自制python直觉模糊计算文件

た入场券 2022-09-11 12:25 164阅读 0赞

将直觉模糊集的运算封装到了一个py文件中，方便自己在其他文件中调用。包含的运算有交，并，和，积，数乘，乘方，q=1，2，inf情况下的距离测度和相似性测度，得分函数和精确函数，其他还在持续更新中。  
可以满足计算中的基本需求，在这里分享给大家方便使用。  
ps，未来计划将之前写过的直觉模糊文章全部都用该文件进行修正，还想将犹豫模糊，q阶模糊等其他模糊环境的基本运算都封装出来，写的不好，欢迎大家修改。  
下面举个简单的使用例子，数据来自论文《Pythagorean Fuzzy Hamy Mean Operators in  
Multiple Attribute Group Decision Making and Their  
Application to Supplier Selection》实现群决策的方案选优。

使用简单的加权平均算子进行信息融合，代码只需要三行，对每个矩阵调用数乘运算加权，再调用和运算集结。

df1=IFS.plus(IFS.ltimes(w[0],data.df1),IFS.ltimes(w[1],data.df2))
    df2=IFS.plus(IFS.ltimes(w[2],data.df1),IFS.ltimes(w[3],data.df2))
    print(IFS.plus(df1,df2))

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5LiD546E5qGQ_size_20_color_FFFFFF_t_70_g_se_x_16]  
之后随便选一个决策方法选优，获得排名和论文结果一致，说明计算无误。  
![在这里插入图片描述][67605784ad3640828963a0bd6810bc6c.png]  
![在这里插入图片描述][74ba81da3fdb4a14a944794c499744a2.png]

代码如下，py文件放在了GitHub仓库https://github.com/rivendelltom/decision-making-study

import pandas as pd#AHP方法实现
    from matplotlib.cbook import flatten
    import numpy as np
    import scipy as sp
    
    inf=9999999 #代表n
    
    def ifs_jiao(coords1, coords2):  # 交运算
    
          t = list(zip(coords1, coords2))
          t1 = min(t[0])
          t2 = max(t[1])
          return [t1, t2]
    
    
    def ifs_bing(coords1, coords2):  # 并运算
    
        t = list(zip(coords1, coords2))
        print(t)
        t1 = max(t[0])
        t2 = min(t[1])
        return [t1, t2]
    
    
    def plus(coords1, coords2):  # 和运算，支持一对一（就算一个元素也要写成二维数组的形式），多对多
        d1=[]
        d2=[]
        d=[]
        for (x, y) in zip(coords1, coords2):
            d1.append(x[0]+y[0]-x[0]*y[0])
            d2.append(x[1]*y[1])
        t=list(zip(*[d1,d2]))
        for i in t:
            d.append(list(i))
        return d
    def times(coords1, coords2):  # 机运算
        d1=[]
        d2=[]
        d=[]
        for (x, y) in zip(coords1, coords2):
            d1.append(x[0]*y[0])
            d2.append(x[1]+y[1]-x[1]*y[1])
        t=list(zip(*[d1,d2]))
        for i in t:
            d.append(list(i))
        return d
    def ltimes(lamda, coords2):  # 数乘运算
        d1=[]
        d2=[]
        d=[]
        for x,y in coords2:
            d1.append((1-(1-x)**lamda))
            d2.append(y**lamda)
        t=list(zip(*[d1,d2]))
        for i in t:
            d.append(list(i))
        return d
    
    def lpower(lamda, coords2):  # 乘方运算
        d1=[]
        d2=[]
        d=[]
        for x,y in coords2:
            # print(x)
            d1.append(x**lamda)
            # print(d1)
            d2.append((1-(1-y)**lamda))
        t=list(zip(*[d1,d2]))
        for i in t:
            d.append(list(i))
        return d
    
    
    def distance(coords1, coords2,q):  # 计算距离的函数，q可以实现汉明，欧几里得，闵可夫斯基，切比雪夫距离
        n=len(coords1)
        # print(n)
        pai=[]
        d3=[]
        dis=0
        for (x, y) in zip(coords1, coords2):
            pai.append(np.array(1 -x[0]-x[1])-np.array(1- y[0]-y[1]))
            d3.append(np.ndarray.tolist(np.array(x)-np.array(y)))
        t1 ,t2= list(zip(*d3))
        if q==1:
            dis =1- (0.5*(1/n)*(sum(np.abs(t1)+np.abs(t2)+np.abs(pai))))**(1/q)
        if q>=2:
            dis =1-(0.5*(1/n)*(sum(np.power(t1,q)+np.power(t2,q)+np.power(pai,q))))**(1/q)
        if q == inf:
            t = zip(np.abs(t1) , np.abs(t2) , np.abs(pai))
            dis = 1-max(list(map(lambda x: (x[1] + x[0]+x[2])/(2*n), list(t))))
        return dis
    
    def weight_distance(coords1, coords2,q,w):  # 计算加权的距离的函数
        n=len(coords1)
        pai=[]
        d3=[]
        dis=0
        for (x, y) in zip(coords1, coords2):
            pai.append(np.array(1 -x[0]-x[1])-np.array(1- y[0]-y[1]))
            d3.append(np.ndarray.tolist(np.array(x)-np.array(y)))
        t1 ,t2= list(zip(*d3))
        if q==1:
            dis =1- 0.5*(sum(w*(np.abs(t1)+np.abs(t2)+np.abs(pai))))
        if q>=2:
            dis =1- (0.5*np.sum(w * (np.power(t1, q) + np.power(t2, q) + np.power(pai, q))))**(1/q)
        # if q == inf:
        #懒得写了，切比雪夫距离一般用不到
        return dis
    def score(coords1):  # 计算得分函数
        d=[]
        for x,y in coords1:
            d.append(0.5*(1+x**2-y**2))
        return d
    def accuary(coords1):  # 计算精确函数
        d=[]
        for x,y in coords1:
            d.append(x**2+y**2)
        return d
    '''一些简单的求证'''
    # df1 = [[0.3, 0.5],[0.4,0.5],[0.6,0.3]]
    # df2 = [[0.2,0.4],[0.5,0.4],[0.5,0.1]]
    # df3=[[0.3,0.5]]
    # df4=[[0.2,0.4]]
    # print(ifs_plus(df1,df2))
    # print(ifs_times(df1,df2))
    # print(ifs_lamdatimes(2,df1))
    # print(ifs_lamdapower(2,df1))
    # print(distance(df1,df2,2))
    # print(distance(df1,df2,1))
    # print(distance(df1,df2,inf))
    # w=np.array([0.5,0.2,0.3])
    # print(weight_distance(df1,df2,1,w))
    # print(weight_distance(df1,df2,2,w))

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5LiD546E5qGQ_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/fd19f330baf2436789ec0d683922e8dd.png
[67605784ad3640828963a0bd6810bc6c.png]: /images/20220828/58998a5fddcd4640b13ffddb427aa2d2.png
[74ba81da3fdb4a14a944794c499744a2.png]: /images/20220828/290827beaf154141904a9dbc6a4aad79.png