下面是小编帮大家整理的基于灰色关联分析和信息公理的多属性设备优选研究，本文共7篇，希望对大家的学习与工作有所帮助。
篇1：基于灰色关联分析和信息公理的多属性设备优选研究
基于灰色关联分析和信息公理的多属性设备优选研究
灰色关联分析是一种定量分析法,将信息公理引入其中,提出了基于灰色关联分析和信息公理的优选方法.该方法根据评价指标的`决策矩阵,构造出由最优参考数据列组成的理想方案.以信息量为测度评价各备选方案与理想方案的关联程度,通过确定各指标的可接受范围,并通过计算各方案的信息量,获得方案的优劣排序,优选最佳方案.为实现多属性优选,修正了信息量计算公式.最后以链条输送机为例验证了该方法的有效性与可行性.
作 者：程贤福 作者单位：华东交通大学载运工具与装备教育部重点实验室,南昌,330013 刊 名：武汉理工大学学报（交通科学与工程版） ISTIC英文刊名：JOURNAL OF WUHAN UNIVERSITY OF TECHNOLOGY(TRANSPORTATION SCIENCE & ENGINEERING) 年，卷(期)： 34(1) 分类号：N94 TH122 关键词：灰色关联分析 信息公理 多属性优选 信息量篇2：基于二元语义多属性群决策的灰色关联分析法
基于二元语义多属性群决策的灰色关联分析法
摘要：针对解决具有语言评价信息的多属性群决策问题,提出了一种基于二元语义信息处理的群决策方法,该方法是采用近年来最新发展的二元语义概念对语言评价信息进行处理和运算,它是依据传统灰色关联分析方法的'基本思想,通过计算每个方案对正、负理想方案的语义灰色关联度,最终确定最优方案,使该方案对正理想方案具有最大的灰色关联度和对负理想方案具有最小的灰色关联度.该方法具有对语言信息处理较为精确的特点,避免了以往采用的语言信息处理方法所带来的信息扭曲和损失.最后给出了一个实例分析.结果表明方法简单、有效和易于计算. 作者： 卫贵武林锐 Author： WEI Gui-wu LIN Rui 作者单位： 重庆文理学院经济与管理系,重庆,402160 期 刊： 系统工程与电子技术 ISTICEIPKU Journal： SYSTEMS ENGINEERING AND ELECTRONICS 年，卷(期)： , 30(9) 分类号： C934 关键词： 群决策 语言评价信息 二元语义 灰色关联分析 机标分类号： N94 C93 机标关键词： 二元语义 多属性群决策 灰色关联分析法 group decision making 灰色关联度 语言评价信息 对语言信息处理 负理想方案 关联分析方法 群决策方法 最优方案 最新发展 语义概念 信息扭曲 实例分析 决策问题 计算 处理方法 运算 思想 基金项目：篇3：层次分析法和灰色关联分析法的研究
目 录
目 录 .............................................................................................................................................. I 摘要 .................................................................................................................................................. I Abstract .......................................................................................................................................... II 1 引言 .......................................................................................................................................... 1 2 层次分析法 .............................................................................................................................. 2
2.1 层次分析法的步骤 .......................................................................................................... 2
2.1.1 层次结构的建立 ................................................................................................. 2 2.1.2 构建判断矩阵 ....................................................................................................... 3 2.1.3 层次排序和一致性检验 ....................................................................................... 5 2.1.4 层次总排序及一致性检验 ................................................................................... 8 2.2 层次分析法结论 ............................................................................................................ 10 3 灰色关联分析法 ....................................................................................................................... 12
3.1 灰色关联的具体步骤 .................................................................................................... 12
3.1.1 确定分析序列 ................................................................................................... 12 3.1.2 无量纲化 ........................................................................................................... 13 3.1.3 求关联度 ........................................................................................................... 14 3.2 灰色关联结论 ................................................................................................................ 15 3 结论 ........................................................................................................................................ 16 参考文献： ................................................................................................................................... 17 附录 ............................................................................................................................................... 18 致 谢 ........................................................................................................................................... 20
摘要
层次分析法是将半定型、半定量的问题转化为定量问题的一种行之有效的方法，是分析多目标、多准则的复杂大系统的强有力的工具有思路清晰、方法简便、使用面广、系统性强等特点。灰色关联分析目的是寻求系统各因素之间的重要关系，而灰色关联度是灰色关联分析的基础，其算法基本思想是根据行为序列曲线几何形状的相似性来确定序列之间联系的紧密型。本文尝试将这两种思想应用于NBA常规赛最有价值球员（MVP）的评判上。通过结果研究层次分析法和灰色关联分析这两种思想的差异性、优缺点。
篇4：层次分析法和灰色关联分析法的研究
Abstract
Analytic Hierarchy Process is a semi-stereotypes, semi-quantitative problem into an effective method of quantitative problems, is to analyze the multi-objective, multi-criteria large complex system a powerful tool for clear thinking, method is simple, using the surfacewide systemic. Gray relational analysis seeks the important relationship between the factors of the system, and the gray relational grade gray relational analysis. The basic idea of the algorithm is based on the similarity of behavior sequence curve geometry to determine the sequence of the link between compact. This paper attempts to apply these two ideas on the judgment of the NBA regular season Most Valuable Player (MVP). By the results of analytic hierarchy process and gray relational analysis of these two ideological differences, advantages and disadvantages.
Key words: Analytic Hierarchy Process；Grey Relational Analysis；NBA；MVP
1 引言
在日常生活中，人们要对许多较为复杂、较为模糊的问题做出决策。如生产者面对消费者的各种喜好或竞争对手的策略要做出最佳生产决策，消费者面对众多的商品要做出最佳的购买决策。科研单位要根据自己的科研能力、项目的科学意义及实用价值项目的研究经费等因素选择最适合的课题，当你面临报考学校，挑选专业，或者选择工作岗位是，都要做出慎重决策等等，这些都是难于用定量进行分析的问题，当我们面对这些问题时，影响我们做出决策的因素很多，一些因素存在定量指标，可以定量描述，但更多的因素不存在定量指标，只能定性的对它们进行比较。在处理这些比较复杂又比较模糊的问题时，如何进行全面的、系统的分析比较，并最终做出较为明智的决策呢?
T.L.Saaty等在20世纪70年代末提出了一种定性和定量相结合、系统化层次化的分析方法，称为层次分析法（Analytic Hierarchy Process，简称AHP）。层次分析法是将半定型、半定量的问题转化为定量问题的一种行之有效的方法，是分析多目标、多准则的复杂大系统的强有力的工具有思路清晰、方法简便、使用面广、系统性强等特点。它使人们的思维过程层次化，通过逐层比较多种关联因素来分析、决策或控制事物的发展提供定量的依据。其基本思想，是根据问题的性质和要达到的目标，将问题按层次分析成各个组成因素，再按支配关系分组成有序的递阶层次结构。对同一层次内的因素，通过两两比较的方式确定诸因素之间的相对重要性权重。下一层次的因素的重要性，既要考虑本层次，又要考虑到上一层次的权重因子逐层计算，直至最后一层一般是要比较的各个方案权重大小。
灰色关联分析法是由中国学者邓聚龙教授于1982年创立的，该理论是以“部分信息已知，部分信息未知”的“小样本”、“贫信息”不确定性系统为研究对象，主要通过对“部分”已知信息的生成、开发，提取有价值的信息，实现对系统运行行为、演化规律的正确描述和有效监控。灰色关联度分析法是将研究对象及影响因素的因子值视为一条线上的点,与待识别对象及影响因素的因子值所绘制的曲线进行比较,比较它们之间的贴近度,并分别量化,计算出研究对象与待识别对象各影响因素之间的贴近程度的关联度,通过比较各关联度的大小来判断待识别对象对研究对象的影响程度。
两种思想都都为我们决策带来了方便，但有时我们却无从选择哪一种方法，本文运用两种思想分析NBA常规赛最有价值球员，进而比较层次分析法和灰色关联在实际运用中的区别，为大家在实际解决问题、做出决策时能够在这两种方法中更有效的做出选择。
2 层次分析法
2.1 层次分析法的步骤
层次分析法的基本思路与人对复杂决策问题的思维和判断过程是一致的。层次分析过程大致可以分为四个步骤：
（1）建立层次结构模型。在深入分析面临的问题后，讲决策问题分为三个层次。最上层为目标层O；最下层为方案层P；中间层为准则层C（准则层可以分为若干个子层），个层次的联系用相连的直线表示。
（2）构造判断矩阵。通过相互比较确定各层次中的因素对于上一层次中每一因素的所有判断矩阵。
（3）单层排序及一致性检验。通过判断矩阵求出各层次中的因素对于上一层每一因素的权重向量，并进行一致性检验。
（4）层次总排序及一致性检验。将层次中的因素对于上一层次的权重向量及上一层对于总目标的权重向量综合，确定该层次对于总目标的权重向量，并对总排序进行一致性检验。
2.1.1 层次结构的建立
首先要把问题条理化、层次化，构造出一个层次分析的结构模型。在这个结构模型下，复杂问题被分解成人们称之为元素的组成部分。这些元素又按照其属性分成若千组，形成不同层次。同一层次的元素作为准则对下一层次的某些元素起支配作用，同时它又受上一层次元素的支配。这些层次大体上可以分为三类：
1、最高层这一层次中只有一个元素，一般它是分析问题的预定目标或者理想结果，因此也称目标层。
2、中间层这一层次包括了为实现目标所涉及的中间环节，它可以由若干个层次组成，包括所需要考虑的准则、子准则，因此也称为准则层
3、最低层表示为实现目标可供选择的各种措施、决策方案等，因此也称为措施层或者方案层。
上述各个层次之间的支配关系不一定是完全的，即可以存在这样的元素，它并不支持下一层次的所有元素而仅仅支持其中部分元素。这种自上而下的支配关系所形成的层次结构，我们称为递阶层次结构。递阶层次结构中的层次数与问题的复杂程度及需分析的详尽程度有关，一般它可以不受限制。根据问题研究NBA最有价值球员（MVP）我们可以画出如下的阶梯层次结构图：
图2-1 阶梯层次结构图
2.1.2 构建判断矩阵
层次结构反映了因素之间的关系，但准则层中的各准则在目标衡量中所占的比重并不一定相同，在决策者的心目中，它们各占有一定的比例。在确定影响某因素的诸因子在该因素中所占的比重时，遇到的主要困难是这些比重常常不易定量化。此外，当影响某因素的因子较多时，直接考虑各因子对该因素有多大程度的影响时，常常会因考虑不周全、顾此失彼而使决策者提出与他实际认为的重要性程度不相一致的数据，甚至有可能提出一组隐含矛盾的数据。
设现在要比较n个因子X?｛x1，错误！未找到引用源。对某因素Z的影响大...，xn｝小，怎样比较才能提供可信的数据呢？Saaty等人建议可以采取对因子进行两两比较建立成对比较矩阵的办法。即每次取两个因子xi对xj的影响大小之比，全部比较结果用矩阵错误！未找到引用源。A?(aij)n*n表示，称Z―X之间的成对比较判断矩阵（简称判断矩阵）。容易看出，若错误！未找到引用源。与错误！未找到引用源。对Z的影响之比为aij错误！未找到引用源。，则错误！未找到引用源。与错误！未找到引用源。对Z的影响之比应为
aji?
1
错误！未找到引用源。。 aij
1
（i，j=1，?，n），aij
定义1：若矩阵错误！未找到引用源。满足
（i）错误！未找到引用源。>0;（ii）错误！未找到引用源。aji?则称之为正互反矩阵。
要确定错误！未找到引用源。的值，我们常用1~9和它倒数作为aij的取值范围量化尺度如下:
对比打分
1 3 5 7 9
相对重要程度 同等重要 略微重要 基本重要 确实重要 绝对重要
说明
两个元素相比，具有同等重要性
两个元素相比，一个元素比另一个元素稍微重要 两个元素相比，一个元素比另一个元素明显重要 两个元素相比，一个元素比另一个元素强烈重要 两个元素相比，一个元素比另一个元素极端重要
需要折中时采用
表 2-1 量化尺度表
2，4，6，8 两相邻度程度的中间值
从心理学观点来看，分级太多会超越人们的判断能力，既增加了作判断的难度，又容易因此而提供虚假数据。Saaty等人还用实验方法比较了在各种不同标度下人们判断结果的正确性，实验结果也表明，采用1~9标度最为合适。当然，也有其他一些不错的标度方法可以选择。最后，应该指出，一般地作错误！未找到引用源。
n（n-1）
次两两判断是2
必要的。有人认为把所有元素都和某个元素比较，即只作n?1次比较就可以了。这种作法的缺点在于，任何一个判断的失误均可导致不合理的排序，而个别判断的失误对于难以定量的系统往往是难以避免的。进行错误！未找到引用源。次比较可以提供更多的信息，通过各种不同角度的反复比较，从而得出一个合理的排序。
在研究NBA球员的综合实力中，通过对30名球迷调查（详细调查结果见附录）我们可以大致得出判断矩阵：
表2-2 A-B判断矩阵
A B1 B2
于比赛数据更为重要。
B1 1 1/2 B2 2 1
其中B1,B2分别指的球队战绩和比赛数据。实地调查和网上查找分析，球队战绩相对
表2-3 错误！未找到引用源。B1?C11判断矩阵
1 11 12
11 1 1
12 1 1
C11,C12分别指的是方案层的主队战绩和客队战绩。根据调查发现两个因数同等重要。
表 2-4 错误！未找到引用源。判断矩阵
B2
C21 C22 C23 C24 C25 C26 C27 C28
C21 1 1/4 1/4 1/8 1/8 1/8 1/16 1/16
C22 4 1 1 1/2 1/2 1/2 1/4 1/4
C23 4 1 1 1/2 1/2 1/2 1/4 1/4
C24 8 2 2 1 1 1 1/2 1/2
C25 8 2 2 1 1 1 1/2 1/2
C26 8 2 2 1 1 1 1/2 1/2
C27 16 4 4 2 2 2 1 1
C28 16 4 4 2 2 2 1 1
其中错误！未找到引用源。、C22、C23、C24、C25、C26、C27、C28分别表示得分、助攻、篮板、盖帽、抢断、命中、失误、犯规。 2.1.3 层次排序和一致性检验
判断矩阵A对应于最大特征值?max的特征向量W，经归一化后即为同一层次相应因素对于上一层次某因素相对重要性的排序权值，也就是每一个判断矩阵各个因素针对器其准则的相对权重，所以本质上是计算权向量。这一过程称为层次单排序。
上述构造成对比较判断矩阵的办法虽能减少其它因素的干扰，较客观地反映出一对因子影响力的差别。但综合全部比较结果时，其中难免包含一定程度的非一致性。如果比较结果是前后完全一致的，则矩阵A的元素还应当满足：错误！未找到引用源。
aijajk?aik，?i，k?1，2，...，n
定理1：正互反矩阵A的最大特征根?max必为正实数,其对应特征向量的所有分量均为正实数。A的其余特征值的模均严格小于?max。
定理2：若A为一致矩阵，则 （1）A必为正互反矩阵。（2）A的转置矩阵错误！未
AT也是一致矩阵。找到引用源。（3）A的任意两行成比例，比例因子大于零，从而rank(A)=1（同样，A的任意两列也成比例）。（4）A的最大特征值，其中?max= n，其中n为矩阵A的阶。A的其余特征根均为零。（5）若A的最大特征值?max对应的特征向量为错误！未找
T到引用源。W?（?1?2...，则aij??n）
?i
，?i，j?1，2，...，n错误！未找到引用源。，?j
??1???1??2
即 错误！未找到引用源。 A=??
?1?...??n???1A非一致时，必有?max>n。
?
.........??n?
...n??2?n??
?1?2?2?2?1??n????
...2?
?n
...
定理3：n阶正互反矩阵A为一致矩阵当且仅当其最大特征根?max=n，且当正互反矩阵根据定理3，我们可以由?max是否等于n来检验判断矩阵A是否为一致矩阵。由于特征根连续地依赖于错误！未找到引用源。，故?max比n大得越多，A的非一致性程度也就越严重，?max对应的标准化特征向量也就越不能真实地反映出错误！未找到引用源。在对因素Z的影响中所占的比重。从人类的认识规律看，一个正确的判断矩阵重要性排序是有一定逻辑规律的，例如若A比B重要，B比C重要，则从逻辑上讲，A应该比C明显重要，若两两比较时出现A比C重要的结果，则该判断矩阵违反一致性准则，在逻辑上是不合理。因此，对决策者提供的判断矩阵有必要作一次一致性检验，以决定是否能接受它。 对判断矩阵的一致性检验的步骤如下：（i）计算一致性指标CI=错误！未找到引用源。
?max?n
n-1
（ii）查找相应的平均随机一致性指标RI。对n=1，2，?，9，Saaty 给出了RI的值，
表 2-5 RI 值
n
RI
1 2 3 4 5 6 7 8 9 10 11 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51
RI的值是这样得到的'，用随机方法构造500个样本矩阵：随机地从 1~9 及其倒数中抽取数字构造正互反矩阵，求得最大特征根的平均值?'max，并定义RI=错误！未找到引用源。
?'max?n
n-1
（＃┘扑阋恢滦员壤CR=
CI
错误！未找到引用源。，当CR
致程度在容许范围内，可用其特征向量作为权向量。 即可初步确认该判断矩阵的一致性是可以接受的，否则应对判断矩阵作适当修正。
层次单排序的方法有归一化求和法和求根法两种，我们在这里主要是使用归一化求和
-
法来进行计算，具体如下:(1)对判断矩阵B的每一列进行归一化如bij?
bij
?b
k?1
n
： 错误！
kj
未找到引用源。。
???b11
????
(2)写出归一化后的矩阵B如：B=?b21
?...????bn1为Wi?
?
?
...b1n???
?
b22...b2n?错误！未找到引用源。，并求列和.........????bn2...bnn??
?
?
b12
?b
j?1
n?ij
?
n
?
（3）写出权向量W：错误！未找到引用源。W=错误！未找到引用源。?W1W2...Wi?Wi/?Wi，Wn?
i?1
（4）一致性检验：由矩阵理论得出特征根：?1，?2，....?n；和判断矩阵一致性指标： CI=错误！未找到引用源。。用随机一致性比率CR
表2-6 A-B判断矩阵
A
B1 B2
B1 1 1/2 B2 2 1
通过MATLAB求的特征根X=错误！未找到引用源。0，2。易得?max= 2 ，且权重向量
T
错误！未找到引用源。W?(0.666,。由公式CI=错误！未找到引用源。得到CI=0 ，0.333)
由公式 RI=错误！未找到引用源。得到RI=0 ，说以CR= 0.0000。通过了一致性检验。
表2-7 错误！未找到引用源。B1?
C11判断矩阵
C12
1 1
B1 C11 C12 C11 1 1
通过MATLAB求得特征根B=错误！未找到引用源。0，2易得?max= 2 ，且权重向量错误！未找到引用源。。由公式CI=错误！未找到引用源。得到CI=0 ，所以CR= 0.0000。通过了一致性检验。
表 2-8 错误！未找到引用源。 判断矩阵
B2 C21 C22 C23 C24 C21 1 1/4 1/4 1/8 C22 4 1 1 1/2 C23 4 1 1 1/2 C24 8 2 2 1 C25 8 2 2 1 C26 8 2 2 1 C27 16 4 4 2 C28 16 4 4 2
C25 C26 C27 C28 1/8 1/8 1/16 1/16 1/2 1/2 1/4 1/4 1/2 1/2 1/4 1/4 1 1 1/2 1/2
1 1 1/2 1/2 1 1 1/2 1/2 2 2 1 1 2 2 1 1
通过MATLAB求的特征向量X=
??0.9982?
?0.0356?0.0356?0.0178?
?0.0178?0.0178?0.0089???0.0089
?0.9207
?0.2302?0.2302?0.1151?0.1151?0.1151?0.0575?0.0575
0800000000000000
?0.99820.03560.03560.01780.01780.01780.00890.0089000000000000000000000000
?0.92390.3811?0.0250?0.0125?0.0125?0.0125?0.0063?0.006300000000
0.9982?0.0356?0.0356?0.0178?0.0178?0.0178?0.0089?0.0089?0.99820.03560.03560.01780.01780.01780.00890.00890.9982?0.0356?0.0356?0.0178?0.0178?0.0178?0.0089?0.0089
0.9982?
?
?0.0356??0.0356??0.0178?
?
?0.0178??0.0178??0.0089?
?
?0.0089??
?0
??0?0?0
和特征根B=?
?0?0?0??0?0?
?0?0?
0?错误！未找到引用源。，易得?max= 8 ， 且权重向?0?0?0??0??
T
量W?（错误！未找到引用0.5, 0.125, 0.125，0.0625， 0.0625， 0.0625， 0.03123， 0.03125）
源。。由公式CI=错误！未找到引用源。得到CI=0 ，所以CR= 0.0000。通过了一致性检验。
2.1.4 层次总排序及一致性检验
计算同一层次所有因素对于总目标相对重要性的 排序值（即权重向量）的过程称为层次总排序，此过程是从最高层到最底层逐层实现的上面我们得到的是一组元素对其上一层中某元素的权重向量。
假设上一层次A包含m个因素错误！未找到引用源。A1,A2,...,Am，它们的层次总排序权值为错误！未找到引用源。a1,a2,...,am。方案层B包含n个因素错误！未找到引用源。，它们对于因素错误！未找到引用源。Aj的层次排序权值分别错误！未找到引用源。 b1j，b2j，......，bnj（j=1，2，3，…，m）则B层的的总排序权值为错误！未找到引用源。
?i?
?ab
j?1
m
jij
（i=1，2，3，……，n）。
表 2-9 总排序权值公式
层次A 层次B
A1
a1 b11 b21
A2
a2 b12
… …
An
an b1m
B总排序权值
B1
?ab
j?1m
j
j?1
m
j1j
B2
b22
…
b2m
?a
b
m
2j
Bn bn1 bn2 bnm
?ab
j
j?1
nj
CIj
CI1 CI2
CIm
层次总排序也要进行一致性检验，检验仍像层次总排序那样从高到低层逐次进行，设B层中的因素对上一层次中错误！未找到引用源。Aj的单层排序的一致性指标为CIj（j=1，2，?，m）而平均随机一致性指标为错误！未找到引用源。，则B层的总排序随机一致性
m
?aCI
j
j
比率为CR=错误！未找到引用源。
j?1m
，当CR
j
j
?aRI
j?1
的一致性。
表 2-10 总排序权值
层次A
A1 A2
B总排序权值
层次B 0.666 0.333
0.5 0.5 B1
0.5 0.125 B2
0.5 0.3746
0.0417
B3 B4
0 0.125 0.0625 0.0625 0.0625 0.03123 0.03123
0 0 0 0 0
0.0208 0.0208 0.0208 0.01041 0.01041
B5 B6
B7 B8
因为CR=错误！未找到引用源。=0
2.2 层次分析法结论
通过NBA官方网站查得球员的各项指标得到如下表：
表 2-11 球员指标
球员 科比 詹姆斯 杜兰特 加索尔 哈登
主队战绩 客队战绩 得分
29 37 34 32 29
16 29 26 24 16
27.3 26.8 28.1 14.1 25.9
助攻 篮板 盖帽 抢断 命中 失误 犯规 6 7.3 4.6 4 5.8
5.6 8 7.9 7.8 4.9
0.3 0.9 1.3 1.7 0.5
1.4 1.7 1.4 1 1.8
0.46 3.7 0.57 0.49
3 2
0.51 3.5 0.44 3.8
2.2 1.4 1.8 3.2 2.3
保罗 安东尼 帕克 韦德 威斯布鲁克
32 31 35 37 34
24 23 23 29 26
16.9 28.7 20.3 21.2 23.2
9.7 2.6 7.6 5.1 7.4
3.7 6.9 3 5 5.2
0.1 0.5 0.1 0.8 0.3
2.4 0.8 0.8 1.9 1.8
0.48 2.3 0.45 2.6 0.52 2.6 0.52 2.8 0.44 3.3
2 3.1 1.4 2 2.3
将数据进行统一化，通过MATLAB找出每一列的最大值和最小值，通过式子： （1） A=bmax（：，i）-bmin（：，I） （2） B=a（：，i）-bmin（：，i） （3） S=B/A （相关程序见附录）
其中失误和犯规两列最终结果为S’=1-S。算出最终结果为：
表 2-12 球员指标统一化
科比 詹姆斯 杜兰特 加索尔 哈登 保罗 安东尼 帕克 韦德 威斯布鲁克
0 1 0.625 0.375 0 0.375 0.25 0.75 1 0.625
0 1 0.7692 0.6154 0 0.6154 0.5385 0.5385 1 0.7692
1
0.5 1 0 0
0.563
1
0.4444 1 0
1 0 0.5
0.9041 0.4789 0.52 0.125 0.375 0.1538 0.0556 0.5556 0.8699 0.662 0 0.1918 1
0.9589 0.2817 0.98 0.75 0.375 0.5385 0.1667 0.7778
0.1972 0.96 1 0
0.14 0
0.125 0.3846
1 0 0
0.8082 0.4507 0.38 0.25 0.625
0.78 0.25
0.3077 0.8333 0.6667 0.0769 0.6667 0.0556 0.6154 0.6667 0
0.2778
1 0.5
0.4247 0.7042
0.4863 0.3521 0.4 0.438 0.688 0.6154 0.5556 0.6667 0.6233 0.6761 0.44 0.125 0.625
根据总排序权值最后计算出每个球员的总成绩如下：
表 2-13 球员总得分
科比
詹姆斯 杜兰特 加索尔 哈登 保罗 安东尼 帕克 韦德 威斯布鲁克
0.21229 0.93891 0.72162 0.42022 0.19275 0.45247 0.47633 0.55981 0.82804 0.63885
由上表可知得分排名詹姆斯>韦德>杜兰特>威斯布鲁克>帕克>安东尼>保罗>加索尔>
科比>哈登。勒布朗-詹姆斯的总分最高，因此我们能够充分的认为勒布朗-詹姆斯是这些球员中最有价值的球员。而的mvp得主是詹姆斯，虽然我们的方法与官方的专家的方法不一样，但是我们能够从中得到差不多的排名以及确定MVP球员的归属，进而说明我们这个层次分析法还是能够大致上计算出每个NBA最有价值球员。
3 灰色关联分析法
3.1 灰色关联的具体步骤
a.确定分析序列：在对所研究问题定性分析的基础上，确定一个因变量因素和多个自
'
变量因素。设因变量数据构成参考序列错误！未找到引用源。{X（}，各自变量数据构ik）
'成比较序列{X（}错误！未找到引用源。，表示如下：错误！未找到引用源。={错误！jk）
未找到引用源。，错误！未找到引用源。,…,错误！未找到引用源。}；错误！未找到引用源。={错误！未找到引用源。，错误！未找到引用源。,...,错误！未找到引用源。 }。式中：i=1,2,…m；j=1,2,…n。
b.对变量序列进行无量纲化：一般情况下，原始变量序列具有不同的量纲或数量级，为了保证分析结果的可靠性，需要对变量序列进行无量纲化，而后各因素形成序列错误！未找到引用源。,其中用初值化法进行无量纲化，用比较序列的指标值除以相应的参考序列的值。形成的序列表示如下：错误！未找到引用源。={错误！未找到引用源。，错误！未找到引用源。,…,错误！未找到引用源。}，i=1,2,…m。
c.求绝对差序列、最大差和最小差：根据量化以后的比较序列与参考序列，计算对应期的绝对差值，形成绝对差序列为{?（ }={错误！未找到引用源。，错误！未找到引用ik）源。?错误！未找到引用源。 }，i=1,2,…m。其中绝对差值中最大和最小数即为最大差和最小差。
d.对绝对差值阵中数据作如下变换?（ik）=错误！未找到引用源。?（min）???（max）
。得到关联系数矩阵： {?} ={?（,?（??}，i=1,2,?m。）（i1ik）i2im）
?oi（k）???（max）
ρ分辨系数 在（0，1）内取值。
e.计算关联度及根据关联度排序：对绝对差值阵数据作如下变换：错误！未找到引用源。roi=1/N[错误！未找到引用源。??]。对各比较序列与参考序列的关联度排序，（ik）关联度越大，说明比较序列与参考序列变化态势越一致。 3.1.1 确定分析序列
把所有球员的各项指标的最优值组成的系列作为参考系列。所谓的参考系列，就是比较的“母系列”，记作X0错误！未找到引用源。，记第1项指标的值为错误！未找到引用源。，第项指标的值为错误！未找到引用源。，第K项指标的值为错误！未找到引用源。。
这样参考系列错误！未找到引用源。可以表示为：
错误！未找到引用源。=｛错误！未找到引用源。，错误！未找到引用源。,…，错误！未找到引用源。｝（K=1，2，3，…，n）
同样，比较系列可写成：
错误！未找到引用源。=｛错误！未找到引用源。，错误！未找到引用源。,…，错误！未找到引用源。｝（K=1，2，3，…，n），…，
错误！未找到引用源。=｛错误！未找到引用源。，错误！未找到引用源。,…，错误！未找到引用源。｝（K=1，2，3，…，n）上述的参考系列与比较系列示于下表：
表3-1 球员数据参考系列和比较系列表
球员 科比错误！未找到引用源。 詹姆斯错误！未找到引用源。 杜兰特错误！未找到引用源。 加索尔错误！未找到引用源。 哈登错误！未找到引用源。 保罗错误！未找到引用源。 安东尼错误！未找到引用源。 帕克错误！未找到引用源。 韦德错误！未找到引用源。 威斯布鲁克错误！未找到引用源。
最优球员错误！未找到引用源。
主队战绩 客队战绩 得分 助攻 篮板 盖帽 抢断 命中 失误 犯规 29 37 34 32 29 32 31 35 37
16 29 26 24 16 24 23 23 29
27.3 26.8 28.1 14.1 25.9 16.9 28.7 20.3 21.2
6 7.3 4.6 4 5.8 9.7 2.6 7.6 5.1
5.6 8 7.9 7.8 4.9 3.7 6.9 3 5
0.3 0.9 1.3 1.7 0.5 0.1 0.5 0.1 0.8
1.4 1.7 1.4 1 1.8 2.4 0.8 0.8 1.9
0.46 0.57 0.51 0.49 0.44 0.48 0.45 0.52 0.52
3.7 3 3.5 2 3.8 2.3 2.6 2.6 2.8
2.2 1.4 1.8 3.2 2.3 2 3.1 1.4 2
34 26 23.2 7.4 5.2 0.3 1.8 0.44 3.3 2.3
37 29 28.7 9.7 8 1.7 2.4 0.57 2 1.4
3.1.2 无量纲化
一般情况下，原始变量序列具有不同的量纲或数量级，为了保证分析结果的可靠性，需要对变量序列进行无量纲化，常用的无量纲化有均值化法，初值化法，区间值化法等。在这里我们采用区间值化法。得到球员数据区间值化表（其中1，2，…10，分别指主队战绩，客队战绩，…，犯规）：
表3-2 球员数据区间值化表
球员
1 0 1 0.625 0.375 0 0.375 0.25 0.75 1 0.625 1
2 0 1 0.7692 0.6154 0 0.6154 0.5385 0.5385 1 0.7692 1
3
4
5 0.52 1 0.98 0.96 0.38 0.14 0.78 0 0.4 0.44 1
6 0.125 0.5 0.75 1 0.25 0 0.25 0 0.438 0.125 1
7 0.375 0.563 0.375 0.125 0.625 1 0 0 0.688 0.625 1
8
9
10
X1 X2 X3 X4
0.9041 0.4789 0.8699
0.662
0.1538 0.0556 0.5556 1
0.4444
1
0.9589 0.2817 0
0.1972
0.5385 0.1667 0.7778 0.3846 0
1 0
0 0.5
X5 X6 X7 X8 X9 X10
0.8082 0.4507 0.1918 1
1 0
0.3077 0.8333 0.6667 0.0769 0.6667 0.0556 0.6154 0.6667
1
0.4247 0.7042 0.4863 0.3521 0.6233 0.6761 1
1
0.6154 0.5556 0.6667 0 1
0.2778 1
0.5 1
X0
3.1.3 求关联度
比较序列和参考序列的绝对差：按错误！未找到引用源。=l错误！未找到引用源。-错误！未找到引用源。l公式得出：
表3-3 比较序列和参考序列绝对差表
球员
1
2
3
4
5
6
7
8
9
10
X0-X1 X0-X2 X0-X3 X0-X4 X0-X5 X0-X6 X0-X7
1 0 0.375 0.625 1 0.625 0.75
1 0 0.2308 0.3846 1 0.3846 0.4615
0.0959 0.5211 0.48 0.1301 0.338
0.875 0.625 0.8462 0.9444 0.4444 0.5 0.25 0 0.75 1 0.75
0.437
0.5556
0.0411 0.7183 0.02 1
0.8028 0.04
0.625 0.4615 0.8333 0.2222 0.875 0.6154 0.375 0 1
1
0 1
1 0.5
0.1918 0.5493 0.62 0.8082 0
0 1
0.86 0.22
0.6923 0.1667 0.3333 0.9231 0.3333 0.9444
X0-X8 X0-X9 X0-X10 X0
0.25 0 0.375
1
0.4615 0 0.2308
1
0.5753 0.2958 0.5137 0.6479
1 0.6
1 1 0.3846 0.3333 0
0.562 0.312 0.3846 0.4444 0.3333 0.875 0.375
1
1
0.3767 0.3239 0.56
1
1
1
1
1
0.7222
1
0.5
1
求两级最小差和最大差：按第一级最小差为错误！未找到引用源。=l错误！未找到引用源。-错误！未找到引用源。l =min{1，0，0.375，0.625，1，0.625，0.75，0.25，0，0.375}=0
同理错误！未找到引用源。～错误！未找到引用源。 =0
第二级最小差错误！未找到引用源。min=min{minI错误！未找到引用源。-错误！未找到引用源。}=min{0、0、0?}=0
同时第二级最大差错误！未找到引用源。max=max{maxI错误！未找到引用源。-错误！未找到引用源。}=max{1，0，0.375，0.625，1，0.625，0.75，0.25，0，0.375}=1 取错误！未找到引用源。=0.5，根据公式?=错误！未找到引用源。计算?及错误！（（ik）ik）未找到引用源。具体数值见下表：
表3-4 球员各项指标关联度值
1 2 3 4 5 6 7 8 9 10
X1 X2 X3 X4
0.3333 1 0.5714 0.4444 0.3333 0.4444 0.4
0.333 0.8391 1 0.684
0.49 0.51 1 0.962 0.926 0.446 0.368 0.694
0.36 0.444 0.5
0.534
0.371 0.3462 0.529 1 0.52 0.448
0.4737 0.375 1
1 0.692 0.333 0.5 0.6 0.346
0.7935 0.597 0.924
0.41
0.67 0.444 1 0.4 0.33 0.4
0.364 0.571 1 0.333
0.565 0.3333 0.384 0.333 0.7228 0.477 0.565 0.3822 0.52
1
1 0.333
X5 X6 X7
0.333 0.3333 0.419 0.351
0.75 0.6
X8 X9 X10
0.6667 1 0.5714
0.52 1
0.465 0.628 0.333 0.455 0.472
0.33 0.333 0.47 0.616 0.36 0.571
0.565 0.6 1 0.6 0.5
0.4932 0.436 0.565 0.5294 0.333 0.4091
0.684 0.5703 0.607
根据公式roi=1/N[错误！未找到引用源。??]得到的关联度值如下： （ik）
表3-5 球员指标关联度终值表
科比
詹姆斯 杜兰特 0.625
加索尔 哈登 保罗 安东尼 帕克 韦德 威斯布鲁克
0.45607 0.7897
0.5798 0.445 0.5862 0.498 0.545 0.6165 0.5082
3.2 灰色关联结论
有上面的计算球员的指标关联度值如下表：
表3-6 球员指标关联度终值表
科比
詹姆斯 杜兰特 0.625
加索尔 哈登 保罗 安东尼 帕克 韦德 威斯布鲁克
0.45607 0.7897
0.5798 0.445 0.5862 0.498 0.545 0.6165 0.5082
由上表，按灰色关联度排序可以看出，詹姆斯>杜兰特>韦德>保罗>加索尔>帕克>威斯布鲁克>安东尼>科比>哈登.由于詹姆斯与虚拟最优球员的关联度最大，亦即詹姆斯优于其他球员，即詹姆斯应该为最有价值球员。而20的mvp得主是詹姆斯，虽然我们的方法与官方的专家的方法不一样，但是我们能够从中得到差不多的排名以及确定MVP球员的归属，进而说明我们灰色关联分析法还是能够大致上计算出NBA最有价值球员。
3 结论
从上面结果可得层次分析法的最终排序是：詹姆斯>韦德>杜兰特>威斯布鲁克>帕克>安东尼>保罗>加索尔>科比>哈登。灰色关联的最终排序是：詹姆斯>杜兰特>韦德>保罗>加索尔>帕克>威斯布鲁克>安东尼>科比>哈登。而参考NBA官网的数据常规赛最有价值球员的排名是詹姆斯>杜兰特>安东尼>保罗>科比>帕克>威斯布鲁克>韦德>加索尔>哈登。对比发现两种方法与最终结果都很接近，但都有不同程度的差异，仔细分析发现灰色关联与最终结果差异更小。
对比两种方法的计算过程可以看到，层次分析法概念直观，计算方便，容易理解。但是该方法最大的缺憾是主观性强，客观性较差。由于样本的重要性本身就是个模糊的概念，所以对于样本的重要性比较，不同的人可能给出不同的结论，而且根据个人的素质、学识、能力与价值观等，难免会对某些样本产生过于偏爱的倾向。另外该方法在实际操作中，要
请相关方面的专家、有经验的人员等进行判断，同时还要考虑到专家的结构和素质。所以该方法虽然计算方便，但它的实际操作过程却比较复杂。在用灰色关联时，它的最大优点是客观性强，避免了人的主观判断带来的影响。该方法利用样本数据经过一系列的数学计算，得到权重，实际上结论完全是由数字信息得来的。相对于层次分析法来说，该方法的操作比较简单，应用者一旦掌握，可以自己对数据进行处理，得到结论。但该方法的计算相对较为复杂，如果不熟悉的话，建议采用层次分析法。
综上所述层次分析法概念直观，计算方便，容易理解，但是主观性强，客观性较差且精确度不高。反观灰色关联分析客观性较强，精确度较高，但是计算比较繁琐。因此我们得出以下结论更适合用层次分析法的情形有：
（1）决策分析中，存在一些无法测量的因素。 （2）决策因素不会过多且决策时间充足的情况下。 （3）对决策结果精确度要求不高。
（4）无结构特性的系统评价以及多目标、多准则、多时期等的系统评价。 （5）特征值和特征向量的精确求法比较简单。 更适合用灰色关联分析法的情形有：
（1）指标过多时数据统计量大，且权重难以确定。
（2）因素过多时，标度工作量大，大大影响判断矩阵的准确性。 （3）对结果的精确度要求高。 （4）动态历程的分析。
（5）要在短时间内做出决策情况下（对灰色计算有一定的了解）。
参考文献：
[1]陈东彦.李冬梅.王树忠.数学建模[M].北京:科学出版社，，353-371. [2]姜启源.谢金星.叶俊.数学模型[M].北京:高等教育出版社，，249-269. [3]陈恩水.王峰.数学建模与实验[M].北京:科学出版社，，48-56.
[4]陈光亭.裘哲勇.王树忠.数学建模[M].北京:高等教育出版社，，262-287. [5]蔡伟章.数学建模[M].北京:高等教育出版社，，186-196.
[6]李彦刚.祁忠斌.王树忠.数学建模方法引论[M].北京:北京理工大学出版社，，172-180. [7]刘锋.数学建模[M].南京:南京大学出版社，，232-245.
[8]王敏生.王庚.王树忠.现代数学建模方法[M].北京:科学出版社，2008，145-159. [9]张智光.绿色中国理论战略与应用[J].北京:中国环境出版社，2010，372-383. [10]赵文会.排污权交易市场理论与实践[J].北京:中国电力出版社，2010，200-203. [11]王伟军.蔡过沛.信息分析方法与应用[J].北京:北京市交通大学出版社，2010，133-142. [12]杜跃平.段利民.技术创业技术项目评价与选择[J]西安:西安电子科技大学出版社，2010，147-150.
[13]严祖文.彭雪灰. 病险水库除险加固风险决策[J].北京:中国水利水电出版社，2011，85-87. [14]司守奎.孙玺菁.绿色中国理论战略与应用[J].北京:中国环境出版社，2011，358-360. [15]彭云飞.沈曦.经济管理中常用数量方法[J].北京:经济管理出版社，2011，241-249. [16]董文永.刘进.丁建立.最优化技术与数学建模[J].北京:清华大学出版社，2010，286-296. [17]王庆东.不确定性数学方法及其应用[J].北京:兵器工业出版社，2008，168-173.
附录
表（1）关于球队战绩和比赛数据重要程度的比例调查：
数据统一化程序：
a=[29 16 27.3 6 5.6 0.3 1.4 0.46 3.7 2.2 37 29 26.8 7.3 8 0.9 1.7 0.57 3 1.4 34 26 28.1 4.6 7.9 1.3 1.4 0.51 3.5 1.8 32 24 14.1 4 7.8 1.7 1 0.49 2 3.2 29 16 25.9 5.8 4.9 0.5 1.8 0.44 3.8 2.3 32 24 16.9 9.7 3.7 0.1 2.4 0.48 2.3 2 31 23 28.7 2.6 6.9 0.5 0.8 0.45 2.6 3.1 35 23 20.3 7.6 3 0.1 0.8 0.52 2.6 1.4 37 29 21.2 5.1 5 0.8 1.9 0.52 2.8 2 34 26 23.2 7.4 5.2 0.3 1.8 0.44 3.3 2.3]; bmax=max(a);bmin=min(a);
for i=1:10;
A=bmax(:,i)-bmin(:,i); B=a(:,i)-bmin(:,i); S=B/A End S=
0 S= 0 S= S= S= 0.52 S= 0.125 S= 0.375 S= S= S= 0.9041 0.4789 0.1538 0.9444 0.4444 1
1
0.625 0.7692 0.375 0.6154 0
0 0.375 0.6154 0.25 0.5385 0.75 0.5385 1
1
0.625 0.7692
0.8699 0.662 0.9589 0.28810
0.1972 0.8082 0.4507 0.1918 1 1
0.4247 0.7042
0.4863 0.3521
0.6233 0.6761
1 0.5 0.98 0.75 0.96 1 0.38 0.25 0.14 0 0.78 0.25 0 0 0.4 0.4375 0.44
0.125
致 谢
0.5625 1 0.375 0.5385 0.125 0.3846 0.625 0
1 0.3077 0 0.0769 0 0.6154 0.6875 0.6154 0.625
0.5556 0 0.8333 0．22
0 1 1
0.5
0.1667 0．330.3333 0.9444 0.3333 0 0.4444 0.3333
0.7222
0.5
篇5：农业科技灰色关联熵分析论文
1引言
农业的发展变化时刻受着农业科技的影响，探讨农业科技发展变化的相关影响因素就显得很重要。在这方面，国内的学者无论从理论上还是实践上都进行了深入广泛的研究，并取得了比较有意义的研究成果，肯定了农业发展进程中科技因素的重要性。目前的研究方法更多集中在农业科技的评价、测度，也通过建立相关指标来探究农业科技的发展情况，目前比较常用的评价农业科技发展情况方法有测算贡献率的比较法、单一指标评价法以及总体评价方法，这些方法能比较全面的衡量某一时期农业科技的发展水平。刘明、王克林提出目前我国农业现代化进程测度的支撑技术———多指标综合测度法的优化方案，来实现对农业现代化进程时空上动态特征的量化分析。卢亚丽、傅新红提出了区域农业科技进步测度模型的设计的依据和应该遵循的原则，并构造了一个测度模型。以上研究仅从测度和评价的角度对农业科技的发展变化进行了研究，为了能更深入的研究农业科技的发展变化情况，本文将以系统思想为研究基础，结合灰色系统理论来探讨农业科技系统的发展变化状况。
2基于灰关联熵的农业科技系统演化方向判别模型
2．1农业科技系统的有序性分析
由于农业科技时刻都在发展进步中，因此整个农业科技系统充满随机和不确定性，在对农业科技系统分析的时候，把其看作是一类灰色系统，根据灰色系统理论中的关联分析原理，来做定量描述分析，揭示农业科技发展水平和合理阈值之间的关联程度，获得的关联系数越大，就表示系统的有序性越强，所以计算性越强。但由于农业科技系统的多目标性，所获得的关联系数也比较多，不能很好的反映农业科技系统整体的变化规律，为了解决这个问题，可以将这种关联系数的变化规律用熵来表述，通过不同时段系统熵的变化来对其演化方向进行判别。
篇6：农业科技灰色关联熵分析论文
（1）有关的模型。农业科技系统演化发展的灰色关联系数：设时间序列为xi＝（xi（1），xi（2），…，xi（m）），xi（m）表示在第m年第i个指标的数值。首先：要获得每个数列的初值像，令X′i＝Xi／xi（1）＝（x′i（1），x′i（2），…，x′i（m）），i＝1，2，…，n。第二步：获得序列差的值。有Δi（k）＝｜x′o（k）－x′i（k）｜，Δi＝（Δi（1），Δi（2），…，Δi（m）），i＝1，2，…，n。第三步，来求两极的最大差与最小差。因此，记M＝maximaxkΔi（k），m＝miniminkΔi（k）。最后，获得所需要的关联系数γoi（k）＝m＋ζMΔi（k）＋ζM，ζ∈（0，1），i＝1，2，…，n；k＝1，2，…，m。（1）按照信息熵的概念做如下定义：定义1：设数列X＝（x1，x2，…，xn），xi≥0，且叮i＝1，称函数叮睿ilogxi为序列X的灰熵，xi为属性信息。定义2：设X为比较列，Y为参考列，Rj＝｛ζ（x（k），y（k））｝k＝1，2，…，n，则映射Map：Rj→Pj，Pi＝ζ（x（i），y（i））／叮瞀疲ǎ（i），y（i）），Pi海校辏i＝1，2，…，n为灰色关联系数分布映射，映射值称为分布的密度值。根据灰熵定义，以及灰关联分布映射，灰关联熵可以表示为：S（t）＝－叮睿椋剑保校椋欤铮纾校椋ǎ玻┦街校樱ǎ簦┪农业科技系统在第t时段的灰色关联熵，它表示此时刻农业科技系统的状态，系统状态发生变化，相应熵值也就发生变化。由于农业科技系统耗散性的特点，系统能量不会消失，与外界进行着物质与能量的交换，总熵有增有减，由熵的有序度联系可知，农业科技系统的演变方向即可良性化，也可恶性化，这取决于系统熵的变化机制。为此，可以借助熵的变化理论建立农业科技系统演化方向的判别模型，作为检验和判断系统演变规律的方法。ΔS＝S（m）－S（n）（3）其中，S（m）为系统在m时点的熵值，S（n）为系统在n时点的熵值，而两者之差即为两个时间段下农业科技系统与外界发生能量和物质交换所引起的熵变，根据熵变值ΔS的大小，即可判断农业科技系统演化过程中所处的状态以及演化的方向：当ΔS＞0时，系统出现了熵增，系统无序状态增大，此时系统的演化循环处于恶性。当ΔS＜0时，系统出现了熵减，系统有序度状态增强，此时系统的循环演化处于良性，并且此时系统最稳定。当ΔS＝0时，表明系统在某段时间间隔内熵无变化，此时系统状态和初始状态一致。
3实证研究
为了能更清楚的认识农业科技系统演化发展的状况，就有必要通过实证分析来论证。由于农业科学技术一直在发展更新，因此整个农业科技系统的演化也在不断进行。农业科学技术的进步有很多方面可以体现出来，为了论证的方便，本文选取两个大的类别：农业机械技术和农业生物化学技术。能表征这两方面技术发展水平的指标比较多，为了能较全面的反映农业科技演化的情况，本文从众多的指标中选取有代表性的，同时参考以下几个方面：（1）指标的选取必须尽量全面、完整，而且所选取的指标能根据不同的要求来考查。（2）要选取有代表性的和典型性的指标，对于表征的含义相同、相近或者具有较大关联性的指标不予考虑，所选取的指标尽可能的含有更多的信息量，以此来反映问题的不同方面。（3）选取的指标应该具有实用性和可行性，能反映某一时期的农业科学技术水平，并且能有明确的含义，更易于量化分析和评价。根据以上几点的要求，本文选取农业机械化、电气化、水利化和生物化学化这四个方面来反映农业科技在某一时期的发展水平。具体而言，这四个方面分别指的是指的是农业机械总动力、农村用电量、化肥施用量和农药施用量、有效灌溉面积。本文参考《河南省统计年鉴》（2001－2009年）获得相关数据见表1。利用表征农业技术发展程度的农业机械总动力、农业的用电量、化肥施用量、农药使用量、有效灌溉面积这五个指标作为比较数列Xi＝｛Xi（t），t｝＝1，2，…9，i＝1，2，3，4，5，取农业总产值作为参考列X0＝｛X0（t），t＝1，2，…，9｝，计算X1，X2，X3，X4，X5与X0之间的灰色关联系数。由此得出X0与X1，X2，X3，X4，X5间的`关联度为：γ01＝0．7081，γ02＝0．6332，γ03＝0．6698，γ04＝0．7644，γ05＝0．6358。根据灰色关联熵的相关理论可知，在系统的发展变化过程中，表征农业科技系统某一时期发展水平的值与某一合理阈值的关联系数越大，则演化过程中系统的有序性就越强。根据所获得的数据可以看出，河南省农业电气化和农业化学化的发展相对于其他方面呈现出较强的有序性，农业机械化的发展过程中的有序性最弱。农业的现代化发展过程中，电力、农药化肥、机械设备必不可少，由于河南人口众多，农业的发展主要以家庭为单位，大规模机械化耕作不能实现。由于近几年政府一直加大农村电网的改造，农村电力基础设施日趋完善，有助于农业科技的发展。通过改善化肥的效用和农药的功效，可以不断的增加农业的产值。由于河南省人口众多，加上不同地区的地貌差异比较大，山区农业机械化的推广就要比平原地区难很多，个体农业耕种都会影响农业机械化的使用效率，进而就会影响对农业科技系统的演化进程。另外，国家政策、农业发展资金、劳动力素质以及气候等的原因，都会对农业科技系统的演化发展有影响。为更进一步了解农业科技系统演化的情况如何，本文根据熵变理论，把上述时间分为几个时间段，求其不同时间段的灰关联熵，以此来判定农业科技系统的演化方向。根据熵的变化理论，经过计算得出以上的灰关联熵值，可以看出，所选取的五个反映农业科技发展水平的指标，随着时间的发展，熵值都呈递减趋势，也反映了农业科技系统的演化发展是良性的。如果将三个时间段的数据相加可以得到s1＝6．8122，s2＝4．4978，s3＝3．3204，可以看到熵值总体也在递减，农业科技系统处于良性循环的演化发展过程中，也表明系统的功能处于一个稳定的状态。
4结论
就本文选用的指标，根据所获得的数据，可以看出，河南省农业科技系统演化的状态是良性的，但是就单个反映农业科技发展水平的指标而言，部门之间还是有一定的差异的。根据上文的数据可知，农业产值与农业电气化、生物化学化的关联性更紧密一些，即这些部门的演化发展情况要好于其他部门。也表明在农业科技的发展过程中，对现代信息工业科学技术的利用还是明显不足，无法推广精准农业。而且化肥和农药的大量使用，对环境是一个很大的潜在威胁，因此这就要求政府在考虑发展的时候，能加大对农业的科技投入，是发展更为和谐。由于选用指标的限制，本文还不能完全体现出整个农业科技系统的发展演化情况，本文的研究结果也仅仅以河南的农业发展情况为基础，也比较符合河南省农业发展的实际，也为决策者提供一定的参考依据。
篇7：一种部分权重信息的灰色多属性群决策方法
一种部分权重信息的灰色多属性群决策方法
基于灰色系统理论的思想和方法,探讨了决策方案的属性值为区间灰数及权重信息部分已知的灰色多属性群决策问题.根据区间灰数的本质,定义了两区间灰数的相离度.引入了个体理想最优方案向量、群体综合关联度等概念及其计算公式.构建了基于区间灰数相离度的灰色区间关联系数公式及灰色区间关联度.对于各方案的区间型群体综合关联度的比较和排序,给出了基于最小最大化悔值方法.实例分析说明了所提出的`灰色多属性群决策方法的合理性及其算法的有效性.
作 者：陈孝新 刘思峰 CHEN Xiao-xin LIU Si-feng 作者单位：陈孝新,CHEN Xiao-xin(南京航空航天大学经济与管理学院,江苏,南京,210016;江西财经大学信息管理学院,江西,南昌,330013)刘思峰,LIU Si-feng(南京航空航天大学经济与管理学院,江苏,南京,210016)
刊 名：系统工程与电子技术 ISTIC EI PKU英文刊名：SYSTEMS ENGINEERING AND ELECTRONICS 年，卷(期)：2009 31(4) 分类号：C934 N945 关键词：灰色系统 区间灰数 灰色关联系数 群体综合关联度 最小最大化悔值排序 群决策
文档为doc格式