评价python
层次分析法 AHP
指标难以量化、主要依靠专家经验判断权重,需要把两两比较的定性结论转成可计算的权重。
公式 · 代码 · 常见坑查看模型 →
每张卡片包含场景、公式、示例代码、常见坑与参考资料;可反查关联赛题。
找到 15 个模型 · 共收录 15 个
指标难以量化、主要依靠专家经验判断权重,需要把两两比较的定性结论转成可计算的权重。
存在自相关或季节性的序列做中短期预测,例如销量、负荷、降水强度,样本量在数十个时点以上。
多阶段决策(逐期投入、分阶段调度)或赋权图上的路径问题,例如最省时路径、最优分组与分段。
指标数据完整,希望权重由数据自身的离散程度客观决定,常与 TOPSIS 组合使用。
指标含「好 / 较好 / 一般」这类模糊语言,或评价本身带有主观等级判断,需要给出等级隶属度。
样本极少(约 $4\sim 10$ 个时点)、序列单调趋势明显、又无法用统计方法定阶的短期预测。
决策量必须是整数或只能取 0/1 的离散问题:选址、指派、排班、装箱、是否启用某条产线。
目标与约束都是线性的资源分配、生产计划、运输与配方问题,决策量可以连续取值(例如投入多少吨、分配多少小时)。
NP 难的组合优化:TSP、车辆路径、大规模排程、选址分配,规模大到精确算法跑不动。
问题含随机性、解析解难以求出,例如命中概率、风险损失分布、排队系统性能评估。
成本低与效益高、精度高与耗时短这类互相冲突的目标要同时考虑,需要给出的是一组折中方案而不是单一解。
要找出多个自变量里哪些真正影响因变量,并量化各自贡献,例如材料性能与工艺参数的关系。
目标或约束含平方、指数、对数、三角项,例如几何优化、能耗模型、参数标定、反问题求解。
指标太多且彼此相关需要降维,或者要把样本分成若干类群再做后续分析。
多方案多指标排序,尤其已经通过 AHP 或熵权法拿到权重之后,需要给出综合排序结果。