解为目标层、准则层和方案层，构建分层结构。
-
构造判断矩阵：通过专家打分等方式，构造各准则之间、方案之间的相对重要性判断矩阵。
-
权重计算与一致性检验：通过特征向量法计算权重，并进行一致性检验以确保判断矩阵的合理性。
Matlab代码示例：层次分析法权重计算
Matlab
% 定义判断矩阵
A = [1 3 1/5; 1/3 1 1/7; 5 7 1];
% 计算判断矩阵的特征向量和特征值
[V, D] = eig(A);
[max_eigenvalue, idx] = max(diag(D));
weights = V(:, idx) / sum(V(:, idx)); % 归一化权重向量
% 一致性检验
CI = (max_eigenvalue - size(A, 1)) / (size(A, 1) - 1);
RI = 0.58; % 随机一致性指标（对于n=3）
CR = CI / RI;
% 输出权重和一致性检验结果
disp('各准则的权重：');
disp(weights);
if CR < 0.1
disp('判断矩阵的一致性通过检验');
else
disp('判断矩阵的一致性不通过，请调整');
end在上述代码中，我们构造了一个3×3的判断矩阵，并使用特征向量法计算各准则的权重，同时进行了一致性检验，确保判断矩阵的合理性。
14.2 模糊综合评价法
模糊综合评价法是基于模糊数学的一种多指标评价方法，适用于对评价对象进行模糊综合评判。该方法通过对各指标进行模糊化处理，利用模糊矩阵计算得到最终的评价结果。
-
隶属度函数：使用隶属度函数对指标进行模糊化，得到各个评价指标的隶属度值。
-
模糊综合运算：通过加权求和的方法，将各指标的隶属度值进行综合，得到整体的评价结果。
Matlab代码示例：模糊综合评价法
Matlab
% 定义隶属度矩阵
R = [0.8 0.6 0.3; 0.7 0.5 0.2; 0.9 0.7 0.4]; % 各方案在各等级的隶属度
% 定义指标权重向量
weights = [0.5, 0.3, 0.2];
% 计算模糊综合评价结果
fuzzy_result = weights * R;
% 输出综合评价结果
disp('模糊综合评价结果：');
disp(fuzzy_result);在此代码中，我们定义了隶属度矩阵和指标权重，并通过加权求和的方法对各方案进行了模糊综合评价，得到各个方案的综合评价结果。
14.3 灰色关联分析法
灰色关联分析法是一种基于灰色系统理论的多指标评价方法，用于度量各方案相对于理想方案的相似性。该方法通过计算关联度来评价不同方案的优劣。
-
关联度计算：通过计算各方案与理想方案之间的关联系数，得出各方案的关联度。
-
评价排序：根据关联度的大小对各方案进行排序，关联度越大，方案越优。
Matlab代码示例：灰色关联分析
Matlab
% 定义原始数据矩阵
X = [0.9 0.8 0.7; 0.6 0.7 0.8; 0.5 0.4 0.6]; % 各方案的指标值
% 确定参考序列（理想方案）
X0 = max(X);
% 计算关联系数
rho = 0.5;
Xi = abs(X - X0);
xmin = min(Xi, [], 'all');
xmax = max(Xi, [], 'all');
gamma = (xmin + rho * xmax) ./ (Xi + rho * xmax);
% 计算关联度
relational_degree = mean(gamma, 2);
% 输出关联度结果
disp('各方案的关联度：');
disp(relational_degree);在该代码中，我们通过计算各方案与理想方案的关联系数，得到了各个方案的关联度，用于评价不同方案的优劣。
14.4 主成分分析法（PCA）
主成分分析法是一种降维和综合评价的方法，通过将高维数据转换为低维数据，找出解释数据变异的主要成分。PCA常用于多指标评价中，以减少维度、消除冗余信息。
-
协方差矩阵：通过计算数据的协方差矩阵，得到各指标之间的相关性。
-
特征值与特征向量：通过特征值分解得到主成分，并根据解释的方差大小选择前几个主成分进行综合评价。
Matlab代码示例：主成分分析法
Matlab
% 生成随机数据矩阵
X = randn(100, 5); % 100个样本，5个指标
% 使用pca函数进行主成分分析
[coeff, score, latent, tsquared, explained] = pca(X);
% 输出前两个主成分的方差解释率
disp('前两主成分的方差解释率：');
disp(explained(1:2));在上述代码中，使用pca函数对数据进行了主成分分析，输出了前两个主成分的方差解释率，用于了解数据的主要变异来源。
14.5 线性加权综合法
线性加权综合法是一种简单的综合评价方法，通过为每个指标赋予权重，将各个指标的得分加权求和，得到最终的综合得分。
Matlab代码示例：线性加权综合法
Matlab
% 定义指标得分矩阵
scores = [85 90 78; 88 85 80; 92 87 85]; % 各方案的指标得分
% 定义指标权重向量
weights = [0.4, 0.3, 0.3];
% 计算综合得分
weighted_scores = scores * weights';
% 输出综合得分
disp('各方案的综合得分：');
disp(weighted_scores);在该代码中，我们通过线性加权的方法对各方案进行了综合评价，得到了各方案的最终得分。
习题 14
在第十四章结束后，提供了一些相关的习题，帮助读者深入理解综合评价与决策方法。习题14包括：
-
层次分析法：对一个项目选择问题使用层次分析法进行决策，构建判断矩阵并进行一致性检验。
-
模糊综合评价：对一组评价对象使用模糊综合评价法进行评价，构建隶属度矩阵并计算综合评价结果。
-
灰色关联分析：对多个方案使用灰色关联分析法进行综合评价，计算各方案的关联度。
-
主成分分析：使用主成分分析法对一组多指标数据进行降维处理，并分析主要成分对数据的解释能力。
-
线性加权综合：对一组方案使用线性加权综合法进行评价，设定不同的权重，并比较结果的差异。
通过这些习题，读者可以进一步掌握综合评价与决策方法的应用，以及如何利用Matlab工具进行多指标评价和决策分析。
总结
第十四章介绍了综合评价与决策方法的基本概念和常用方法，包括层次分析法、模糊综合评价法、灰色关联分析法、主成分分析法和线性加权综合法等。综合评价与决策方法在解决多准则、多目标的复杂决策问题中起着重要作用。通过本章的学习，读者可以掌握这些方法的基本原理，并利用Matlab进行各种综合评价和决策分析，从而为实际问题提供科学有效的决策支持。
