python实现《直觉模糊集决策与对策分析方法》06直觉模糊矩阵对策解法

╰+哭是因爲堅強的太久メ 2022-10-06 14:55 184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》第七章直觉模糊集合矩阵对策及其线性与非线性规划解法。基本思想是根据直觉模糊集合上的支付矩阵，构造线性规划模型求解纳什均衡。  
对于给出的算例进行独立重复实验。代码关键步骤有注释。

'''
    一个很简单的小问题，range函数不支持小数步长，因此需要改成np.arange形式才能进行调参。
    第二个问题是res返回所有的线性规划求解结果，比较冗长，如果仅需要x则可以通过res.x进行调用。
    最有就是通过循环构造了不同参数下的线性规划。这种需要调参的线性规划我还不会用lingo
    '''
    from scipy import optimize as op
    import numpy as np
    np.set_printoptions(suppress=True)
    for l in np.arange(0,1,0.1):
    
        c=np.array([0,0,0,1])
        A_ub=np.array([[np.log(0.05),(np.log(0.75))*l+(np.log(0.7))*(1-l),(np.log(0.5))*l+(np.log(0.4))*(1-l),-1]
                          ,[(np.log(0.3))*l+(np.log(0.25))*(1-l),np.log(0.05),np.log(0.95),-1]
                          ,[(np.log(0.5))*l+(np.log(0.4))*(1-l),(np.log(0.3))*l+(np.log(0.25))*(1-l),np.log(0.05),-1]])
        B_ub=np.array([0,0,0])
        A_eq=np.array([[1,1,1,0]])
        B_eq=np.array([1])
        x1=(0,1)
        x2=(0,1)
        x3=(0,1)
        x4=(None,0)
        res=op.linprog(c,A_ub,B_ub,A_eq,B_eq,bounds=(x1,x2,x3,x4))
        print(res.x)
    print("...")
    for l in np.arange(0,1,0.1):
    
        c=np.array([0,0,0,1])
        A_ub=np.array([[-np.log(0.05),-((np.log(0.3))*l+(np.log(0.25))*(1-l)),-((np.log(0.5))*l+(np.log(0.4))*(1-l)),1]
                          ,[-((np.log(0.75))*l+(np.log(0.7))*(1-l)),-np.log(0.05),-((np.log(0.3))*l+(np.log(0.25))*(1-l)),1]
                          ,[-((np.log(0.5))*l+(np.log(0.4))*(1-l)),-np.log(0.95),-np.log(0.05),1]])
        B_ub=np.array([0,0,0])
        A_eq=np.array([[1,1,1,0]])
        B_eq=np.array([1])
        x1=(0,1)
        x2=(0,1)
        x3=(0,1)
        x4=(None,0)
        res=op.linprog(-c,A_ub,B_ub,A_eq,B_eq,bounds=(x1,x2,x3,x4))
        print(res.x)

分别代表x和y在不同参数下的均衡解。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNDgzNg_size_16_color_FFFFFF_t_70]  
10.18修改代码，新增功能可以传入一个直觉模糊矩阵

'''
    值为ifs的博弈论代码
    
    一个很简单的小问题，range函数不支持小数步长，因此需要改成np.arange形式才能进行调参。
    第二个问题是res返回所有的线性规划求解结果，比较冗长，如果仅需要x则可以通过res.x进行调用。
    
    '''
    from scipy import optimize as op
    import numpy as np
    import pandas as pd
    np.set_printoptions(suppress=True)
    def gety(df):#支持传入一个矩阵，其他参数还得调整
        c=np.array([0,0,0,1])
        A_ub=np.array(df)
        B_ub=np.array([0,0,0])
        A_eq=np.array([[1,1,1,0]])
        B_eq=np.array([1])
        x1=(0,1)
        x2=(0,1)
        x3=(0,1)
        x4=(None,0)
        res=op.linprog(c,A_ub,B_ub,A_eq,B_eq,bounds=(x1,x2,x3,x4))
        return res.x
    
    if __name__ == '__main__':
        df=pd.DataFrame([[0.95,0.05,0.7,0.25,0.5,0.4],
                         [0.25,0.7,0.95,0.05,0.7,0.25],
                         [0.5,0.4,0.05,0.95,0.95,0.05]])
        l=0.5
        #对于奇偶列分别使用不同的函数操作，使用apply加匿名函数实现。
        df1=df.iloc[:,0::2].apply(lambda x :l*np.log(1-x))
        df2=df.iloc[:,1::2].apply(lambda x :(1-l)*np.log(x))
        '''重置列索引，需要把矩阵转置再转置'''
        df1=df1.T.reset_index(drop=True).T
        print(df1)
        df2=df2.T.reset_index(drop=True).T
        print(df2)
        #计算一个直觉模糊元的值，就是最后需要进行线性规划的原始矩阵
        df=df1+df2
        print(df)
    
        '''
        # dff=pd.concat([df1,df2],axis=1)
        # dff=dff.sort_index(axis=1)
        这两行代码的目的是将奇偶列操作后的矩阵复原，只需要简单的拼接后重置索引即可
        但这里不需要，作为一个方法记录
        
           求x的纳什均衡，就是求行策略，因此需要对行作线性规划。 
        '''
        df1=df.copy().T#因为要对源实矩阵作两次函数，因此复制保证不会被纂改
        df1.insert(loc=df1.shape[1],column=df1.shape[1],value=-1)
        #给矩阵添加新列，新列的索引就是df1.shape[1],因为左闭右开所以取不到右边界，右边界就是下一个索引
        print(df1)
        print(gety(df1))
        #求y的纳什均衡，就是求列策略，因此需要对列做线性规划
        df2=df.copy()
        df2.insert(loc=df2.shape[1],column=df2.shape[1],value=-1)
        print(df2)
        print(gety(df2))#对偶规划将矩阵转置再变号就相当与调用原规划，得到结果一致。
        # print(getx(df2.applymap(lambda x:-x)))
    
    
    # def getx(df):
    #     c=np.array([0,0,0,1])
    #     A_ub=np.array(df)
    #     B_ub=np.array([0,0,0])
    #     A_eq=np.array([[1,1,1,0]])
    #     B_eq=np.array([1])
    #     x1=(0,1)
    #     x2=(0,1)
    #     x3=(0,1)
    #     x4=(None,0)
    #     res=op.linprog(-c,A_ub,B_ub,A_eq,B_eq,bounds=(x1,x2,x3,x4))
    #     return res.x

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

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDAxNDgzNg_size_16_color_FFFFFF_t_70]: /images/20221005/2d259b02e5a040989d8c183056c89d1c.png