-
固定翼无人机群容错控制
基于协同控制策略，多无人机之间可以通过能力互补和行动协调，实现单架无人机任务能力的扩展以及多无人机整体效能的提升，进而解决个体能力限制与任务需求之间的矛盾。本文以多固定翼无人机姿态同步控制为例，分析无人机飞行过程中可能面临的实际情况，认为无人机模型或参数不确定、测量误差、干扰、系统中存在的时延及控制器故障是影响多无人机协同控制的主要因素。本文针对上述无人机中存在的复杂情况，分析和设计各中复杂情况下的多无人机协同控制算法，实现多无人机系统控制的稳定性。主要研究成果概括如下： 首先，根据牛顿力学对理想情况(无干扰或故障)下多固定翼无人机姿态运动过程进行数学建模，并根据构造的理想情况下固定翼无人机姿态运动的数学模型，结合无人机在运行过程中所面临的实际复杂情况，分别构建以下数学模型： (1) 伴随集成不确定项(外部干扰、模型或参数不确定、测量误差及控制器微小故障)的多固定翼无人机姿态运动数学模型。(2) 伴随集成不确定项以及状态时延的多固定翼无人机姿态运动数学模型。(3) 伴随集成不确定项以及控制器卡死故障的多固定翼无人机姿态运动数学模型。 然后，结合主从式协同控制策略和理想情况下多固定翼无人机姿态运动模型，设计多固定翼无人机姿态一致性控制方法。最后，设计相应的方法解决上述复杂情况下的多无人机姿态同步问题。针对包含集成不确定项的多无人机姿态运动方程，设计两种方法用以解决其姿态一致性同步问题，分别为在提出的基于主从式控制策略设计的姿态一致性控制方法中结合神经网络设计直接姿态一致性控制器以补偿不确定项；结合观测器与神经网络设计间接姿态一致性控制器以观测并补偿不确定项，并对比这两种方法各自的优劣性。针对包含集成不确定项以及状态时延的情况，在提出的基于神经网络的直接姿态一致性控制器的基础上，结合Lyapunov-Krasovskii函数以补偿时延造成的剧烈波动，最后通过理论证明及仿真验证其有效性，并对比有无Lyapunov-Krasovskii函数时无人机姿态的控制效果。针对包含集成不确定项以及控制器卡死故障的情况，在提出的基于观测器与神经网络的间接姿态一致性控制器基础上，结合基于扩展卡尔曼滤波器设计的故障检测方案和基于控制分配方法设计的控制器重构模块，确保各无人机在检测到控制器卡死故障的同时重构健康控制器，进而使无人机控制力矩及姿态稳定在期望值附近。 【核心代码】 程序 ├── 第3章│ ├── Cbn.m│ ├── Cnb.m│ ├── MultiUAVs_noNN.m│ ├── Uav_Model_FD.m│ ├── moment.m│ ├── nummarkers.m│ └── plotfit.m├── 第4-1节程序│ ├── Cbn.m│ ├── Cnb.m│ ├── MultiUAVs.m│ ├── Uav_Model_FD.m│ ├── moment.m│ ├── nummarkers.m│ └── plotfit.m├── 第4-2节程序│ ├── Cbn.m│ ├── Cnb.m│ ├── MultiUAVs.m│ ├── Uav_Model_FD.m│ ├── moment.m│ ├── nummarkers.m│ └── plotfit.m├── 第5章程序│ ├── Cbn.m│ ├── Cnb.m│ ├── Contrast_mutiUAVs.m│ ├── ShiftOperation.m│ ├── Uav_Model.m│ ├── moment.m│ ├── mutiUAVs.m│ ├── nummarkers.m│ └── plotfit.m└── 第6章程序 ├── Actuator_fault1.m ├── Augmented_matrix_vector.m ├── CD.mat ├── Cbn.m ├── Cnb.m ├── Contrust_MultiUAVs.m ├── Disred_control.m ├── FDI_robust_false_alarm.m ├── MoM.mat ├── MultiUAVs.m ├── Probability_Density_Adjust.m ├── Simplified2_MultiUAVs.m ├── Uav_Model_FD.m ├── control_allocation.m ├── control_two1ifault_allocation.m ├── control_two2ifault_allocation.m ├── control_two3ifault_allocation.m ├── control_two4ifault_allocation.m ├── control_two5ifault_allocation.m ├── desired_torque_parameters.m ├── fault_torque1.m ├── fault_torque1i.m ├── fault_torque2i.m ├── fault_torque3i.m ├── fault_torque4i.m ├── fault_torque5i.m ├── fualt_filter.m ├── kalman_filt.m ├── kalman_filt_new.m ├── kalman_filt_old.m ├── moment.m ├── newKalman.m ├── nummarkers.m ├── printFilt.m ├── probability_adjust.m ├── two1ifualt_filter.m ├── two2ifualt_filter.m ├── two3ifualt_filter.m ├── two4ifualt_filter.m ├── two5ifualt_filter.m └── z1.m5 directories, 71 files
- 2020-12-07下载
- 积分：1
-
Optimal State Estimation[SOLUTION MANUAL].pdf
【实例简介】Optimal State Estimation[SOLUTION MANUAL].pdf
- 2021-08-07 00:30:55下载
- 积分：1
-
Matlab使用Xilinx FPGA系统生成器system generator实现数字调制仿真
Matlab使用Xilinx FPGA系统生成器system generator实现数字调制仿真(ASK, BPSK, FSK, OOK, QPSK)
- 2019-05-24下载
- 积分：1
-
灰色预测matlab代码
灰色预测法是一种对含有不确定因素的系统进行预测的方法。灰色预测是对既含有已知信息又含有不确定信息的系统进行预则，就是对在一定范围内 变化的、与时间有关的灰色过程进行预测。本代码基于matlab语言实现灰色预测。
- 2021-05-06下载
- 积分：1
-
基于matlab的2FSK调制解调系统仿真设计
在日常的生活中，通信是人们用来传递信息的方式。随着数字系统的飞速发展，对数字系统的性能和调制解调技术要求也越来越高。同时，由于计算技术的发展，通信系统的仿真已日益普遍，已逐渐成为今天设计和分析通信系统的主要工具。 本次设计将使用MATLAB软件设计函数对2FSK调制解调技术进行仿真和研究。 本文在第一章中介绍了通信系统的组成、MATLAB的使用。
- 2019-05-20下载
- 积分：1
-
船舶模型仿真(matlab代码)
船舶模型仿真(matlab代码)
- 2021-05-06下载
- 积分：1
-
ekf（扩展卡尔曼滤波）示例代码
ekf（扩展卡尔曼滤波）示例代码
- 2021-05-06下载
- 积分：1
-
数学建模十类算法.pdf
【实例简介】
数学建模竞赛中应当掌握的十类算法
董乘宇∗
（北京邮电大学，北京 100876）
1 十类常用算法
数学建模竞赛中应当掌握的十类算法：
1. 蒙特卡罗算法。该算法又称随机性模拟算法，是通过计算机仿真来解决问题的算法，同时可以通过
模拟来检验自己模型的正确性，几乎是比赛时必用的方法。
2. 数据拟合、参数估计、插值等数据处理算法。比赛中通常会遇到大量的数据需要处理，而处理数据
的关键就在于这些算法，通常使用 MATLAB 作为工具。
3. 线性规划、整数规划、多元规划、二次规划等规划类算法。建模竞赛大多数问题属于最优化问题，很
多时候这些问题可以用数学规划算法来描述，通常使用 Lindo、Lingo 软件求解。
4. 图论算法。这类算法可以分为很多种，包括最短路、网络流、二分图等算法，涉及到图论的问题可以
用这些方法解决，需要认真准备。
5. 动态规划、回溯搜索、分治算法、分支定界等计算机算法。这些算法是算法设计中比较常用的方法，
竞赛中很多场合会用到。
6. 最优化理论的三大非经典算法：模拟退火算法、神经网络算法、遗传算法。这些问题是用来解决一
些较困难的最优化问题的，对于有些问题非常有帮助，但是算法的实现比较困难，需慎重使用。
7. 网格算法和穷举法。两者都是暴力搜索最优点的算法，在很多竞赛题中有应用，当重点讨论模型本
身而轻视算法的时候，可以使用这种暴力方案，最好使用一些高级语言作为编程工具。
8. 一些连续数据离散化方法。很多问题都是实际来的，数据可以是连续的，而计算机只能处理离散的
数据，因此将其离散化后进行差分代替微分、求和代替积分等思想是非常重要的。
9. 数值分析算法。如果在比赛中采用高级语言进行编程的话，那些数值分析中常用的算法比如方程组
求解、矩阵运算、函数积分等算法就需要额外编写库函数进行调用。
10. 图象处理算法。赛题中有一类问题与图形有关，即使问题与图形无关，论文中也会需要图片来说明
问题，这些图形如何展示以及如何处理就是需要解决的问题，通常使用 MATLAB 进行处理。
以下将结合历年的竞赛题，对这十类算法进行详细地说明。
2 十类算法的详细说明
2.1 蒙特卡罗算法
大多数建模赛题中都离不开计算机仿真，随机性模拟是非常常见的算法之一。
举个例子就是 97 年的 A 题，每个零件都有自己的标定值，也都有自己的容差等级，而求解最优的
组合方案将要面对着的是一个极其复杂的公式和 108 种容差选取方案，根本不可能去求解析解，那如何
去找到最优的方案呢？随机性模拟搜索最优方案就是其中的一种方法，在每个零件可行的区间中按照正
∗作者简介：董乘宇，曾任 SHUMO.COM 论坛“编程交流”版版主，获 2002 年全国大学生数学建模竞赛一等奖。
第 1 期 董乘宇：数学建模竞赛中应当掌握的十类算法 13
态分布随机的选取一个标定值和选取一个容差值作为一种方案，然后通过蒙特卡罗算法仿真出大量的方
案，从中选取一个最佳的。另一个例子就是去年†的彩票第二问，要求设计一种更好的方案，首先方案的
优劣取决于很多复杂的因素，同样不可能刻画出一个模型进行求解，只能靠随机仿真模拟。
2.2 数据拟合、参数估计、插值等算法
数据拟合在很多赛题中有应用，与图形处理有关的问题很多与拟合有关系，一个例子就是 98 年美国
赛 A 题，生物组织切片的三维插值处理，94 年 A 题逢山开路，山体海拔高度的插值计算，还有吵的沸沸
扬扬可能会考的“非典”问题也要用到数据拟合算法，观察数据的走向进行处理。此类问题在 MATLAB
中有很多现成的函数可以调用，熟悉 MATLAB，这些方法都能游刃有余的用好。
2.3 规划类问题算法
竞赛中很多问题都和数学规划有关，可以说不少的模型都可以归结为一组不等式作为约束条件、几
个函数表达式作为目标函数的问题，遇到这类问题，求解就是关键了，比如 98年 B 题，用很多不等式完
全可以把问题刻画清楚，因此列举出规划后用 Lindo、Lingo 等软件来进行解决比较方便，所以还需要熟
悉这两个软件。
2.4 图论问题
98 年 B 题、00 年 B 题、95 年锁具装箱等问题体现了图论问题的重要性，这类问题算法有很多，包
括：Dijkstra、Floyd、Prim、Bellman-Ford，最大流，二分匹配等问题。每一个算法都应该实现一遍，否则
到比赛时再写就晚了。
2.5 计算机算法设计中的问题
计算机算法设计包括很多内容：动态规划、回溯搜索、分治算法、分支定界。比如 92 年 B 题用分枝
定界法，97 年 B 题是典型的动态规划问题，此外 98 年 B 题体现了分治算法。这方面问题和 ACM 程序
设计竞赛中的问题类似，推荐看一下《计算机算法设计与分析》（电子工业出版社）等与计算机算法有关
的书。
2.6 最优化理论的三大非经典算法
这十几年来最优化理论有了飞速发展，模拟退火法、神经网络、遗传算法这三类算法发展很快。近
几年的赛题越来越复杂，很多问题没有什么很好的模型可以借鉴，于是这三类算法很多时候可以派上用
场，比如：97 年 A 题的模拟退火算法，00 年 B 题的神经网络分类算法，象 01 年 B 题这种难题也可以
使用神经网络，还有美国竞赛 89 年 A 题也和 BP 算法有关系，当时是 86 年刚提出 BP 算法，89 年就考
了，说明赛题可能是当今前沿科技的抽象体现。03 年 B 题伽马刀问题也是目前研究的课题，目前算法最
佳的是遗传算法。
2.7 网格算法和穷举算法
网格算法和穷举法一样，只是网格法是连续问题的穷举。比如要求在 N 个变量情况下的最优化问
题，那么对这些变量可取的空间进行采点，比如在 [a, b] 区间内取 M 1 个点，就是 a, a (b−a)/M, a
2 · (b − a)/M, · · · , b 那么这样循环就需要进行 (M 1)N 次运算，所以计算量很大。
比如 97 年 A 题、99 年 B 题都可以用网格法搜索，这种方法最好在运算速度较快的计算机中进行，
还有要用高级语言来做，最好不要用 MATLAB 做网格，否则会算很久的。
†编者注：指 2002 年
14 数 模 2004 年
穷举法大家都熟悉，就不说了。
2.8 一些连续数据离散化的方法
大部分物理问题的编程解决，都和这种方法有一定的联系。物理问题是反映我们生活在一个连续的
世界中，计算机只能处理离散的量，所以需要对连续量进行离散处理。这种方法应用很广，而且和上面的
很多算法有关。事实上，网格算法、蒙特卡罗算法、模拟退火都用了这个思想。
2.9 数值分析算法
这类算法是针对高级语言而专门设的，如果你用的是 MATLAB、Mathematica，大可不必准备，因为
象数值分析中有很多函数一般的数学软件是具备的。
2.10 图象处理算法
01 年 A 题中需要你会读 BMP 图象、美国赛 98 年 A 题需要你知道三维插值计算，03 年 B 题要求
更高，不但需要编程计算还要进行处理，而数模论文中也有很多图片需要展
- 2021-07-07 00:32:08下载
- 积分：1
-
遗传算法程序，采用轮盘方法有备注
【实例简介】
- 2021-07-09 00:32:05下载
- 积分：1
-
权重确定方法归纳.docx
权重确定方法归纳多指标综合评价是指人们根据不同的评价目的，选择相应的评价形式 据此选择多个因素或指标，并通过一定的评价方法将多个评价因素或指标转化为能反映评价对象总体特征的信息，其中评价指标与权重系数确定将直接影响综合评价的结果。按照权数产生方法的不同多指标综合评价方法可分为主观赋权评价法和客观赋权评价法两大类，其中主观赋权评价法采取定性的方法由专家根据经验进行主观判断而得到权数，然后再对指标进行综合评价，如层次分析法、综合评分法、模糊评价法、指数加权法和功效系数法等。客观赋权评价法则根据指标之间的相关关系或各项指标的变异系数来确定权数进行综合评价，如熵值法、神经网络分析法、TOPSIS法、灰色关联分析法、主成分分析法、变异系数法等。两种赋权方法特点不同，其中主观赋权评价法依据专家经验衡量各指标的相对重要性，有一定的主观随意性，受人为因素的干扰较大，在评价指标较多时难以得到准确的评价。客观赋权评价法综合考虑各指标间的相互关系，根据各指标所提供的初始信息量来确定权数，能够达到评价结果的精确 但是当指标较多时，计算量非常大。下面就对当前应用较多的评价方法进行阐述。一、变异系数法（一）变异系数法简介变异系数法是直接利用各项指标所包含的信息，通过计算得到指标的权重。是一种客观赋权的方法。此方法的基本做法是：在评价指标体系中，指标取值差异越大的指标，也就是越难以实现的指标，这样的指标更能反映被评价单位的差距。例如，在评价各个国家的经济发展状况时，选择人均国民生产总值(人均GNP)作为评价的标准指标之一，是因为人均GNP不仅能反映各个国家的经济发展水平，还能反映一个国家的现代化程度。如果各个国家的人均GNP没有多大的差别，则这个指标用来衡量现代化程度、经济发展水平就失去了意义。由于评价指标体系中的各项指标的量纲不同，不宜直接比较其差别程度。为了消除各项评价指标的量纲不同的影响，需要用各项指标的变异系数来衡量各项指标取值的差异程度。各项指标的变异系数公式如下： 式中：是第项指标的变异系数、也称为标准差系数；是第项指标的标准差；是第项指标的平均数。各项指标的权重为： （二）案例说明例如，英国社会学家英克尔斯提出了在综合评价一个国家或地区的现代化程度时，其各项指标的权重的确定方法就是采用的变异系数法。案例：利用变异系数法综合评价一个国家现代化程度时的指标体系中的各项指标的权重。数据资料是选取某一年的数据，包括中国在内的中等收入水平以上的近40个国家的10项指标作为评价现代化程度的指标体系，计算这些国家的变异系数，反映出各个国家在这些指标上的差距，并作为确定各项指标权重的依据。其标准差、平均数数据及其计算出的变异系数等见表1-1。 表1-1 现代化水平评价指标的权重指标人均GNP农业占GDP的比重第三产业占GDP比重非农业劳动力比重城市人口比重人口自然增长率平均预期寿命成人识字率大学生占适龄人口比重每千人拥有医生总(美元)(%)(%)(%)(%)(%)(岁)(%)（%）(人)和平均数11938.49.35254.860.82669.7920.721472.63293.3436.5562.446—标准差7966.277.31612.940.1719.3390.83195.3759.0520.4771.314—变异系数0.6670.7820.2360.2060.2771.1530.0740.0970.560.5374.59权重0.1450.170.0510.0450.060.2510.0160.0210.1220.1171 计算过程如下：（1）先根据各个国家的指标数据，分别计算这些国家每个指标的平均数和标准差；（2）根据均值和标准差计算变异系数。即：这些国家人均GNP的变异系数为： 农业占GDP比重的变异系数： 其他类推。（3）将各项指标的变异系数加总： （4）计算构成评价指标体系的这10个指标的权重：人均GNP的权重： 农业占GDP比重的权重： 其他指标的权重都以此类推。（三）变异系数法的优点和缺点当由于评价指标对于评价目标而言比较模糊时，采用变异系数法评价进行评定是比较合适的，适用各个构成要素内部指标权数的确定，在很多实证研究中也多数采用这一方法。缺点在于对指标的具体经济意义重视不够，也会存在一定的误差。二、层次分析法（一）层次分析法概述人们在对社会、经济以及管理领域的问题进行系统分析时，面临的经常是一个由相互关联、相互制约的众多因素构成的复杂系统。层次分析法则为研究这类复杂的系统，提供了一种新的、简洁的、实用的决策方法。层次分析法(AHP法) 是一种解决多目标的复杂问题的定性与定量相结合的决策分析方法。该方法将定量分析与定性分析结合起来，用决策者的经验判断各衡量目标能否实现的标准之间的相对重要程度，并合理地给出每个决策方案的每个标准的权数，利用权数求出各方案的优劣次序，比较有效地应用于那些难以用定量方法解决的课题。（二）层次分析法原理层次分析法根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个多层次的分析结构模型，从而最终使问题归结为最低层(供决策的方案、措施等)相对于最高层(总目标)的相对重要权值的确定或相对优劣次序的排定。层次分析法的特点是在对复杂的决策问题的本质、影响因素及其内在关系等进行深入分析的基础上，利用较少的定量信息使决策的思维过程数学化，从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。尤其适合于对决策结果难于直接准确计量的场合。（三）层次分析法的步骤和方法 1. 建立层次结构模型利用层次分析法研究问题时，首先要把与问题有关的各种因素层次化，然后构造出一个树状结构的层次结构模型，称为层次结构图。一般问题的层次结构图分为三层，如图所示。最高层为目标层（O）：问题决策的目标或理想结果，只有一个元素。中间层为准则层（C）：包括为实现目标所涉及的中间环节各因素，每一因素为一准则，当准则多于9个时可分为若干个子层。最低层为方案层（P）：方案层是为实现目标而供选择的各种措施，即为决策方案。一般说来，各层次之间的各因素，有的相关联，有的不一定相关联；各层次的因素个数也未必一定相同．实际中，主要是根据问题的性质和各相关因素的类别来确定。 层次分析法所要解决的问题是关于最低层对最高层的相对权重问题，按此相对权重可以对最低层中的各种方案、措施进行排序，从而在不同的方案中作出选择或形成选择方案的原则。2. 构造判断（成对比较）矩阵构造比较矩阵主要是通过比较同一层次上的各因素对上一层相关因素的影响作用．而不是把所有因素放在一起比较，即将同一层的各因素进行两两对比。比较时采用相对尺度标准度量，尽可能地避免不同性质的因素之间相互比较的困难。同时，要尽量依据实际问题具体情况，减少由于决策人主观因素对结果造成的影响。设要比较个因素对上一层（如目标层）的影响程度，即要确定它在中所占的比重。对任意两个因素和，用表示和对的影响程度之比，按1～9的比例标度来度量．于是，可得到两两成对比较矩阵，又称为判断矩阵，显然,因此，又称判断矩阵为正互反矩阵．比例标度的确定：取1-9的9个等级，取的倒数,1-9标度确定如下：= 1，元素与元素对上一层次因素的重要性相同；= 3，元素比元素略重要；= 5，元素比元素重要；= 7， 元素比元素重要得多；= 9，元素比元素的极其重要；，元素与的重要性介于与之间；，当且仅当。由正互反矩阵的性质可知，只要确定的上（或下）三角的个元素即可。在特殊情况下，如果判断矩阵的元素具有传递性，即满足则称为一致性矩阵，简称为一致阵．3. 层次单排序及一致性检验3.1相对权重向量确定（1）和积法取判断矩阵个列向量归一化后的算术平均值，近似作为权重，即类似地，也可以对按行求和所得向量作归一化，得到相应的权重向量。（2）求根法（几何平均法）将的各列（或行）向量求几何平均后归一化，可以近似作为权重，即（3）特征根法设想把一大石头分成个小块，其重量分别为，则将块小石头作两两比较，记的相对重量为，于是可得到比较矩阵显然，为一致性正互反矩阵，记，即为权重向量．且则这表明为矩阵的特征向量，且为特征根．事实上：对于一般的判断矩阵有，这里是的最大特征根，为对应的特征向量．将作归一化后可近似地作为的权重向量，这种方法称为特征根法。注：现有软件求得最大特征根与特征向量。3.2一致性检验通常情况下，由实际得到的判断矩阵不一定是一致的，即不一定满足传递性和一致性．实际中，也不必要求一致性绝对成立，但要求大体上是一致的，即不一致的程度应在容许的范围内．主要考查以下指标：（1）一致性指标：．（2）随机一致性指标：，通常由实际经验给定的，如表2-1。表2-1 随机一致性指标 （3）一致性比率指标：，当时，认为判断矩阵的一致性是可以接受的，则对应的特征向量可以作为排序的权重向量。此时其中表示的第个分量。4.计算组合权重和组合一致性检验（1）组合权重向量设第层上个元素对总目标（最高层）的排序权重向量为第层上个元素对上一层(层)上第个元素的权重向量为则矩阵是阶矩阵，表示第层上的元素对第层各元素的排序权向量．那么第层上的元素对目标层（最高层）总排序权重向量为或 对任意的有一般公式其中是第二层上各元素对目标层的总排序向量．（2）组合一致性指标设层的一致性指标为，随机一致性指标为则第层对目标层的（最高层）的组合一致性指标为组合随机一致性指标为组合一致性比率指标为当时，则认为整个层次的比较判断矩阵通过一致性检验．（四）案例说明实例：人们在日常生活中经常会碰到多目标决策问题，例如假期某人想要出去旅游，现有三个目的地（方案）：风光绮丽的杭州（ ）、迷人的北戴河（）和山水甲天下的桂林（）。假如选择的标准和依据（行动方案准则）有5个景色，费用，饮食，居住和旅途。1.建立层次结构模型 目标层 准则层 2.构造判断矩阵 构造所有相对于不同准则的方案层判断矩阵（1）相对于景色 （2）相对于费用 （3）相对于居住 （4）相对于饮食 （5）相对于旅途 3. 层次单排序及一致性检验3.1用matlab求得判断矩阵的最大特征根与特征向量：，对应于的正规化的特征向量为：判断矩阵的最大特征值与特征向量判断矩阵的最大特征值与特征向量判断矩阵的最大特征值与特征向量判断矩阵的最大特征值与特征向量判断矩阵的最大特征值与特征向量4.一致性检验对于判断矩阵进行一致性检验：查表知平均随机一致性指标RI，从而可检验矩阵一致性：同理，对于第二层次的景色、费用、居住、饮食、旅途五个判断矩阵的一致性检验均通过。利用层次结构图绘出从目标层到方案层的计算结果： 5.层次总排序各个方案优先程度的排序向量为：决策结果是首选旅游地为 其次为，最后为。（五）优点与缺点人们在进行社会的、经济的以及科学管理领域问题的系统分析中，面临的常常是一个由相互关联、相互制约的众多因素构成的复杂而往往缺少定量数据的系统。层次分析法为这类问题的决策和排序提供了一种新的、简洁而实用的建模方法。在应用层次分析法研究问题时，遇到的主要困难有两个：（i）如何根据实际情况抽象出较为贴切的层次结构；（ii）如何将某些定性的量作比较接近实际定量化处理。层次分析法对人们的思维过程进行了加工整理，提出了一套系统分析问题的方法，为科学管理和决策提供了较有说服力的依据。但层次分析法也有其局限性，主要表现在：（i）它在很大程度上依赖于人们的经验，主观因素的影响很大，它至多只能排除思维过程中的严重非一致性，却无法排除决策者个人可能存在的严重片面性。（ii）当指标量过多时，对于数据的统计量过大，此时的权重难以确定。AHP 至多只能算是一种半定量（或定性与定量结合）的方法。三、熵值法（一）熵值法的原理在信息论中，熵是对不确定性的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。根据熵的特性，我们可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响越大。（二）算法实现过程1.数据矩阵 其中为第个方案第个指标的数值。2. 数据的非负数化处理 由于熵值法计算采用的是各个方案某一指标占同一指标值总和的比值，因此不存在量纲的影响，不需要进行标准化处理，若数据中有负数，就需要对数据进行非负化处理。此外，为了避免求熵值时对数的无意义，需要进行数据平移：对于越大越好的指标： 对于越小越好的指标：为了方便起见，仍记非负化处理后的数据为3.计算第项指标下第个方案占该指标的比重4.计算第项指标的熵值 5.计算第项指标的差异系数。对于第项指标，指标值的差异越大，对方案评价的作用越大，熵值就越小。6.求权数7.计算各方案的综合得分（三）熵值法的优缺点熵值法是根据各项指标值的变异程度来确定指标权数的，这是一种客观赋权法，避免了人为因素带来的偏差，但由于忽略了指标本身重要程度，有时确定的指标权数会与预期的结果相差甚远，同时熵值法不能减少评价指标的维数。四、主成分分析法（一）主成分分析法简介 主成分分析是将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法，又称主分量分析。在实际问题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。但是，在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。 主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映问题的信息方面尽可能保持原有的信息。信息的大小通常用离差平方和或方差来衡量。（二）主成分分析原理主成分分析是数学上对数据降维的一种方法。其基本思想是设法将原来众多的具有一定相关性的指标，，…，（比如个指标），重新组合成一组较少个数的互不相关的综合指标来代替原来指标。那么综合指标应该如何去提取，使其既能最大程度的反映原变量所代表的信息，又能保证新指标之间保持相互无关（信息不重叠）。设表示原变量的第一个线性组合所形成的主成分指标，即,由数学知识可知，每一个主成分所提取的信息量可用其方差来度量，其方差越大，表示包含的信息越多。常常希望第一主成分 所含的信息量最大，因此在所有的线性组合中选取的应该是，，…，的所有线性组合中方差最大的，故称为第一主成分。如果第一主成分不足以代表原来个指标的信息，再考虑选取第二个主成分指标，为有效地反映原信息，已有的信息就不需要再出现在中，即与要保持独立、不相关，用数学语言表达就是其协方差，所以是与不相关的，，…，的所有线性组合中方差最大的，故称为第二主成分，依此类推构造出的、、……、为原变量指标，，…，第一、第二、……、第m个主成分。（三）利用主成分确定权重现举例说明： 假设我们对反映某卖场表现的4项指标（实体店、信誉、企业形象、服务）进行消费者满意度调研。调研采取4级量表，分值越大，满意度越高。现回收有效问卷2000份，并用SPSS录入了问卷数据。部分数据见下图。图4-1 主成分确定权重示例数据（部分） 1、操作步骤： Step1：选择菜单：分析——降维——因子分析 Step2：将4项评价指标选入到变量框中 Step3：设置选项，具体设置如下： 2、 输出结果分析 按照以上操作步骤，得到的主要输出结果为表1——表3，具体结果与分析如下：表4-1 KMO 和 Bartlett 的检验 表3是对本例是否适合于主成分分析的检验。KMO的检验标准见图2。图4-2 KMO检验标准 从图3可知，本例适合主成分分析的程度为‘一般’，基本可以用主成分分析求权重。表4-2 解释的总方差 从表4可知，前2个主成分对应的特征根>1，提取前2个主成分的累计方差贡献率达到94.513% ，超过80%。因此前2个主成分基本可以反映全部指标的信息，可以代替原来的4个指标（实体店、信誉、企业形象、服务）。表4-3 成份矩阵 从表3可知第一主成分与第二主成分对原来指标的载荷数。例如，第一主成分对实体店的载荷数为0.957。 3、确定权重 指标权重等于以主成分的方差贡献率为权重，对该指标在各主成分线性组合中的系数的加权平均的归一化， 因此，确定指标权重需要知道三点：①指标在各主成分线性组合中的系数②主成分的方差贡献率③指标权重的归一化。 （1）指标在不同主成分线性组合中的系数 用表4-3中的载荷数除以表4-2中第1列对应的特征根的开方。 例如，在第一主成分 的线性组合中，实体店的=0.957/(2.775)1/2 ≈0.574。 按此方法，基于表4-3和表4-2的数据，在excel中可分别计算出各指标在两个主成分线性组合中的系数（见下图）。图4-3 各指标在两个主成分线性组合中的系数 由此得到的两个主成分线性组合如下： （2）主成分的方差贡献率 表4中“初始特征值”的“方差%”表示各主成分方差贡献率，方差贡献率越大则该主成分的重要性越强。 因此，方差贡献率可以看成是不同主成分的权重。 由于原有指标基本可以用前两个主成分代替，因此，指标系数可以看成是以这两个主成分方差贡献率为权重，对指标在这两个主成分线性组合中的系数做加权平均。 按上述思路，实体店这个指标的系数为： 这样，我们可以用excel计算出所有指标的系数（见下图）图4-4 所有指标在综合得分模型中的系数 由此得到综合得分模型为：（3）指标权重的归一化 由于所有指标的权重之和为1，因此指标权重需要在综合模型中指标系数的基础上归一化 。 图4-5 指标权重的确定 上图显示了我们基于主成分分析，最终所得到的指标权重。（四）优点和缺点主成分分析法具有处理多个具有一定相关性变量的能力，因此，主成分分析法使用与任何领域的多变量分析。主成分分析法对于各评价指标排序，可以直观的分析出起决定性作用和对综合评价结果影响较大的评价指标。但是，它对于主要指标的依赖性过大，对研究所选取指标体系是一个考验。
- 2020-06-12下载
- 积分：1
