python实现《直觉模糊集决策与对策分析方法》02基于算子的多属性决策方法

爱被打了一巴掌 2022-10-06 11:48 140阅读 0赞

这是李登峰老师《直觉模糊集决策与对策分析方法》第二章直觉模糊集合多属性决策的直觉模糊广义混合加权集结方法。  
对于给出的算例进行独立重复实验。开头的注释是我学习过程中遇到的insert函数的使用方法，之后的代码关键步骤有注释。

'''
    np自带的insert函数非常强大，这是他的技术文档，简单来说，就是传入三个参数，第一个参数是原数列，第二个单数是插入顺序，第三个参数是插入数列。
    如果不指定轴参数，数组将以一维的形式进行排版，如果传入的参数，则按照给定的轴进行广播。
    
    import numpy as np
    a = np.array([[1,2],[3,4],[5,6]])
    
    print 'First array:'
    print a
    print '\n'
    
    print 'Axis parameter not passed. The input array is flattened before insertion.'
    print np.insert(a,3,[11,12])
    print '\n'
    print 'Axis parameter passed. The values array is broadcast to match input array.'
    
    print 'Broadcast along axis 0:'
    print np.insert(a,1,[11],axis = 0)
    print '\n'
    
    print 'Broadcast along axis 1:'
    print np.insert(a,1,11,axis = 1)
    其输出如下
    
    First array:
    [[1 2]
     [3 4]
     [5 6]]
    
    Axis parameter not passed. The input array is flattened before insertion.
    [ 1 2 3 11 12 4 5 6]
    
    Axis parameter passed. The values array is broadcast to match input array.
    Broadcast along axis 0:
    [[ 1 2]
     [11 11]
     [ 3 4]
     [ 5 6]]
    
    Broadcast along axis 1:
    [[ 1 11 2]
     [ 3 11 4]
     [ 5 11 6]]
    '''
    import pandas as pd#模糊综合评判
    import numpy as np
    n=4
    w_author=np.dot([0.35,0.3,0.25,0.1],n)
    w_loc= [0.24,0.26,0.26,0.24]
    w1=np.insert(w_author,[0,1,2,3],w_author)#这里传入了一个位置数列，将待插入元素一个一个的插入到了原数列中。没有使用轴参数，因此最终也是一个一维向量
    print(w1)
    w2=np.array(w1)
    def getdef():#获得矩阵
        return  pd.read_excel('D:\study\\test\data\\t12.xlsx')  # 这个会直接默认读取到这个Excel的第一个表单
    def getentrx(df,w_author):#这里对矩阵进行加权
        df.iloc[:, [i % 2 == 0 for i in range(len(df.columns))]] = 1 - df.iloc[:,[i % 2 == 0 for i in range(len(df.columns))]]
        f = lambda df: df ** w_author  # 两个星号是幂的意思，和我现在用的power一样
        df = df.apply(f,axis=1)
        df.iloc[:, [i % 2 == 0 for i in range(len(df.columns))]] = 1 - df.iloc[:,[i % 2 == 0 for i in range(len(df.columns))]]
        return df
    def getpoint(df):#这里计算矩阵的得分函数，然后根据得分函数重新排列矩阵。
        # df1 = df.iloc[:, ::2]
        # df2 = df.iloc[:, 1::2]
        # df1=df1.T.reset_index(drop=True).T
        # df2= df2.T.reset_index(drop=True).T
        # c1 = df1- df2
        # print(c1)
        '''没有找到合适的方法对矩阵仅一列元素进行排序不改变整体，因此只能肉眼比大小，然后找出元素交换顺序，这里肯定还需要改进，
        目前看到的两个方法,一个是sort_index这个方法是对矩阵的索引进行排序，一个是sortvalues这个方法是对矩阵的值进行排序，两种方法都不适用于我的需求'''
        temp1= df.loc[3,1]
        temp2= df.loc[3,2]
        df.loc[3,1]=df.loc[3,3]
        df.loc[3,2]=df.loc[3,4]
        df.loc[3, 3] = temp1
        df.loc[3,4]=temp2
        return df
    def ranks(df,w):#这里对方案进行选优，还是使用得分函数进行偏好关系的比较。
        d1 = df.iloc[:, ::2]
        d2 = df.iloc[:, 1::2]
        df1=d1.T.reset_index(drop=True).T
        df2= d2.T.reset_index(drop=True).T
        df2=1-df2
        df11= np.sqrt(1-np.prod(np.power(1-df1**2,w),axis=1))
        df22=1-np.sqrt(1-np.prod(np.power(1-df2**2,w),axis=1))
        df4=pd.concat([df11,df22],axis=1)
        df3=df11-df22
        return df3.sort_values(ascending=False)
    if __name__ == '__main__':
        df=getdef()
        df1=getentrx(df,w2)
        print('初始矩阵为',df)
        print('加权矩阵为',df1)
        df2=getpoint(df1)
        print(df2)
        print(ranks(df2,w_loc))

github仓库在https://github.com/rivendelltom/decision-making-study