数学建模【系统评价决策模型(概论、案例分析-汽车选购、层次分析法、案例分析-职员晋升、动态加权综合评价法、案例分析-大气污染问题)】

【MOOC数学建模与实验---学习笔记---整理汇总表】

【学习网址：MOOC---郑州轻工业大学---数学建模与实验】

【第1、2章】【概述、软件介绍】

【第3章】【数据处理方法】

【第4章】【规划模型】

【第5章】【图与网络模型】

【第6章】【微分方程模型】

【第7章】【统计模型】

【第8章】【系统评价决策模型】

【各个章节---作业题解析】

目录

8.1 系统评价决策模型概论

8.1.1 问题的引入

8.1.2 系统评价决策模型的基本概念

8.1.3 系统评价决策模型的要素

8.1.4 系统评价决策模型的步骤

8.1.5 评价指标的规范化处理

1.评价指标类型的一致化处理

2.评价指标的无量纲化

8.1.6 系统评价模型的建立

1.线性加权综合法（加权和法）

2.非线性加权综合法（加权积法）

3.逼近理想点法（简称TOPSIS法）

8.2 案例分析-汽车选购

8.2.1 问题引入

8.2.2 决策矩阵的规范化

8.2.3 属性权重的确定

信息熵法

8.2.4 系统决策模型的构建

线性加权和非线性加权

逼近理想点（TOPSIS）

8.2.5 系统评价模型的步骤

8.3 层次分析法

8.3.1 层次分析法概论

8.3.2 层次分析法的步骤

1、建立层次分析结构（层次分析图）

2、构造两两比较矩阵

3、相对权重向量的确定

4、判断矩阵的一致性检验和一致性指标

5、比较矩阵的一致性检验及权重

6、计算组合权重和组合一致性检验

7、比较矩阵的一致性检验及权重

8.3.3 层次分析法的应用范围

8.3.4 层次分析法的优缺点

优点

缺点

8.4 案例分析-职员晋升

8.4.1 引例--职员晋升

层次分析法的步骤

8.4.2 建立层次结构图

8.4.3 准则层对目标层的相对权重向量

构造准则层对目标层的比较矩阵

一致性检验

8.4.4 综合权重向量及排序结果

8.4.5 职员晋升问题再讨论

8.4.6 层次分析法与系统综合评价的比较

8.5 动态加权综合评价法

8.5.1 引例

8.5.2 动态加权评价法的一般提法

评价指标的标准化处理

8.5.3 动态加权函数的设定

1.分段变幂函数

2.偏大型正态分布函数

3.S型分布函数

8.5.4 综合评价模型的构建

8.5.5 动态综合评价方法的特点

8.6 案例分析-大气污染问题

8.6.1 问题的引入

8.6.2 问题的分析

8.6.3 基本假设及符号说明

1. 基本假设

2. 符号说明

8.6.4 模型的建立

1. 评价指标的规范化处理

2. 动态加权函数的确定

3. 综合评价模型的建立

8.6.5 模型的求解与分析

1. 算法

2. 求解及分析

8.6.6 模型的评价与推广

1. 模型的评价

2.模型的推广

画图、数据处理（插值、拟合）、最优规划（线性规划、整数规划）、概率模型...

社会常见问题（评价问题）：选优、排序、分类、

本章主要内容

8.1 系统评价决策模型概论 综合评价模型选优排序

8.2 案例分析：汽车选购

8.3 层次分析法

8.4 案例分析：职员晋升

8.5 动态加权评价法

8.6 案例分析：大气污染问题

8.7 大气污染问题的MATLAB实现

8.1 系统评价决策模型概论

8.1.1 问题的引入

8.1.2 系统评价决策模型的基本概念

8.1.3 系统评价决策模型的要素

8.1.4 系统评价决策模型的步骤

8.1.5 评价指标的规范化处理

8.1.6 系统评价模型的建立

8.1.1 问题的引入

汽车选购

选购一辆私家车是许多进入稳定社会生活的人们要费心考虑的事情之一。

由于经济情况、生活习惯、兴趣追求等方面的差别，他们选购汽车的标准自然不会相同。

可以认为主要会考虑经济适用，性能良好、款式新颖3个要素，只不过每个人对3个因素的侧重有所不同。

初入社会的年轻人可能以经济适用为重，有一定经济实力的中年人更注重性能良好，经济实力很强的年轻人则可能更钟情于款式新颖。

如果某个人对这3个因素在汽车选购这一目标的重要性已经有了大致比较，也确定了待选的若干型号汽车，那么他必要深入了解每一种待选的汽车，以便对各种汽车在每个因素的优劣程度做出基本的判断。最后，他要根据以上信息对待选汽车进行综合评价，从而为选购哪种汽车做出决策。 综合评价问题 --> 选购哪种汽车，做出决策。

假期旅游地

假期旅游，是去风光绮丽的苏杭，还是迷人的北戴河海滨，抑或山水甲天下的桂林，这与旅游地的景色、旅途的费用、吃住条件等因素在你心目中的重要程度有关。 综合考虑

汽车选购

假期旅游地

工作岗位的选择 国企、私企、科研院所：薪酬、地域（北、上、广）、发展前景

队员选拔、设备采购、研究课题选择等

特点：需要考虑的因素经常涉及经济、社会、人文、环境等领域，而对于它们的重要性、影响力作比较、评价时缺乏客观的标准，待选对象对于这些因素的优劣程度也往往难以量化。

这就给用数学建模解决一大类实际问题带来困难。

系统评价决策模型和层次分析法是处理这类评价决策问题的常用方法。

8.1.2 系统评价决策模型的基本概念

系统评价决策问题：指人们为了一个特定的目的，要在若干备选方案（如几种型号的汽车）中确定一个最优的，或者对这些方案按照优劣程度排序或者分类，或者需要给出优劣程度的数量结果，而方案的优劣由若干属性（如汽车的价格、性能、款式等因素）给以定量或定性的表述。这类又问题称为多属性（多指标）的系统综合评价问题，它是研究多目标决策问题的前提。 决策理论

一般地说，系统评价决策模型包含以下要素：【决策目标、备选方案、评价指标、属性权重、综合评价模型、评价者】

8.1.3 系统评价决策模型的要素

一个评价决策模型有以下六个要素，分别是决策目标、备选方案、评价指标、属性权重、综合评价模型、评价者。

1、决策目标

综合评价问题中评价的目的、目标，由实际问题本身所决定的，少有选择的余地。

2、备选方案

又称被评价对象或系统，是综合评价问题中所研究的对象，也由实际问题本身所决定的，少有选择的余地。

通常情况下，在一个问题中被评价对象是属于同一类的，个数至少大于1。

不妨设一个评价问题里有n个被评价对象（系统），分别记为 $S_{1}$ ，S2，…， $S_{n}$ （n > 1）。

3、评价指标【★★★重要★★★】

反映被评价对象（或系统）的运行（或发展）状况的基本要素。

通常的问题都是有多项指标（属性）构成，每一项指标都是从不同的侧面刻画系统所具有某种特征大小的一个度量。

一个综合评价问题的评价指标一般可用一个向量表示，其中每一个分量就是从一个侧面反应系统的状态，即称为综合评价问题的指标体系（或属性集合）。

评价指标体系应遵循的原则：系统性、科学性、可比性、可测性（即可观测性）和独立性。全面考虑各个因素、影响力、重要性指标与指标之间，应尽量独立：关联性不能太强；否则建立模型后，会产生叠加影响，造成评价结果失误。尽量选择定量指标；选择定性指标，需要具有可比性...

这里不妨设系统里有m个指标，分别记 $x_{1}$ ， $x_{2}$ ，…， $x_{m}$ （m>1），即评价指标向量为 $x = (x_{1} , x_{2} ,...,x_{m}) ^{T}$ （m>1）。

将以方案为行、属性为列，以每一个方案对每一个属性的取值（指标观测值）为元素形成的矩阵叫决策矩阵，用以表示方案对属性的优劣和偏好。 n个方案、m个属性

当某一属性可以定量描述时（如汽车的价格），矩阵的这一列元素的数值比较容易得到，而当属性只能定性描述时（如汽车的款式），这一列元素的数值就需要寻求合适的方法确定。条理清楚

4、属性权重（权重系数）【★★★重要★★★】

每一综合评价的问题都有相应的评价目的，针对某种评价目的，各评价指标之间的相对重要性是不同的，评价指标之间的这种相对重要性的大小可以用权重系数来刻画。行文关键：属性权重分配的原因。为什么这样分配；理由；采用哪种方法，为什么采用此方法。属性权重分配方法：信息熵法、层次分析法...

一般用 $w_{j}$ 来表示评价指标 $x_{j}$ （j=1，2，…，m）的权重系数，其中 $w_{j}$ ≥0（j=1，2，…，m）且 $\sum_{j=1}^{n}\omega _{j}=1$ 。

注：当被评价对象和评价指标被确定后，问题的综合评价结果就完全依赖于权重系数的取值了。

5、综合评价模型【★★★重要★★★】

对于多指标（或多属性）的综合评价问题，就是要通过建立合适的综合评价数学模型将多个评价指标综合成为一个整体的综合评价指标，同时将属性指标和属性权重加以综合，作为综合评价的依据，从而得到相应的评价结果或最终决策。

6、评价者

又称决策者；是直接参与评价的人，可以是某一个人，也可以是一个团体。对于评价目的选择、评价指标体系确定、评价模型的建立和权重系数的确定都与评价者有关。 客观性、可行性、查阅大量资料、专家评定法、背景知识支持

8.1.4 系统评价决策模型的步骤

明确决策目标；

确定备选方案； 确定所有被评价对象

建立评价指标体系（包括评价指标的原始值、评价指标的若干预处理等）；选择合适的、可比的、科学系统的评价指标；根据评价指标的可比性、可测性、独立性，找出评价指标的原始值；为了评价结果的可行性与科学性，需要对指标做预处理。

确定与各项评价指标相对应的权重系数；

选择或构造综合评价模型；

计算各系统的综合评价值，并给出综合评价结果。根据结果，选优、排序

8.1.5 评价指标的规范化处理

对评价指标的原始值进行规范化处理（预处理）。确定权重系数、评价指标的规范化值后，建立系统评价模型。

“评价指标的规范化处理”可作为数模论文小标题。

1.评价指标类型的一致化处理

一般来说，在评价指标x1,x2,…,xm(m>1)中可能包括“极大型”指标、“极小型”指标、“中间型”指标和 “区间型”指标。

极大型指标：总是期望指标的取值越大越好； 效益型指标

极小型指标：总是期望指标的取值越小越好； 费用型指标

中间型指标：总是期望指标的取值既不要太大，也不要太小，即取适当的中间值最好；

区间型指标：总是期望指标的取值最好是落在某一个确定的区间内最好。

极大型指标和极小型指标又被称为效益型指标和费用型指标。

极大型指标，如：收益、利润；

极小型指标，如：成本、能耗；

区间型指标，如：环境温度、湿度、人的身高、体重、BMI；

中间型指标，如：水质量评估中PH值。

进行综合评价的过程中，将指标一致化（一样的指标类型），要么极小(综合评价值越小越好)，要么极大(...)。评价指标预处理的过程中，首先将指标一致化处理。根据决策目标、实际问题来决定目标是极小还是极大！预处理数据最好不要产生大的变动。

倒带换

2.评价指标的无量纲化

在实际中，评价指标x1,x2,…,xm(m>1)之间往往都存在着各种不同的单位和数量级，使得这些指标之间存在着不可公度性，这就给综合评价带来了困难，尤其是为评价指标体系的建立和依据这些指标的大小排序产生了不合理。量纲：单位

如果不对这些指标做相应的无量纲处理，则在综合评价过程中就会出现“大数吃小数”的错误结果，从而导致最后得到错误的评价结论。

无量纲化处理又称指标数据的标准化，或规范化处理。

常用的方法有：标准差方法、极差方法和功效系数法等。

n个备选方案，m个评价指标

显然的均值和方差分别为0和1，即是无量纲的指标，称之为 $x_{ij}$ 标准观测值。

8.1.6 系统评价模型的建立

m个备选方案：将 m个备选方案综合起来。

1.线性加权综合法（加权和法）

线性加权函数

$y=\sum_{j=1}^{m}w_{j}x_{j}$

针对某个评价系统，把此评价系统的观测值与对应属性的权重做点乘，累加。得到每个属性综合值。-> 线性加权综合评价模型

适用范围：各评价指标之间相互独立。

对于不完全独立的情况采用该方法，其结果将导致各指标间信息的重复，使得评价结果不能客观反映实际。

优点：

①该方法使得各评价指标间作用得到线性补偿，保证综合指标的公平性；

②该方法中权重系数对评价结果的影响明显，即权重较大的指标值对综合指标作用大；指标值：[0, 1]

③当权重系数预先给定时，该方法使评价结果对于各备选方案之间的差异性不敏感；

④该方法计算简便，可操作性强，便于推广使用。

2.非线性加权综合法（加权积法）

非线性加权函数

$y = \prod_{j=1}^{m}x_{j}^{w_{j}}$ 其中 $x_{j}\geq 1$

适用范围：各评价指标之间有较强关联。

优点：

①该方法突出了各备选方案指标值的一致性，既可以平衡评价指标值较小的指标影响的作用；

②权重系数大小的影响作用不是特别明显，而对指标值的大小差异相对敏感；

③要求所有的评价指标值（无量纲）都大于或等于1；

④非线性加权法相对于线性加权法计算复杂。线性加权法：不便于推广

3.逼近理想点法（简称TOPSIS法）

欧氏距离、马氏距离

8.2 案例分析-汽车选购

8.2.1 问题引入

8.2.2 决策矩阵的规范化

8.2.3 属性权重的确定

8.2.4 系统决策模型的构建

8.2.1 问题引入

假定3种型号的汽车（相当于3个方案）供选购，记做S1、S2、S3，3个属性（评价指标）为价格、性能和款式，依次记为x1、x2、x3，具体数据如下表。

性能、款式，满分为10分打分

表格中数据表示每个方案Si对属性xj的取值 $x_{ij}$ ，也称属性值（指标观测值）。

表一的数据我们可以用（原始）决策矩阵表示为

指标观测值 --> 决策矩阵

决策矩阵的获得一般有两种途径，一种是直接通过测量或调查得到，如表1中的价格，这是偏于客观（定量）的方法；另一种是由决策者或请专家评定，这偏主观（定性）的方法。

8.2.2 决策矩阵的规范化

决策矩阵的每一列表示各方案对某一属性的属性值，由于通常各属性的物理意义各不相同，在下一步分析之前，需将决策矩阵规范化。

进行规范化时首先需要区分效益型属性（极大型指标）和费用型属性（极小型指标），前者指属性值越大，该属性对决策的重要程度越高，后者正相反。

汽车选购中的属性x2 ,x3 是效益型的，而x1是费用型的，三个属性中两个是效益型的，故将全部属性值统一为效益型的。

汽车选购中的属性x2 ,x3 是效益型的，而x1是费用型的，三个属性中两个是效益型的，故将全部属性值统一为效益型的。

用取倒数的方法可将汽车选购中的决策矩阵重新表示为：

一致化处理

无量纲化处理方法：

模一化：列向量单位化

按“列”进行处理，保证每一列的处理方法统一。

汽车选购的决策矩阵X经过(1)(2)(3)式标准化后分别

通过计算与观察，经过规范化后的决策矩阵，每个数值都是介于0、1之间，消除了各个指标量纲的影响。

经过此处理，决策矩阵的各个属性值就处于同一数量级，适合进行成对比较。

8.2.3 属性权重的确定

信息熵法

各个指标对于决策目标的影响程度称为属性权重（权重系数），用 $w_{j}$ 来表示评价指标 $x_{j}$ (j=1, 2, …, m)的权重系数，则应有 $\sum_{j=1}^{n}w_{j}=1$ 。

属性权重的确定也有偏于主观和客观两种方法，偏于主观的方法可以由决策者根据决策目的和经验先验地给出，如层次分析法中利用比较矩阵的最大特征值对应的特征向量来作为权重，这里不再赘述。

下面我们介绍一种偏于客观的典型方法——信息熵法。

在信息论中熵是衡量不确定性的指标，一个信息量的（概率）分布越趋于一致，所提供信息的不确定性越大，当信息呈均匀分布时不确定性最大。 不确定性越大，熵越大。

在系统决策中将按照归一化(1)式得到的决策矩阵R的各个列向量 $(r_{1j}, r_{2j}, ..., r_{mj})^{T}$ （j=1, 2, ..., n）看做信息量的概率分布，按照Shannon给出的数量指标——熵的定义，各方案关于属性xj的熵为

按“列”进行处理。

当各方案对某个属性 $x_{j}$ 的属性值全部相同时，即 $r_{ij}$ =1/m(i=1, 2, …, m)时， $E_{j}=1$ 达到最大，这时的 $x_{j}$ 对于辨别方案的优劣不起任何作用；

当各方案对某个属性 $x_{j}$ 的属性值 $r_{ij}$ 只有一个1其余都是0时， $E_{j}=0$ 达到最小，这样的 $x_{j}$ 最能辨别方案的优劣。

一般地，属性值 $r_{ij}$ 相差越大， $E_{j}$ 越小， $x_{j}$ 辨别方案优劣的作用越大，于是定义

为属性 $x_{j}$ 的区分度。

对于汽车选购，将归一化的决策矩阵按照上述(4)-(6)式计算的嫡 $E_{j}$ 、区分度 $F_{j}$ 和权重 $w_{j}$ ，如下表给出：

实际上观察原始决策矩阵X（或表1）可以看出：3种汽车对价格的属性值相差很大，对款式的属性值相差甚小，根据这样的数据利用信息熵法计算权重，结果自然是价格的权重较大而款式的权重较小。差别越大，说明区分度越大，辨别备选方案的优劣程度越好。

实际上，我们也可以将R通过最大化和模一化后按照信息熵法来确定其相应的区分度和权重系数。大家可以练习操作，这里不再赘述。

信息熵法完全由决策矩阵计算属性权重，如果决策矩阵主要是直接通过测量或调查得到的，那么这种获取权重的方法客观性较强。

与信息熵法的思路相似，可以用 $r_{1j}, r_{2j}, ..., r_{mj}$ 的标准差或极差作为区分度 $F_{j}$ 计算权重，这种方法适用于m较大的情况。

8.2.4 系统决策模型的构建

线性加权和非线性加权

经过前面两部分的分析，现在有了规范化的属性（评价指标）观测值，有了属性（指标）权重，就可以利用前面介绍过线性加权或非线性加权构建评价模型，从而得到综合计算的结果（如表3）。

逼近理想点（TOPSIS）

逼近理想点（TOPSIS）将n个属性，m个方案的多属性决策放到n维空间中m个点的几何系统中去处理。用向量模一化（3）式对决策矩阵规范化，以便在空间定义欧氏距离。每个点的坐标有各方案规范化的加权属性值确定。

理论上的最优方案（称正理想解）由所有可能的加权最优属性值构成，最劣方案（称负理想解）由所有可能的加权最劣属性值构成，在确定最优和最劣属性值时应区分效益型与费用性属性。

定义距正理想解尽可能近，距负理想解尽可能远的数量指标——相对接近度，备选方案的优劣顺序按照相对接近度的大小确定。

下面我们分步骤用TOPSIS方法来解决这个问题。

将三种方法得到的计算结果表示如下

由表4可以看出，线性加权和和非线性加权积得到的结果差别较小，TOPSIS得到的差别较大，但用这三种方法得到的3个方案的优劣顺序一样。

8.2.5 系统评价模型的步骤

1）确定决策目标，备选方案及指标属性集合；

2）通过测量、调查、专家评定等手段确定决策矩阵和属性权重，推荐用信息熵法由决策矩阵确定属性权重；

3）采用归一化、最大化、模一化对决策矩阵进行标准化；

4）选用线性加权和、非线性加权积、TOPSIS等综合方法计算方案对目标的权重，即备选方案的优劣排序。

8.3 层次分析法

8.3.1 层次分析法概论

8.3.2 层次分析法的步骤

8.3.3 层次分析法的应用范围

8.3.4 层次分析法的优缺点

8.3.1 层次分析法概论

假期旅游地选择

景色、费用、居住、饮食、旅途

选购电脑

品牌、外观、费用、配置

找工作、职员晋升、买房子等选优排序问题

层次分析法（Analytic Hierarchy Process）是一种定性和定量相结合的、系统化的、层次化的分析方法。

特点：将半定性、半定量问题转化为定量问题的行之有效的一种方法，使人们的思维过程层次化。

用途：通过逐层比较多种关联因素为分析评估、决策、预测或控制事物的发展提供定量依据，它特别适用于那些难于完全用定量方法进行分析的复杂问题。

分析系统中各因素之间的关系，建立系统的递阶层次结构，一般层次结构分为三层：目标层、准则层、方案层。

构造两两比较矩阵：对于同一层次的各因素关于上一层中某一准则(目标)的重要性进行两两比较。

由比较矩阵计算被比较因素对每一准则的相对权重，并进行判断矩阵的一致性检验。

计算方案层对目标层的组合权重，并对被评价对象进行排序。

假如有三个旅游胜地供你选择，你会根据诸如景色（5A、4A...）、费用、居住、饮食和旅途条件等一些准则去反复比较那三个候选点。个人会根据自己的喜好和实际情况，对这些因素在你心目中重要性来最终确定你的选择。

8.3.2 层次分析法的步骤

分析系统中各因素之间的关系，建立系统的递阶层次结构，一般层次结构分为三层：目标层、准则层、方案层。

构造两两比较矩阵：对于同一层次的各因素关于上一层中某一准则(目标)的重要性进行两两比较。分层->两两比较。

由比较矩阵计算被比较因素对每一准则的相对权重，并进行判断矩阵的一致性检验。两两比较矩阵->确定权重向量

计算方案层对目标层的组合权重，并进行排序。

1、建立层次分析结构（层次分析图）

将所有影响问题的因素整理起来，将问题进行分层处理。

最高层为目标层(O)（解决什么样的问题），中间层为准则层(C)（解决问题衡量的因素；同一层次因素属于上一层，对上一层有影响---相对重要性；支配下一层的子准则；准则层可有若干层次；处于同一层次的因素，不要相差太大、具有可比性；同一层次的准则，一般不要超过9个，9个以上要分层，否则两两比较矩阵的构造非常困难），最低层为方案层(P)（有多少个备选方案可以选择）。

准则层，可分多层。

选购电脑

以选择旅游地为目标的层次结构图如下：

权重

准则层：选择评价指标（不能过多、过少；相关性不能太强；确定相对重要性）

2、构造两两比较矩阵

两两比较矩阵 -> 确定权重向量（相对重要性）

aii=1：自己与自己比较，取值为1。

心理学家研究发现：1~9不容易犯错。

准则层对目标层的两两比较矩阵

第1行、第1列代表：景色、费用...(代表相同事物) 5个因素：5阶方阵主观性强

同理可得方案层P1，P2，P3对准则层5个准则的两两比较矩阵

矩阵第一行代表：P1、P2、P3；B：景色...

B1：三个方案层对景色(第1个准则)的重要性程度之比 --> 第1个旅游地的景色更好一些。

如何确定下层因素对上层因素的排序结果，准则层的大小顺序？--> 权重向量【两两比较矩阵：准则之间的大致比较】

3、相对权重向量的确定

将 $\overrightarrow{W}$ 作归一化后可近似地作为A的权重向量，这种方法称为特征根法。

在实际应用中，多采用特征根法来确定相对权重向量。

4、判断矩阵的一致性检验和一致性指标

5、比较矩阵的一致性检验及权重

CR<0.1：通过一致性检验 --> 特征向量对应的特征值进行归一化，得到准则层对目标层的权重向量。

权重w=(0.263, 0.475, 0.055, 0.099, 0.110) 依次对应景色、费用、居住、饮食、旅途 --> 费用最重要，其次是景色...

方案层P1、P2、P3对准则层5个准则的两两比较矩阵的一致性检验及权重向量

(0.595...0.688)3×5矩阵：每1列对应：三个方案对对应准则的权重；第一种方案在各个指标中对应的权重值。

综合权重向量：3×5矩阵的每一行* $w^{(2)}$

6、计算组合权重和组合一致性检验

理论知识 --> 渗透到论文的书写中 -> 降低重复率 -> 换变量符号

7、比较矩阵的一致性检验及权重

(0.595...0.688)3×5矩阵：第1行：第一个方案在5个准则中对应的权重； $w^{(2)}$ ：5个准则对目标的权重。

计算组合权重：3×5矩阵第x行* $w^{(2)}$ 。

$w^{(3)}$ ：方案层对目标层的相对重要性。按照组合权重进行大小排序 ==> P3>P1>P2

CR>0.1：判断矩阵没有通过一致性检验 --> 返回检验，调整矩阵。

8.3.3 层次分析法的应用范围

层次分析法主要应用在生命科学和环境科学领域。

在安全生产科学技术方面主要应用包括煤炭生产安全、危险化学品评价、油库安全评价、城市灾难应急能力研究及交通安全评价等；

在环境保护研究中的应用主要包括：水安全评价、水质指标和环境保护措施、生态环境质量评价指标体系研究以及水生野生动物保护区污染源确定等。

层次分析法更多的可以用于指定和解决个人生活中遇到的问题，比如说专业的选择、工作的选择及买房的选择等。

8.3.4 层次分析法的优缺点

优点

系统性的分析方法；信息熵法：只能解决一个问题，确定决策矩阵的相对权重；层次...：一整套，层次分明。类似于人脑对复杂决策的模拟，符合人脑思考逻辑过程；层次分明，便于决策者认真地考虑衡量与决策指标的相对权重(相对重要性)。

简洁实用的决策方法； 非常容易上手来解决问题。

所需定量数据信息较少。不仅适用于存在不确定性与主观性较多的情况下，而且允许用合乎逻辑的方式去运用经验、洞察力、直觉来进行决策。信息熵法无法利用洞察力，无法利用决策者自身优势。

...

缺点

不能为决策者提供新的方案； 只能对已经提供的方案进行排序，只能在已有的方案(备选方案)中进行选择。

定量数据较少，定性数据多，不易令人信服；直觉

指标过多时，数据统计量大，且权重难以确定；

特征值和特征向量的精确求法比较复杂。

8.4 案例分析-职员晋升

8.4.1 引例--职员晋升

职场中公平公正地实施职员晋升，是管理者的一件非常重要而又困难的问题。

一种简单易行的、具有一定合理性的办法是，由评委会先订立全面评价一位职员的几条准则，如工作年限、教育程度、工作能力、道德品质等，并且确定各准则在职员晋升这个总目标中所占的权重，然后按照每一个准则对每位申报晋升的职员进行比较和判别，最后将准则的权重与比较、判别的结果加以综合，得到各位申报者的最终排序，作为管理者对职员晋升的决策。

道德品质：定性指标 --> 层次分析法 --> 选择指标，需要参阅大量的参考文献：别人咋做咋做。

现假设有3名职员申报职称晋升，评委会制定以工作年限、教育程度、工作能力、道德品质为晋升准则，每个职员的具体信息如下表1。

问题：对3位申报职称晋升的职员进行排序。

这个问题就是一个半定性半定量的问题，我们可以采用层次分析法来解决这个问题。

层次分析法的步骤

建立层次结构图

构造两两比较矩阵（成对比较矩阵、判断矩阵）

确定相对权重向量

确定综合权重向量

根据综合权重向量的大小确定选优排序顺序

8.4.2 建立层次结构图

将该问题自上而下地分为目标、准则、方案3各层次，并用一个层次结构图表示。

最上层是目标层（职员晋升），中间是准则层（4个晋升准则），最下面是方案层（3位职员）。

决策指标，不多不少：太少：全面性不够；太多：重复性指标。

在建立层次结构图时，如果所选要素不合理，或者要素之间的关系不正确时，都会降低层次分析法的结果质量，甚至导致层次分析决策的失败。

一般为保证递阶层次结构的合理性，需把握以下原则：

分解简化问题时把握主要因素，不漏不多；因素过多，不利于两两比较；因素过少，建立模型后，可能有失公理性，造成决策失败。

注意相比较元素之间的强度关系，相差太悬殊的要素不能在同一层次比较。特别是在建立准则层时，准则过多or准则比较因素相差悬殊太大，建立多个准则层（准则层、子准则层...）。

8.4.3 准则层对目标层的相对权重向量

构造准则层对目标层的比较矩阵

当确定4个准则工作年限 $X_{1}$ 、教育程度 $X_{2}$ 、工作能力 $X_{3}$ 、道德品质 $X_{4}$ 对目标（职员晋升Y）的权重时，需将 $X_{1}$ 、 $X_{2}$ 、 $X_{3}$ 、 $X_{4}$ 两两进行比较，按1-9尺度写出准则层对目标层的两两比较矩阵为

A31：工作能力与工作年限进行比较 --> 工作能力强一些。

并求得A的最大特征根 $\lambda _{max} = 4.0104$ 。

求出最大特征根后，可求相应的特征向量，此特征向量能不能作为准则层对目标层的比较矩阵？--> 一致性检验

一致性检验

0.0039<0.1：矩阵满足一致性要求

8.4.4 综合权重向量及排序结果

对于职员晋升问题用两两比较矩阵得到第2层4个准则对第1层目标的权重（记为 $w^{(2)}$ ）之后，用同样的方法确定第3层3个方案（3个职员）对第二层每一准则的权重。

设决策者给出的第3层对4个准则 $X_{1}$ 、 $X_{2}$ 、 $X_{3}$ 、 $X_{4}$ 的成对比较矩阵分别为

方案对工作年限、教育程度、工作能力、道德品质，两两比较

B1：三个方案对工作年限的两两比较。

由 $B_{j}$ （j=1,2,3,4）计算其最大特征根 $\lambda _{j}$ ，一致性指标 $CI_{j}$ 及（归一化）特征向量 $w_{j}^{(3)}$ ，结果如表2。

注意到表2中第3行的前4个数值分别是职员A1对4个准则的权重，将它们与表2最后一列4个准则对目标的权重对应地相乘再求和，就得到职员A1对目标的权重。

注意到表2中第2行的前4个数值分别是职员A1对4个准则的权重，将它们与表2最后一列4个准则对目标的权重对应地相乘再求和，就得到职员A1对目标的权重。类似可得到职员A2，A3对目标的权重，可得

$w^{(3)} = (0.4505, 0.3202, 0.2292)^{T}$

由此可知三位职员的优劣顺序为

$A_{1} > A_{2} > A_{3}$

8.4.5 职员晋升问题再讨论

上面是对每位申报晋升的职员按照每一条准则进行比较和评判，由于这些准则过于笼统、不够具体，比较和评判起来有一定的困难，特别是当申报者较多时进行两两比较的一致性难以保证。

实际上，可以将每条准则细分为若干等级，如工作年限和教育程度可以用入职时间和学历分级，工作能力和道德品质大概只好按照优、良、中划分。

若评委会确定了每条准则中各个等级的分值，那么每一位申报晋升的职员只需按照在每条准则中所处的等级“对号入座”，再根据4个准则在职员晋升中的权重，就可以计算出他（她）的总分，最后根据总分确定其能否晋升。

对号入座、打分法

如一位工作4年，工作能力优秀、道德品质良好的本科毕业生 $A_{k}$ ，4项准则中所处的等级如表所示，其总分

60×0.1223 + 90×0.2270 + 100×0.4236 + 80×0.2270 = 88.29

8.4.6 层次分析法与系统综合评价的比较

两种方法都能用于解决决策问题，从前面的介绍可知，二者在步骤、方法上有很多相同之处。

不论是层次分析还是系统综合评价，重点都是要确定准则（属性）对目标的权重和方案对准则（属性）的权重，其手段可以分为相对测量和绝对测量。

层次分析法进行的两两比较矩阵属于前者，而如果能用定量的尺度来表述方案和准则的特征，则属于后者。

对于尚没有太多知识的新问题或模糊、抽象的准则，主要依赖于相对测量，而对于已有充分了解的老问题或明确、具体的准则，应尽可能用绝对测量。

如购物选择、旅游地选择中的价格，人员聘用或职称晋升中的工作年限、奖学金评定中的学习成绩、宜居城市评选中的空气质量、大学排行榜制定中的论文数量等，都是可以使用绝对测量的。

一般来说，相对测量偏于主观、定性，绝对测量偏于客观、定量，在指标值的确定时应尽量采用绝对测量。

绝对测量的另一个好处是，当新方案加入或老方案退出时，原有方案的结果不会改变。而若用相对测量就要重新做若干比较，原方案的结果有可能改变。

在应用中可以将多属性综合评价和层次分析法中的方法结合起来，如用两两比较矩阵确定属性（指标）的权重，而绝对测量确定决策矩阵。

8.5 动态加权综合评价法

8.5.1 引例

2005年中国大学生数学建模竞赛的A题：“长江水质的评价和预测”问题的第一部分给出了17个观测站（城市）的最近28个月的实际检测指标数据，包括反映水质污染程度的最主要的四项指标：溶解氧（DO）、高锰酸盐指数（CODMn）、氨氮（NH3-N）和PH值，要求综合这四种污染指标的28个月的检测数据对17个城市的水质情况做出综合评价。

这是一个较复杂的多因素多指标的综合评价问题。

查阅水质评价的国标（GB 3838—2002）规定可知，关于地表水的水质可分为Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类、Ⅴ类、劣Ⅴ类共六个类别，每一个类别对每一项指标都有相应的标准值（区间），只要有一项指标达到高类别的标准就算是高类别的水质，所以实际中不同类别的水质有很大的差别，而且同一类别的水在污染物的含量上也有一定的差别。

在对17个城市的水质做综合评价时，要充分考虑这些指标值不同类别水的“质的差异”和同类别水的 “量的差异”，在此简称为“质差”和“量差” 。

8.5.2 动态加权评价法的一般提法

也就是对于每一个指标而言，既有不同水质类别的差异，又有同类别的不同量值的差异。对于这种既有“质差”，又有“量差”的问题，如果用通常的定常权综合评价法做综合评价不尽合理的，一种合理有效的方法是动态加权综合评价方法。

根据问题的实际背景和综合评价的一般原则，解决问题的主要过程分三步完成：

评价指标的标准化处理；

根据各指标的特性选择动态加权函数；

构建问题的综合评价模型，并依综合评价值做出评价。

评价指标的标准化处理

评价指标的类型有极大型、极小型、中间型和区间型四种，并且大多时候也有不同的量纲，这就要根据不同的情况分别作标准化处理，即将不同类型的指标变成一致的，无量纲的标准化指标。

评价指标的标准化处理中在前面的课程中已有提及，这里不再赘述。

需要注意的是，当对指标进行标准化处理时，也要对每一个指标对应所在的分类区间做相应处理，否则在利用标准化的指标值建立综合评价模型时综合评价结论出错甚至导致结论与实际情况完全相反。

8.5.3 动态加权函数的设定

考虑到评价指标的“质差”与“量差”的关系，选择动态权重函数时既要能体现不同类型指标之间质的差异，也要能体现同类型指标量的差异。

具体取什么样的动态加权函数，主要是从实际问题出发分析确定。

对于不同的指标可以取相同的权函数，也可以取不同的权函数。

下面介绍三类常用的动态权函数。

1.分段变幂函数

2.偏大型正态分布函数

3.S型分布函数

8.5.4 综合评价模型的构建

利用标准化的各评价指标值 $x_{i}$ ，以及相应的动态加权函数 $w_{i}(x) (i=1,2,..,m)$ 建立综合评价模型来对n个被评价对象作出综合评价。

例如，我们构建综合评价模型为各评价指标的动态加权和，即 $X = \sum_{i=1}^{m} w_{i}(x_{i}) \cdot x_{i} .$

如果每个被评价对象的m个指标都有N组样本观测值

代入上式计算，每一个被评价对象都有N个综合评价指标值。

由此按其大小顺序排序，可得到n个被评价对象的N个排序方案。

利用决策分析中的Borda函数方法确定综合排序方案。

记在第j个排序方案中排在第k个被评价对象 $S_{k}$ 后面的个数为 $B_{j}(S_{k})$ ，则被评价对象 $S_{k}$ 的Borda数为

$B(S_{k}) = \sum_{j=1}^{N} B_{j}(S_{k}) (k=1,2,...,n)$

由此式的计算结果按大小排序，就可以得到第k个被评价对象的综合评价结果，即总排序结果。

8.5.5 动态综合评价方法的特点

从实际的综合评价结果可以看出，针对这样一类多因素多属性的既包含“质差”又包含“量差”的综合评价问题，采用动态加权综合评价方法使得评价结果科学合理。主要特点有：

充分地考虑到了每一个因素每一属性的所有“差异”的影响和作用；

在综合评价中也充分地体现出了各属性的“广泛性”和“民主性”；不是单看一个指标，而是将所有的指标都融合起来。

避免了在一般的综合评价方法的“一票否决”（即某一指标的劣而导致结果的否定）的不合理性；

体现出了综合评价的“综合”二字的含义。

动态加权综合评价方法从方法上增加了综合评价的客观性，大大地淡化了评价人的主观因素对评价结果的影响。这与一般的定常加权法相比其优越性是显而易见的。

动态加权综合评价方法不仅适用于水质的综合评价这一类问题，而且类似的可以用来研究解决诸如空气质量的综合评价问题，以经济和军事等领域的很多综合评价问题，动态加权综合评价方法在实际中非常有推广应用价值。

8.6 案例分析-大气污染问题

8.6.1 问题的引入

8.6.2 问题的分析

8.6.3 基本假设及符号说明

8.6.4 模型的建立

8.6.5 模型的求解与分析

8.6.6 模型的评价与推广

8.6.1 问题的引入

大气是指包围在地球外围的空气层，是地球自然环境的重要组成部分之一。人类生活在大气里，洁净的大气是人类赖以生存的必要条件。随着地球上人口的急剧增加，地球上的大气污染日趋严重，其影响也日趋严重，如由于一些有害气体的大量排放，不仅造成局部地区的大气污染，而且影响到全球性的气候变化。因此，加强大气质量的监测和预报是非常必要的。目前对大气质量的监测主要是监测大气中 $SO_{2}$ 、 $NO_{2}$ 和悬浮颗粒物（主要是 $PM_{10}$ ）等的浓度。

附件给出了城市A、B、C、D从2019年6月1日到2019年7月25日测量的污染物含量及城市A的气象参数的数据。请建立由污染物浓度评价空气质量的数学模型，并利用附件中的数据对4个城市的空气质量进行排序。

附件四个城市的污染物含量 一共55天的测量数据

8.6.2 问题的分析

该问题要求建立由污染物浓度评价空气质量的数学模型，并对4个城市的空气质量进行排序。

查阅国标(GB 3095-1996)规定知，环境空气质量标准分为三级，每一级别对每一项指标都有相应的标准值(相关数据见表1)。

典型多属性多指标的综合排序问题

由表可知，对于每一个评价指标，既有不同级别“质的差异”，又有同级别“量的差异”。对于这种既有“质差”又有“量差”的问题，采用定常加权法显然是不合理的，故合理有效的方法是动态加权综合评价法。

8.6.3 基本假设及符号说明

1. 基本假设

假设评价空气质量的各指标间相互作用关系忽略不计；

假设附件中数据为每天的统计平均值，能客观反映当天空气污染物浓度的实际情况。表明建立模型的合理性

2. 符号说明

8.6.4 模型的建立

1. 评价指标的规范化处理

评价指标类型的一致化处理

通过判断可知SO2，NO2和PM10的浓度这三类指标均为极小型指标，故在此不需要将指标类型一致化处理。

评价指标的无量纲化处理

一般来说，数据的无量纲化处理有标准差方法、极值差方法和功效系数法等。在此，选取极值差方法对三类指标进行标准化处理。即令

对列进行处理

经此处理，我们可以得到评价指标经标准化处理后的指标观测值，同时我们将评价指标的三级区间标准限值对应也做极值差处理。

同时我们将评价指标的三级区间标准限值对应也做极值差处理。

2. 动态加权函数的确定

根据空气质量问题的实际情况，各指标 $x_{i}$ 对综合评价的影响比较符合随着类别的增加呈现先缓慢增加，中间快速增长，最后平缓增加趋于最大。于是不妨选取呈正态分布的偏大型正态分布函数作为动态加权函数，即

3. 综合评价模型的建立

为了给每次的检测值进行排序，在基于上述模型的同时，取综合评价模型为各评价指标的动态加权和，即

$X = \sum_{i=1}^{m} w_{i}(x_{i}) \cdot x_{i}(i=1, 2, 3)$

由此综合评价指标函数可以求出每个被评价对象的N个综合评价指标 $X_{k}(j)$ （k=1, 2, ..., n;j=1, 2, ..., N），且据此大小排序，可得n个被评价对象的N个排序方案。

利用决策分析中的Borda函数方法来确定综合排序方案。

根据此式的计算结果大小排序，便可得到n个被评价对象的总排序结果。

8.6.5 模型的求解与分析

1. 算法

① 运用极值差法，将数据先归一化化成可比较的[0,1]上的数值；数据标准化处理

② 根据偏大型正态分布函数，确定三类指标的动态加权函数；

③ 将i从1开始到3，k从1到4，j从1到55，对②得到的新数值矩阵进行加权求和，得到不同的i的分数；

④ 对分数进行从大到小的排序，得到4个被评价对象的55个排序方案；

⑤ 利用Borda函数计算4个被评价对象的Borda数，并根据Borda数从大到小进行排序，从而得到最终排序结果。

2. 求解及分析

运用Matlab软件编程对各次检测值进行加权求和，得到各综合评价指标值。部分结果如下表。

根据表3的结果进行排序得到55个排序方案，利用Borda函数编程计算可得A、B、C、D的Borda数及总排序结果。

由表4可知四个城市的空气污染物浓度排序为：D>C>A>B，可见空气污染最严重的是D城市，其次是C城市，排在第三位的是A城市，而空气质量最好的是B城市。

8.6.6 模型的评价与推广

1. 模型的评价

在这个问题中，考虑大气污染物浓度等评价指标的“质差”和“量差”的关系，采用了动态加权综合评价的方法建立模型，最后利用Borda函数得到四个城市空气质量的总排序。这一模型不仅充分考虑了每一个因素每一个属性的所有差异的影响和作用，使得评价结果科学合理；而且增加了综合评价的客观性，与定常加权相比大大淡化了主观因素的影响。

2.模型的推广

该模型不仅可以科学地评价空气质量问题，还可以推广到水质评价问题及经济、军事等领域的许多综合评价问题，具有广泛的应用价值。

你可能感兴趣的:(数学建模与实验,数学建模,系统评价决策模型,层次分析法,动态加权综合评价法,案例分析-大气污染问题)

美易官方：盘前道指期货涨0.5%，游戏驿站跌逾15% 美股投资财经人工智能大数据新浪微博微信微信公众平台百度金融
在股市开盘前的交易时段，道指期货上涨了0.5%，而游戏驿站（GameStop）的股价却出现了大幅下跌，跌幅超过15%。这一市场动态引发了投资者的广泛关注，也反映了当前股市的复杂性和不确定性。美股股指期货周三盘前走强，交易员为季度末的再平衡做准备。本周因假期而缩短，美国将公布关键通胀数据。道指期货涨0.5%，标普500指数期货涨0.6%，纳指期货涨0.5%。德国DAX指数涨0.4%，英国富时100指
Android和IOS应用开发-Flutter应用让屏幕在 app 运行期间保持常亮的方法江上清风山间明月 Flutter android ios flutter KeepAlive 屏幕常亮 wakelock 熄屏
文章目录Flutter应用让屏幕在app运行期间保持常亮的方法方法一：使用系统插件方法二：使用Widgets注意事项Flutter应用让屏幕在app运行期间保持常亮的方法在Flutter开发中，可以使用以下两种方法让屏幕在app运行期间保持常亮：方法一：使用系统插件Flutter社区中已经有很多相关插件可供使用，比如wakelock:https://pub.dev/packages/wakeloc
3/31总结静心第一
今日总结：1.上午体验课以及反馈2.p1专注力上课3.情绪精品营上课4.燕子营队辅营以及前台值班5.活动室带孩子接待带到访今日反思：1.合理安排体力2.对于准客户记得跟进3.不要放过每一次成交的机会（这个精品营转发有点失败，后期需调整）今日感受：1.为了效果，后期课程一定想方设法布置家庭，给予一个好的支持系统2.上到下午的课程感觉特别特别的累3.晚上在做辅营一个孩子大声叫喊，后来单独出去沟通，其实
极狐GitLab 论坛 2.0 全新上线，可以在论坛上查找与 GitLab 相关的问题了～极小狐 gitlab 极狐GitLab devops GitLab ci/cd devsecops SCM
安装出现依赖错误？版本升级搞不定？遇到422、500就懵逼了？不知道某个功能是免费or付费？……使用GitLab这种全球顶级的DevOps平台进行软件研发时，总会遇到一些困惑，想跟专业的技术人员快速交流以便获得答案，同时又想把这些问题沉淀下来以帮助他人？有这种赠人玫瑰，手有余香的解决方案吗？答案肯定有：论坛！！！论坛——一个各路大神聚集的地方，一个可以解惑答疑问道的地方。解惑：搜索与自己问题相同或
数据结构奇妙旅程之深入解析快速排序山间漫步人生路数据结构排序算法算法
快速排序（QuickSort）是一种高效的排序算法，它使用了分治法的策略来将一个数组排序。其基本思想是选择一个基准元素，通过一趟排序将待排序的数据分割成独立的两部分，其中一部分的所有数据都比基准元素小，另一部分的所有数据都比基准元素大，然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以递归进行，以此达到整个数据变成有序序列。工作原理选择基准：从待排序的序列中选一个元素作为基准（pivo
2022年河南省高等职业教育技能大赛云计算赛项竞赛赛卷（样卷）忘川_ydy 云计算云计算 openstack kubernetes docker python k8s ansible
#需要资源（软件包及镜像）或有问题的，可私博主！！！#需要资源（软件包及镜像）或有问题的，可私博主！！！#需要资源（软件包及镜像）或有问题的，可私博主！！！第一部分：私有云任务1私有云服务搭建(10分)使用提供的用户名密码，登录竞赛用的云计算平台，按要求自行使用镜像创建两台云主机，创建完云主机后确保网络正常通信，然后按要求配置服务器。根据提供安装脚本框架，补充脚本完成OpenStack平台的安装搭
浪潮 M5系列服务器IPMI无法监控存储RAID卡问题. Songxwn 硬件服务器服务器运维
简介浪潮的M5代服务器，可能有WebBMC无法查看存储RAID/SAS卡状态的情况，可以通过以下方式修改。修改完成后重启BMC即可生效。ESXiIPMITools使用：https://songxwn.com/ESXi8_IPMI/（Linux也可以直接使用）Linux/ESXiIPMITool下载：https://songxwn.com/file/ipmitoolWindows下载：https:/
现在的婚姻是: 高彩礼和诸多要求让感情越来越淡漠朦蒙哒
很多人搞不明白为什么现在的人对婚姻的质量要求那么高可就是维持不了多久时间，有不少人的婚姻是用礼金堆起来的，但恰恰是这些人最容易夫妻感情出问题导致离婚收场。现在的婚姻让年轻人失望，年轻人为什么对婚姻失望甚至没了渴望，无非就是这几个原因01彩礼高了感情淡了我们都知道，结婚要的高彩礼把很多年轻人给搞怕了，搞得很多年轻人都不敢结婚生子了，可以说彩礼高了让很多男女都失去了真感情，就算能在一起也只是男人需要老
美团自动配送车2024春季招聘 | 社招专场美团技术团队
关于美团自动配送团队美团自动配送以自研L4级自动驾驶软硬件技术为核心，与美团即时零售业务结合，形成满足公开道路、校园、社区、工业园区等室外全场景下的自动配送整体解决方案。美团自动配送团队成立于2016年，团队成员来自于Waymo、Cruise、Pony.ai、泛亚等自动驾驶行业头部公司，自动驾驶技术团队博士占比高达30%，依靠视觉、激光等传感器，实时感知预测周围环境，通过高精地图定位和智能决策规划
读思001 ‖ 变负能为正能，变压力为动力你不懂夜的黑
今天起开始写一个言说文集连载，重点为读写思考收获和感想，也收录生活和工作中开悟到的点滴，仍然是一个碎片式的思考积累。希望这样的思考能启迪我的生活智慧，开悟我的思想境界，也算是一个修心的过程吧。这个连载不定期更新，重在积累生活和工作中的随思碎思，或许也是一厢情愿的一个梦。也或许这个梦是我坚持说下去的一个重要理由。读思001变负能为正能，变压力为动力1从来没有一种哲学能解决一切问题，也从来没有一种药能
你之所以胖，可能是因为小时候发生这件事！还不赶快甩锅周围_5d19
通常，我们认为，“肥胖”主要是由于饮食不节制、不经常运动等等因素引起的。但最近，我国学者开展的一项针对6到18岁儿童青少年、随访长达十年的代谢综合征研究结果，在权威国际期刊发表。研究发现，儿童的肥胖和超重与睡眠密切相关，儿童、青少年时期睡眠不好，成人后也更容易患心血管疾病。那么，为什么儿童青少年睡眠不足会导致肥胖呢？今天就带大家一探究竟。儿童青少年肥胖的现状如何？近日，一项刊载在医学权威期刊《柳叶
llama.cpp 编译安装@Ubuntu skywalk8163 项目实践人工智能 llama ubuntu linux 人工智能
在Kylin和Ubuntu编译llama.cpp，具体参考：llama模型c语言推理@FreeBSD-CSDN博客现在代码并编译：gitclonehttps://github.com/ggerganov/llama.cppcdllama.cppmkdirbuildcdbuildcmake..cmake--build.--configRelease#可选安装makeinstall#或可选添加路径ex
为自己点滴的进步喝彩 e5633888b9f4
当听到单位需要每周一三五加班到九点的时候，内心很坦然，没有指责抱怨，想到的是：又体验一下值夜班的感觉，还能趁此机会多与大家待在一起，孩子也可以得到独立方面的锻炼，一切都不是问题，搞不好再发点加班费就更好了，把这些都看成多得的，心情美美的，自己的事全力以赴做好，别人的事选择尊重，老天的事选择臣服。只要心有了目标，方向正确，就不怕路途的遥远。我们每一个人都不是孤立存在的，祖先一代代传承将生命体传承给了
数据分析：低代码平台助力大数据时代的飞跃发展快乐非自愿数据分析低代码大数据
随着信息技术的突飞猛进，我们身处于一个数据量空前增长的时代——大数据时代。在这个时代背景下，数据分析已经成为企业决策、政策制定、科学研究等众多领域不可或缺的重要工具。然而，面对海量的数据和日益复杂多变的分析需求，传统的数据分析方法往往捉襟见肘，难以应对。幸运的是，低代码平台的兴起为大数据分析注入了新的活力，成为推动大数据时代发展的重要力量。低代码平台，顾名思义，是一种通过少量甚至无需编写代码，就能
2022-10-02 朗月斋主
肿瘤溶解病毒（OVs）作为一种新型的免疫治疗和治疗辅助剂，在制药行业中越来越受到关注，因为它们能够通过多种机制诱导和提高抗肿瘤免疫力。首先，OVs能够利用宿主免疫系统的内在机制（例如，逃避免疫检测）可以使肿瘤的免疫逃逸机制失效。第二，许多类型的OVs已被证明可以直接裂解肿瘤细胞，从而诱导出由肿瘤相关抗原和危险信号分子释放介导的肿瘤特异性T细胞反应。第三，表达免疫刺激治疗基因的武装OV可以在肿瘤组织
购物返利平台是真的吗返金app平台高佣返利省钱
购物返利平台是真实存在的，它们提供一种通过购物来获取一定比例返现的服务。这些平台通常与商家合作，通过返利链接或其他追踪方式来追踪用户的购物行为，然后将一部分返现金额返还给用户。然而，需要注意的是，并非所有的购物返利平台都是可信的。在选择使用购物返利平台时，建议您注意以下几个方面：可信度和口碑：查看平台的用户评价和口碑，了解其他用户对该平台的使用体验和返利情况。合作商家：了解平台的合作商家是否可靠，
为千佩蓉：为家庭放弃事业的男人没出息吗？北京朵多教育
为家庭放弃事业的男人没出息吗我们在搭档的过程中会遇到一些问题，因此要做好心理准备，这样才不会陷入抱怨或双输的局面。关键不是谁比谁能力强，而是夫妻之间如何取长补短。家庭要赢需要每个人的付出和牺牲，大家一起分担和负责，这样才能享受相爱的自由、安全和归属感。我们需要做的牺牲包括自己的时间、自己的一些爱好，甚至事业发展。为千认为做好父亲是非常重要的事，所以他不仅要出席在孩子们的生活中，还要积极地参与和带领
什么事都独自去扛的人，容易抑郁，以及单身蘑菇心理
文|实用菌01心情不好的时候，你会怎么办？我的习惯是，找个没有人打扰的角落发呆，或者睡上一觉。生活中，这样处理自己情绪问题的人，还有很多。他们安静，平和，不吵不闹，看起来很佛系，甚至还被称赞你脾气好，内心成熟，但事实，这种外在的好是以一些隐蔽的“坏”为代价的。遇到问题习惯独自去承受的人，表面看起来很坚强，但有一个弱点：在日常生活中，他们的情绪经常会莫名地低落，没来由地不高兴，而且一旦陷入这种情绪当
200719：重拾优点？问谁逝舟
小时候的哪些优点，现在想重新拾回？——题记：《惜福阅历（SisypheCalendar）》2020.01.04还是先来审题吧。这句话中的关键信息就在于“重拾小时候的优点”。小时候的优点，当然是在曾经的生活中，给我们带来过好处，有其被自己或是被社会认可的价值。而它跟“重拾”搭配在一起，就颇耐人寻味了。重拾，意味着曾经失落，也意味着它对当下还有价值。那么问题来了，既然曾经它是有价值的，既然对当下还有价
浙江女大学生“卖淫日记”曝光，震惊全网：背后还藏着一个真相地球上的星星_272e
作者/在风来源/微信公众号：自黑思维最近，一个新闻震碎无数人的三观：在浙江农林大学，有一位女大学生，在网上公开自己的“卖淫日记”，无论是文字还是图片，都非常露骨。而目前关于这事的瓜，都已经被删得七七八八，但我有保留截图的习惯，所以才有了这篇文章。首先，必须要强调的一点，就是这事不是谣传，是真的，学校已经出来证实过。只是学校表示该名女学生有精神病。但到底是不是真的精神有问题？我们可以从她的日记里，略
常用API---初始化，话题和服务对象创建，回旋/头函数，时间（如：获取当前时刻，持续时间执行频率，休眠，定时器等），运行频率，定时器，节点生命周期，日志相关API 李卓璐机器人人工智能 c++
初始化ROS节点ros::init(argc,argv,“name”,options);作用：ros初始化函数参数： 1.argc—封装实参的个数（n+1个->有一个是自身）； 2.argv—封装参数的数组； 3.name—为节点命名（唯一性）； 4.options—节点启动项，解决节点重名问题。返回值：void使用： 1.argc和argv的使用：如果按照ROS中的特定格式传入实参，那么RO
keras.optimizers优化器中文文档地上悬河 python 开发语言后端
优化器optimizers优化器是编译Keras模型必要的两个参数之一model=Sequential()model.add(Dense(64,init='uniform',input_dim=10))model.add(Activation('tanh'))model.add(Activation('softmax'))sgd=SGD(lr=0.01,decay=1e-6,momentum=0.
yarn的安装和使用全网最详细教程 zxj19880502 yarn npm
一、yarn的简介：Yarn是facebook发布的一款取代npm的包管理工具。二、yarn的特点：速度超快。Yarn缓存了每个下载过的包，所以再次使用时无需重复下载。同时利用并行下载以最大化资源利用率，因此安装速度更快。超级安全。在执行代码之前，Yarn会通过算法校验每个安装包的完整性。超级可靠。使用详细、简洁的锁文件格式和明确的安装算法，Yarn能够保证在不同系统上无差异的工作。三、yarn的
以高质量调查研究助力组织工作提质增效木同木同
近日，中共中央办公厅印发了《关于在全党大兴调查研究的工作方案》(后简称《方案》），要求各地区各部门结合实际认真贯彻落实。调查研究是我们党的传家宝，是谋事之基、成事之道。组织部门作为党管干部的核心部门，肩负着管党员、管干部、管人才的重要职责，调查研究更是把握组织工作规律、破解组织工作难题的重要办法。要用好调查研究这一法宝，把准政治方向，贯穿问题导向，坚持实事求是，以高质量调查研究助力组织工作提质增效
中原焦点团队38期王芳芳坚持分享第236天，20230630总约练134次，来访113次，咨8次，观察员13次芳芳王
学习焦点的初心是想拯救孩子，孩子由于沉迷游戏，成绩下滑，在学习的过程中发现是自己的教育方式出了状况。经过半年的学习，一些焦点的基本技巧，如接纳、欣赏、倾听、同理心、尊重等都有了一定的了解。但在实际应用时仍然存在很多问题，感觉自己仍然没有放下对孩子成绩的期望，仍然把握不住对孩子管理的度。我该如何去陪伴好孩子？多用心去听课，并加强反思，多约练。去思考如何让自己快乐起来？
Redis和MySQL的数据一致性问题思考爱放火的安小妮 Redis MySQL 思考总结 redis mysql 数据库
Redis和MySQL的数据一致性问题思考最近有在反思自己工作。因为自己这边是面向业务的，而且是和商品数据相关的。所以我平时工作中涉及到的最多的就是MySQL和Redis的数据存储。像我们配置商品是把商品配置到MySQL，但是对外toC接口都是直接读取Redis的。所以自然而然就涉及到MySQL和Redis的数据一致性问题。下面就是聊聊我自己对于这个问题的一个思考吧。有问题或者有更好方案的朋友也希
大创项目推荐深度学习 opencv python 公式识别(图像识别机器视觉) laafeer python
文章目录0前言1课题说明2效果展示3具体实现4关键代码实现5算法综合效果6最后0前言优质竞赛项目系列，今天要分享的是基于深度学习的数学公式识别算法实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：4分创新点：4分更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate1课题
计划比盲目做重要一祉微笑
坚持分享第99天。一次次会议提醒着老师们假期余额不足，马上面临停机状态。50多天掐指而过，想想放假时的计划，对照如今的完成情况，感觉差太远。想着好好看书，如今50多天过去了第6本还处在未完待续状态；想着假期好好陪陪孩子，在玩中学一些知识，如今想想，孩子学的真不多；想着暑假坚持跑步，有时还是容易给自己找借口，休息三两天。给这个假期一个综合评价，只能说只完成了计划的百分之五六十。想想为什么临近开学没达
docker怎么端口映射 Lance_mu docker 容器运维
1、默认固定的端口#Web服务器：WebApache或Nginx通常使用80端口HTTP：80HTTPS：443#数据库服务器MySQL：3306PostgreSQL：5432MongoDB：27017Redis：6379#邮件服务器SMTP：25POP3：110IMAP：143#其他服务SSH：22FTP：21DNS（域名解析）：53代理服务器Squid：3128版本控制系统Git：9418(S
docker基础（一）运维搬运工容器-docker docker 容器运维
相关概念介绍Docker是一个开源的应用容器引擎，让开发者可以打包他们的应用以及依赖到一个可移植的容器中，然后发布到任何流行的linux机器上，也可以实现虚拟化，容器是完全使用沙箱机制，互相之间不会有任何接口。Docker有几个重要概念：dockerfile，配置文件，用来生成dockerimagedockerimage，交付部署的最小单元docker命令与API，定义命令与接口，支持第三方系统集
Java开发中，spring mvc 的线程怎么调用？小麦麦子 spring mvc
今天逛知乎，看到最近很多人都在问spring mvc 的线程http://www.maiziedu.com/course/java/ 的启动问题，觉得挺有意思的，那哥们儿问的也听仔细，下面的回答也很详尽，分享出来，希望遇对遇到类似问题的Java开发程序猿有所帮助。问题：在用spring mvc架构的网站上，设一线程在虚拟机启动时运行，线程里有一全局
maven依赖范围 bitcarter maven
1.test 测试的时候才会依赖，编译和打包不依赖，如junit不被打包 2.compile 只有编译和打包时才会依赖 3.provided 编译和测试的时候依赖，打包不依赖，如：tomcat的一些公用jar包 4.runtime 运行时依赖，编译不依赖 5.默认compile 依赖范围compile是支持传递的，test不支持传递 1.传递的意思是项目A，引用
Jaxb org.xml.sax.saxparseexception : premature end of file darrenzhu xml premature JAXB
如果在使用JAXB把xml文件unmarshal成vo(XSD自动生成的vo)时碰到如下错误： org.xml.sax.saxparseexception : premature end of file 很有可能时你直接读取文件为inputstream，然后将inputstream作为构建unmarshal需要的source参数。InputSource inputSource = new In
CSS Specificity 周凡杨 html 权重 Specificity css
有时候对于页面元素设置了样式，可为什么页面的显示没有匹配上呢？ because specificity CSS 的选择符是有权重的，当不同的选择符的样式设置有冲突时，浏览器会采用权重高的选择符设置的样式。规则： HTML标签的权重是1 Class 的权重是10 Id 的权重是100
java与servlet g21121 servlet
servlet 搞java web开发的人一定不会陌生，而且大家还会时常用到它。下面是java官方网站上对servlet的介绍： java官网对于servlet的解释写道 Java Servlet Technology Overview Servlets are the Java platform technology of choice for extending and enha
eclipse中安装maven插件 510888780 eclipse maven
1.首先去官网下载 Maven： http://www.apache.org/dyn/closer.cgi/maven/binaries/apache-maven-3.2.3-bin.tar.gz 下载完成之后将其解压，我将解压后的文件夹：apache-maven-3.2.3，并将它放在 D:\tools目录下，即 maven 最终的路径是：D:\tools\apache-mave
jpa@OneToOne关联关系布衣凌宇 jpa
Nruser里的pruserid关联到Pruser的主键id，实现对一个表的增删改，另一个表的数据随之增删改。 Nruser实体类 //***************************************************************** @Entity @Table(name="nruser") @DynamicInsert @Dynam
我的spring学习笔记11-Spring中关于声明式事务的配置 aijuans spring 事务配置
这两天学到事务管理这一块，结合到之前的terasoluna框架，觉得书本上讲的还是简单阿。我就把我从书本上学到的再结合实际的项目以及网上看到的一些内容，对声明式事务管理做个整理吧。我看得Spring in Action第二版中只提到了用TransactionProxyFactoryBean和<tx:advice/>,定义注释驱动这三种，我承认后两种的内容很好，很强大。但是实际的项目当中
java 动态代理简单实现 antlove java handler proxy dynamic service
dynamicproxy.service.HelloService package dynamicproxy.service; public interface HelloService { public void sayHello(); } dynamicproxy.service.impl.HelloServiceImpl package dynamicp
JDBC连接数据库百合不是茶 JDBC编程 JAVA操作oracle数据库
如果我们要想连接oracle公司的数据库，就要首先下载oralce公司的驱动程序，将这个驱动程序的jar包导入到我们工程中; JDBC链接数据库的代码和固定写法; 1,加载oracle数据库的驱动; &nb
单例模式中的多线程分析 bijian1013 java thread 多线程 java多线程
谈到单例模式，我们立马会想到饿汉式和懒汉式加载，所谓饿汉式就是在创建类时就创建好了实例，懒汉式在获取实例时才去创建实例，即延迟加载。饿汉式： package com.bijian.study; public class Singleton { private Singleton() { } // 注意这是private 只供内部调用 private static
javascript读取和修改原型特别需要注意原型的读写不具有对等性 bijian1013 JavaScript prototype
对于从原型对象继承而来的成员，其读和写具有内在的不对等性。比如有一个对象A，假设它的原型对象是B，B的原型对象是null。如果我们需要读取A对象的name属性值，那么JS会优先在A中查找，如果找到了name属性那么就返回；如果A中没有name属性，那么就到原型B中查找name，如果找到了就返回；如果原型B中也没有
【持久化框架MyBatis3六】MyBatis3集成第三方DataSource bit1129 dataSource
MyBatis内置了数据源的支持，如： <environments default="development"> <environment id="development"> <transactionManager type="JDBC" /> <data
我程序中用到的urldecode和base64decode,MD5 bitcarter c MD5 base64decode urldecode
这里是base64decode和urldecode，Md5在附件中。因为我是在后台所以需要解码： string Base64Decode(const char* Data,int DataByte,int& OutByte) { //解码表 const char DecodeTable[] = { 0, 0, 0, 0, 0, 0
腾讯资深运维专家周小军：QQ与微信架构的惊天秘密 ronin47
社交领域一直是互联网创业的大热门，从PC到移动端，从OICQ、MSN到QQ。到了移动互联网时代，社交领域应用开始彻底爆发，直奔黄金期。腾讯在过去几年里，社交平台更是火到爆，QQ和微信坐拥几亿的粉丝，QQ空间和朋友圈各种刷屏，写心得，晒照片，秀视频，那么谁来为企鹅保驾护航呢？支撑QQ和微信海量数据背后的架构又有哪些惊天内幕呢？本期大讲堂的内容来自今年2月份ChinaUnix对腾讯社交网络运营服务中心
java-69-旋转数组的最小元素。把一个数组最开始的若干个元素搬到数组的末尾，我们称之为数组的旋转。输入一个排好序的数组的一个旋转，输出旋转数组的最小元素 bylijinnan java
public class MinOfShiftedArray { /** * Q69 旋转数组的最小元素 * 把一个数组最开始的若干个元素搬到数组的末尾，我们称之为数组的旋转。输入一个排好序的数组的一个旋转，输出旋转数组的最小元素。 * 例如数组{3, 4, 5, 1, 2}为{1, 2, 3, 4, 5}的一个旋转，该数组的最小值为1。 */ publ
看博客，应该是有方向的 Cb123456 反省看博客
看博客，应该是有方向的: 我现在就复习以前的，在补补以前不会的，现在还不会的，同时完善完善项目，也看看别人的博客. 我刚突然想到的: 1.应该看计算机组成原理，数据结构，一些算法，还有关于android,java的。 2.对于我，也快大四了，看一些职业规划的，以及一些学习的经验，看看别人的工作总结的. 为什么要写
[开源与商业]做开源项目的人生活上一定要朴素,尽量减少对官方和商业体系的依赖 comsci 开源项目
为什么这样说呢？因为科学和技术的发展有时候需要一个平缓和长期的积累过程，但是行政和商业体系本身充满各种不稳定性和不确定性，如果你希望长期从事某个科研项目，但是却又必须依赖于某种行政和商业体系，那其中的过程必定充满各种风险。。。所以，为避免这种不确定性风险，我
一个 sql优化（[精华] 一个查询优化的分析调整全过程！很值得一看） cwqcwqmax9 sql
见 http://www.itpub.net/forum.php?mod=viewthread&tid=239011 Web翻页优化实例提交时间: 2004-6-18 15:37:49 回复发消息环境： Linux ve
Hibernat and Ibatis dashuaifu Hibernate ibatis
Hibernate VS iBATIS 简介 Hibernate 是当前最流行的O/R mapping框架，当前版本是3.05。它出身于sf.net，现在已经成为Jboss的一部分了 iBATIS 是另外一种优秀的O/R mapping框架，当前版本是2.0。目前属于apache的一个子项目了。相对Hibernate“O/R”而言，iBATIS 是一种“Sql Mappi
备份MYSQL脚本 dcj3sjt126com mysql
#!/bin/sh # this shell to backup mysql #[email protected] (QQ:1413161683 DuChengJiu) _dbDir=/var/lib/mysql/ _today=`date +%w` _bakDir=/usr/backup/$_today [ ! -d $_bakDir ] && mkdir -p
iOS第三方开源库的吐槽和备忘 dcj3sjt126com ios
转自 ibireme的博客做iOS开发总会接触到一些第三方库，这里整理一下，做一些吐槽。目前比较活跃的社区仍旧是Github，除此以外也有一些不错的库散落在Google Code、SourceForge等地方。由于Github社区太过主流，这里主要介绍一下Github里面流行的iOS库。首先整理了一份 Github上排名靠
html wlwmanifest.xml eoems html xml
所谓优化wp_head()就是把从wp_head中移除不需要元素，同时也可以加快速度。步骤：加入到function.php remove_action('wp_head', 'wp_generator'); //wp-generator移除wordpress的版本号，本身blog的版本号没什么意义，但是如果让恶意玩家看到，可能会用官网公布的漏洞攻击blog remov
浅谈Java定时器发展 hacksin java 并发 timer 定时器
java在jdk1.3中推出了定时器类Timer,而后在jdk1.5后由Dou Lea从新开发出了支持多线程的ScheduleThreadPoolExecutor，从后者的表现来看，可以考虑完全替代Timer了。 Timer与ScheduleThreadPoolExecutor对比： 1. Timer始于jdk1.3,其原理是利用一个TimerTask数组当作队列
移动端页面侧边导航滑入效果 ini jquery Web html5 css javascirpt
效果体验：http://hovertree.com/texiao/mobile/2.htm可以使用移动设备浏览器查看效果。效果使用到jquery-2.1.4.min.js，该版本的jQuery库是用于支持HTML5的浏览器上，不再兼容IE8以前的浏览器，现在移动端浏览器一般都支持HTML5，所以使用该jQuery没问题。HTML文件代码： <!DOCTYPE html> <h
AspectJ+Javasist记录日志 kane_xie aspectj javasist
在项目中碰到这样一个需求，对一个服务类的每一个方法，在方法开始和结束的时候分别记录一条日志，内容包括方法名，参数名+参数值以及方法执行的时间。 @Override public String get(String key) { // long start = System.currentTimeMillis(); // System.out.println("Be
redis学习笔记 MJC410621 redis NoSQL
1)nosql数据库主要由以下特点：非关系型的、分布式的、开源的、水平可扩展的。 1，处理超大量的数据 2，运行在便宜的PC服务器集群上， 3，击碎了性能瓶颈。 1)对数据高并发读写。 2)对海量数据的高效率存储和访问。 3)对数据的高扩展性和高可用性。 redis支持的类型： Sring 类型 set name lijie get name lijie set na
使用redis实现分布式锁 qifeifei
在多节点的系统中，如何实现分布式锁机制，其中用redis来实现是很好的方法之一，我们先来看一下jedis包中，有个类名BinaryJedis,它有个方法如下： public Long setnx(final byte[] key, final byte[] value) { checkIsInMulti(); client.setnx(key, value); ret
BI并非万能，中层业务管理报表要另辟蹊径张老师的菜大数据 BI 商业智能信息化
BI是商业智能的缩写，是可以帮助企业做出明智的业务经营决策的工具，其数据来源于各个业务系统，如ERP、CRM、SCM、进销存、HER、OA等。 BI系统不同于传统的管理信息系统，他号称是一个整体应用的解决方案，是融入管理思想的强大系统：有着系统整体的设计思想，支持对所有
安装rvm后出现rvm not a function 或者ruby -v后提示没安装ruby的问题 wudixiaotie function
1.在~/.bashrc最后加入 [[ -s "$HOME/.rvm/scripts/rvm" ]] && source "$HOME/.rvm/scripts/rvm" 2.重新启动terminal输入： rvm use ruby-2.2.1 --default 把当前安装的ruby版本设为默

数学建模【系统评价决策模型(概论、案例分析-汽车选购、层次分析法、案例分析-职员晋升、动态加权综合评价法、案例分析-大气污染问题)】

8.1 系统评价决策模型概论

8.1.1 问题的引入

8.1.2 系统评价决策模型的基本概念

8.1.3 系统评价决策模型的要素

8.1.4 系统评价决策模型的步骤

8.1.5 评价指标的规范化处理

1.评价指标类型的一致化处理

2.评价指标的无量纲化

8.1.6 系统评价模型的建立

1.线性加权综合法（加权和法）

2.非线性加权综合法（加权积法）

3.逼近理想点法（简称TOPSIS法）

8.2 案例分析-汽车选购

8.2.1 问题引入

8.2.2 决策矩阵的规范化

8.2.3 属性权重的确定

信息熵法

8.2.4 系统决策模型的构建

线性加权和非线性加权

逼近理想点（TOPSIS）

8.2.5 系统评价模型的步骤

8.3 层次分析法

8.3.1 层次分析法概论

8.3.2 层次分析法的步骤

1、建立 层次分析结构（层次分析图）

2、构造两两比较矩阵

3、相对权重向量的确定

4、判断矩阵的一致性检验和一致性指标

5、比较矩阵的一致性检验及权重

6、计算组合权重和组合一致性检验

7、比较矩阵的一致性检验及权重

8.3.3 层次分析法的应用范围

8.3.4 层次分析法的优缺点

优点

缺点

8.4 案例分析-职员晋升

8.4.1 引例--职员晋升

层次分析法的步骤

8.4.2 建立层次结构图

8.4.3 准则层对目标层的相对权重向量

构造准则层对目标层的比较矩阵

一致性检验

8.4.4 综合权重向量及排序结果

8.4.5 职员晋升问题再讨论

8.4.6 层次分析法与系统综合评价的比较

8.5 动态加权综合评价法

8.5.1 引例

8.5.2 动态加权评价法的一般提法

评价指标的标准化处理

8.5.3 动态加权函数的设定

1.分段变幂函数

2.偏大型正态分布函数

3.S型分布函数

8.5.4 综合评价模型的构建

8.5.5 动态综合评价方法的特点

8.6 案例分析-大气污染问题

8.6.1 问题的引入

8.6.2 问题的分析

8.6.3 基本假设及符号说明

1. 基本假设

2. 符号说明

8.6.4 模型的建立

1. 评价指标的规范化处理

2. 动态加权函数的确定

3. 综合评价模型的建立

8.6.5 模型的求解与分析

1. 算法

2. 求解及分析

8.6.6 模型的评价与推广

1. 模型的评价

2.模型的推广

你可能感兴趣的:(数学建模与实验,数学建模,系统评价决策模型,层次分析法,动态加权综合评价法,案例分析-大气污染问题)

1、建立层次分析结构（层次分析图）