灰色关联分析 程序 综合评价向量计算

对于多级评价模型，首先要对低级“子节点”计算综合评价向量灰色关联分析 程序，并将评价向量作为“父节点”“原始数据”的向量行。 通过重复这种从低层到高层的转换，最终可以得到树的根节点矩阵的综合评价向量。

可以看出，整个评估过程可以分为两个部分。 一部分是计算某一级别上所有节点（指标）的综合评价向量，另一部分是在一定条件下将此操作从一个级别转移到另一级别。 更高层次的晋升。 其中，前者是关键部分，所以这里只关注这部分的程序实现。

根据第2章灰色关联法的研究分析灰色关联分析 程序，计算综合评价向量的主要步骤如下：

1）从原始数据矩阵中获取最优指标集；

2）指标值和差分序列的标准化处理；

3）计算相关度。

多级综合评价向量的计算流程如图3.5所示。

3.4.2.1 最优指标集的计算

最优指标集可以视为灰色关联法评价模型的“标准对象”。 在评价一个未知物体时，必须将其与这个“标准物体”进行比较，以获得两者之间的相关性，即相关系数。

计算最优指标集的主要代码如下：

多信息断层封闭性综合评价系统研究与应用

图3.5 灰色关联法综合评价向量计算流程图

3.4.2.2 指标及差异序列的标准化处理

由于评价指标的实际含义不同，一些数值的大小差异很大。 为了便于分析和应用，保证各因素的等价性和同源性，需要对原始数据进行无量纲化和归一化，即标准化。 。

在该软件中，使用平均值对原始数据进行归一化。

差分序列本质上是求对象指标与最优指标之间的最大差值和最小差值。 这两个值将用来求对象与“标准对象”之间的相关系数，即相关程度。

指标和差分序列归一化处理的程序实现主要代码如下：

多信息断层封闭性综合评价系统研究与应用

3.4.2.3 相关度计算

相关度标志着评价对象与“标准对象”的相关程度。 相关性越大，则对应的评价对象相对于其他对象越好。

求出最大差值和最小差值后，利用式(2-52)可得到相关系数，再利用式(2-41)可得到相关向量，即综合评价向量权重向量和相关系数向量。 这部分程序主要实现的代码如下：

多信息断层封闭性综合评价系统研究与应用

多信息断层封闭性综合评价系统研究与应用