数学建模点评类模型的优缺点总结

  数学建模中，点评类模型是一类比较根底的数学模型之一，往往是对应日子中的一些实践问题。最常见的数学模型包括：层次剖析法、含糊归纳点评、熵值法、TOPSIS法、数据包络剖析、秩和比法、灰色相关法。下面关于上述几种模型的优缺点进行体系地剖析。

  层次剖析法是一种体系性的剖析办法。层次剖析法把研讨方针作为一个体系，依照分化、比较判别、归纳的思想办法进行决议计划，成为继机理剖析、计算剖析之后发展起来的体系剖析的重要东西。

  层次剖析法是一种简练有用的决议计划办法。这种办法既不单纯寻求深邃数学，还不片面地重视行为、逻辑、推理，而是把定性办法与定量办法有机地结合起来。

  层次剖析法所需定量数据信息比较少。层次剖析法主要是从点评者对点评问题的实质、要素的了解动身，比一般的定量办法更考究定性的剖析和判别。

  层次剖析法的特征值和特征向量的精确求法很杂乱。在求判别矩阵的特征值和特征向量时，所用的办法和咱们多元计算所用的办法是相同的。

  层次剖析法只能从原有计划中进行选取，而不能为决议计划者供给处理实践问题的新计划。

  含糊点评经过精确的数字手法处理含糊的点评方针，能对蕴藏信息呈现含糊性的材料作出比较科学、合理、靠近实践的量化点评。

  含糊点评法的点评成果是一个矢量，而不是一个点值，包括的信息比较丰富，既可以比较精确的描写被点评方针，又能愈加进一步加工，得到参阅信息。

  当方针集U较大时，在权矢量和为1的条件束缚下，相对从属度权系数往往会偏小，权矢量与含糊矩阵R不匹配，成果会呈现超含糊现象，分辨率很差，无法区别谁的从属度更高，严重情况甚至会形成评判失利，此刻可以正常的运用分层含糊点评法加以改进。

  熵值法是依据各项方针方针值的变异程度来确认方针权数的，这是一种客观赋权法，避免了人的要素带来的误差。

  熵值法疏忽了方针自身重要程度，有时确认的方针权数会与预期的成果相差甚远。

  TOPSIS法避免了数据的主观性，不需要方针函数，不必经过查验，且能很好的描写多个影响方针的归纳影响力度。

  TOPSIS法关于数据散布及样本量、方针多少无严厉约束，既适于小样本材料，也适于多点评单元、多方针的大体系,较为灵敏、便利。

  TOPSIS法不确认方针的选取个数为多少才合适去很好描写方针的影响力度。

  数据包络剖析关于功率的点评成果是一个归纳方针，而且可用于在经济学中使用总出产要素的概念。

  合适作为美赛前大型练习赛和选拔赛，竞赛的标题均以英文方式给出，标题类型分别为MCM（A、B题，比较重视理论和思路）和ICM（C、D题，比较重视实践使用），各参赛队可从4套题中任选一题，要求参赛者供给英文的处理计划。近期收取历年真题及论文材料

  或仿制报名网址上自行注册报名，团体报名可由校园指导老师或建模协会负责人带队安排报名，报名成功后不予退费。