可拓云模型综合评价

方法概述

可拓云模型是融合可拓学（Extension Theory）与云模型（Cloud Model）的一种综合评价方法，由我国学者蔡文与李德毅等提出。它利用云模型处理评价中的随机性与模糊性，同时借助可拓物元理论刻画评价等级边界和关联度，适用于多指标、多等级的不确定系统评价问题。

该方法的核心理念是：

  • 将每个评价等级对应一个标准云，由期望 \(Ex\)、熵 \(En\) 和超熵 \(He\) 三个数字特征描述。
  • 通过正向云发生器生成大量云滴，模拟评价等级内指标值的分布。
  • 计算待评对象指标值对各等级云的关联度（期望隶属度），并加权汇总得到综合关联度。
  • 根据最大综合关联度确定最终评价等级，同时利用综合等级变量特征值定量反映等级偏向。
  • 支持蒙特卡洛可信度分析，评估等级划分的稳定性。

计算步骤

1. 数据准备与格式

Excel 文件必须包含三个工作表：

  • 经典域：第一列为评价等级名称，后续各列为每个指标对应的等级区间（字符串格式 “下界,上界”）。例如：0,0.25。
  • 待评物元：第一列为待评价对象名称，后续各列为各指标的实际数值。
  • 指标权重：第一列为指标名称，第二列为权重值（权重和应为1）。

2. 计算经典域云数字特征

对经典域中每个等级 \(h\) 的每个指标 \(j\)，区间为 \([a_{hj}, b_{hj}]\)，计算云特征：

  • 期望 \(Ex_{hj} = \frac{a_{hj} + b_{hj}}{2}\)
  • 熵 \(En_{hj}\) 按用户选择的规则计算：
    • 3En 规则：\(En_{hj} = \frac{b_{hj} - a_{hj}}{6}\)（认为区间边界对应隶属度 \(e^{-9/2}\approx 0.011\)）
    • 50% 关联度规则：\(En_{hj} = \frac{b_{hj} - a_{hj}}{2\sqrt{\ln 2}}\)（区间边界对应隶属度 0.5）
    • 优化熵：通过数值优化（如 L‑BFGS‑B）求解 \(En\)，使该区间各点的期望隶属度与参考规则（3En 规则）的隶属度曲线偏差最小。
  • 超熵 \(He_{hj} = p \cdot En_{hj}\)，其中 \(p\) 为超熵系数（用户设定，默认 0.1）。

3. 正向云发生器

对于给定的 \((Ex, En, He)\)，生成 \(N\) 个云滴：

  1. 生成正态随机数 \(En' \sim N(En, He^2)\)
  2. 生成正态随机数 \(x \sim N(Ex, (En')^2)\)
  3. 计算隶属度 \(\mu = \exp\left(-\frac{(x-Ex)^2}{2(En')^2}\right)\)

正向云发生器有两种实现方法（用户可选）：

  • 独立法：\(En'\) 与 \(x\) 独立生成。
  • 顺序法：先生成 \(En'\)，再以该 \(En'\) 生成 \(x\)。

4. 计算指标值的关联度（期望隶属度）

对于待评对象 \(i\) 的指标值 \(z_j\)，计算其对等级 \(h\) 的关联度： \[ \mu_{ijh} = \frac{1}{M} \sum_{k=1}^{M} \exp\left(-\frac{(z_j - Ex_{hj})^2}{2 (En'_{k})^2}\right), \quad En'_{k} \sim N(En_{hj}, He_{hj}^2) \] 其中 \(M\) 为关联度采样次数（用户设定，如 10000）。通过多次采样平均得到期望关联度，消除随机性影响。

5. 计算综合关联度

将各指标权重 \(w_j\) 加权求和： \[ \rho_{ih} = \sum_{j=1}^{n} w_j \cdot \mu_{ijh} \] 得到对象 \(i\) 对等级 \(h\) 的综合关联度。

6. 确定最终等级与综合等级变量特征值

  • 最终等级：\(G_i = \arg\max_h \rho_{ih}\)
  • 综合等级变量特征值（用于定量描述等级偏向）： 设 \(\rho_{ih}\) 归一化后为 \(\bar{\rho}_{ih}\)，令 \(h\) 从低到高对应 \(h=1,2,\dots,K\)，则： \[ H_i^* = \frac{\sum_{h=1}^K h \cdot \bar{\rho}_{ih}}{ \sum_{h=1}^K \bar{\rho}_{ih} } \] 该值越接近 \(h\)，表示等级越接近第 \(h\) 级，且可在不同对象间比较优劣。

7. 可信度分析（可选，蒙特卡洛模拟）

重复以下步骤 \(R\) 次（如 1000 次）：

  • 保持经典域云特征不变，每次重新采样计算综合关联度（即重复步骤 3‑5）。 统计每个对象被判定为各等级的频率，得到概率矩阵。对象的最大概率值即为“可信度”，表示评价结果在随机波动下的稳定性。

案例分析

案例背景：评价 3 个城市（A、B、C）的环境质量，指标为：空气质量指数（AQI）、绿化覆盖率（%）、工业废水排放达标率（%）。划分三个等级：Ⅰ级（优）、Ⅱ级（良）、Ⅲ级（差）。经典域区间如下：

等级 AQI 绿化覆盖率 废水达标率
Ⅰ 0,50 30,100 90,100
Ⅱ 50,100 15,30 75,90
Ⅲ 100,150 0,15 0,75

权重：AQI 0.4，绿化 0.3，废水达标率 0.3。待评物元：

城市 AQI 绿化覆盖率 废水达标率
A 35 45 95
B 75 20 82
C 120 8 60

计算过程（简略，采用 3En 规则，He=0.1，采样次数 10000）

  1. 经典域云特征（以 AQI 为例）：

    • Ⅰ级：Ex=25, En=(50-0)/6≈8.333, He=0.833
    • Ⅱ级：Ex=75, En≈8.333, He=0.833
    • Ⅲ级：Ex=125, En≈8.333, He=0.833

  2. 计算各指标关联度（城市 A，AQI=35）：

    • 对Ⅰ级：\(\mu \approx 0.78\)
    • 对Ⅱ级：\(\mu \approx 0.12\)
    • 对Ⅲ级：\(\mu \approx 0.01\)

  3. 综合关联度（城市 A）：

    • \(\rho_A^{(Ⅰ)} = 0.4\times0.78 + 0.3\times0.95 + 0.3\times0.99 \approx 0.894\)
    • \(\rho_A^{(Ⅱ)} \approx 0.4\times0.12 + 0.3\times0.30 + 0.3\times0.20 \approx 0.198\)
    • \(\rho_A^{(Ⅲ)} \approx 0.4\times0.01 + 0.3\times0.00 + 0.3\times0.00 \approx 0.004\)

    最大为 Ⅰ级，因此城市 A 等级为“优”。

  4. 同理可计算城市 B、C，结果：

    • B：Ⅱ级（良）
    • C：Ⅲ级（差）

  5. 综合等级特征值：A 的 \(H^*\) 约为 1.01，B 约为 2.05，C 约为 3.02，与定性判断一致。

常见问题

Q1: 经典域区间边界如何确定？
A: 通常根据评价标准、规范或专家经验设定。区间边界应覆盖该等级下的指标取值范围，相邻等级区间可以首尾相接（如 [0,50] 与 [50,100]）或留有小重叠/间隙。

Q2: 为什么需要关联度采样次数？
A: 由于正向云生成的随机性，单次关联度计算不稳定。通过多次采样平均（期望关联度）可消除随机波动，次数越多结果越稳定（建议 ≥10000）。

Q3: 优化熵规则有什么好处？
A: 使计算出的 \(En\) 产生的隶属度曲线在区间内部的分布更贴合参考规则（如 3En 规则），但会显著增加计算量（每个区间需独立优化）。适用于对隶属度精度要求高的场合。

Q4: 超熵系数 \(p\) 如何设置？
A: \(p\) 控制云滴的离散程度，通常取 0.01～0.2。\(p\) 越大，云滴在期望附近的分布越分散，评价结果对随机因素更敏感。建议取 0.1 作为默认值。

Q5: 可信度分析的作用是什么？
A: 通过蒙特卡洛模拟评估等级对采样随机性的稳定性。若某对象的可信度低于 80%，说明其综合关联度接近多个等级边界，结果需谨慎解读。

Q6: 支持多组待评对象吗？
A: 支持。待评物元工作表中可包含多行，每行为一个独立对象，结果将分别给出。

平台功能

数据输入

  • 支持 Excel 文件（.xlsx, .xls），必须包含“经典域”、“待评物元”、“指标权重”三个工作表。
  • 自动检测工作表是否存在，缺失会报错。
  • 自动删除全空行。

参数设置

  • 云滴数量（每个等级）：100～5000，用于绘制云图。
  • 正向云计算方法：独立法 / 顺序法。
  • 关联度采样次数：100～500000（决定期望关联度稳定性）。
  • En 计算规则：3En 规则 / 50% 关联度规则 / 优化熵。
  • 超熵系数 \(p\)：0.01～2。
  • 优化熵算法：L‑BFGS‑B、SLSQP、TNC、Nelder‑Mead。
  • 优化熵采样次数：1000～100000。
  • 可信度分析开关及蒙特卡洛模拟次数：100～10000。
  • 结果小数位数：1～10 位。

结果展示

  • 最终评价等级、综合等级特征值、最大综合关联度。
  • 综合关联度矩阵（对象 × 等级）。
  • 经典域云特征表（各等级各指标的 Ex, En, He）。
  • 指标关联度表：每个指标对各等级的关联度及最佳等级（可下拉选择对象，独立展示）。
  • 标准云综合特征（用于综合云图）。
  • 可信度分析结果（概率分布与可信度，若开启）。

可视化

  • 标准云图：可选择“综合云”或任意单个指标，展示各等级云滴散点图（\(x\) 为指标值，\(y\) 为隶属度）。
  • 综合关联度柱状图：显示首个对象在各等级上的综合关联度。
  • 云图与柱状图支持实时调整：宽度、高度、绘图风格（带/不带网格）、颜色色卡、字体（坐标轴/标签/图例/刻度）、坐标轴标签和标题。
  • 支持手动更新云图（切换指标后需点击“更新云图”按钮）。

AI 智能分析

  • 调用 DeepSeek API（模型 deepseek‑v4‑flash）对综合评价结果进行解读。
  • 用户可自定义提示词（如关注哪方面决策建议），每日限 3 次。

报告导出

  • Excel 报告：包含所有结果表（最终结果、综合关联度、经典域特征、标准云特征、所有对象的指标关联度、可信度分析表格、参数设置）。
  • HTML 报告：类似 Excel，生成可直接打印的网页。

使用建议

  1. 数据准备
    • 确保经典域中的区间字符串严格符合“数字,数字”格式（半角逗号，无空格）。
    • 权重和为 1（程序会给出警告但不会自动归一化）。
    • 指标名称在各工作表间必须一致（大写小写、空格需匹配）。
  2. 参数选择
    • 若希望评价结果稳定，关联度采样次数设为 ≥10000。
    • 一般场景推荐使用 3En 规则 + He=0.1，兼顾计算效率与合理性。
    • 若需高精度隶属度且区间数量不多（如 ≤10 个），可尝试“优化熵”规则，但计算时间会增加数倍。
    • 可信度分析建议开启，模拟次数 1000 可提供初步参考。
  3. 结果解读
    • 最终等级是综合关联度最大的等级。
    • 综合等级特征值 \(H^*\) 若接近整数，说明归属该等级明确；若接近 1.5 或 2.5，则处于等级边界附近，需结合原始数据进一步分析。
    • 指标关联度表可帮助识别短板指标：若某指标的最大关联度对应的等级与最终等级不同，说明该指标是限制因素。
  4. 云图阅读
    • 云图横坐标为指标值，纵坐标为隶属度。同一等级的云滴应集中在 \(Ex\) 附近，且分布宽度由 \(En\) 决定。
    • 若不同等级云滴重叠严重，说明该指标区分度不足，可能需要调整经典域区间。
  5. 计算性能
    • 关联度采样次数 = 10000，对象数 = 10，指标数 = 5 时，单次计算约需 1‑2 秒；若开启优化熵和可信度分析，耗时将显著增加，请耐心等待。

平台界面

官方地址：https://superr.online

可拓云模型评价工具界面

平台界面包含：数据上传区（经典域/待评物元/权重三个选项卡预览）、参数设置区（En规则、采样次数、可信度开关等）、结果展示选项卡（最终等级、指标关联度、云图）、绘图参数面板及AI分析模块

参考文献

  1. 蔡文. 物元模型及其应用[M]. 科学技术文献出版社, 1994.
  2. 李德毅, 杜鹢. 不确定性人工智能[M]. 国防工业出版社, 2005.
  3. 王洪利, 冯玉强. 基于云模型的可拓综合评价方法及其应用[J]. 系统工程与电子技术, 2008, 30(9): 1699‑1702.
  4. 杨春燕, 蔡文. 可拓工程方法[M]. 科学出版社, 2007.