基于遗传算法的BWM方法(最优最差方法)

2024-02-02 05:10

本文主要是介绍基于遗传算法的BWM方法(最优最差方法),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

前言

BWM方法介绍

基本原理

权重计算

遗传算法

算法简介

原理

参考程序

程序测试

参考文献


 

前言

       荷兰学者 Jafar Rezaei 于 2015 年提出了一种新的多准则决策方法——最优最劣法(Best-worst Method),相较于层次分析法,该方法可以更为简便的确定出每一个准则的权重。本文将使用遗传算法来实现该方法。

BWM方法介绍

基本原理

        BWM方法在保留两两对比思想的前提下对层次分析法(AHP)进行了算法改进,不是直接比较所有成对指标,而是先判定最优、最劣指标,再分别比较最优指标和其余指标、其余指标和最劣指标的相对重要性程度。因此对于eq?n个指标来说,层次分析法需要eq?n%5E2-n个比较数据,而在 BWM 中,只需要将最优、最劣指标分别与eq?n-2个其余指标进行比较,得到eq?2n-3个比较数据即可计算权重分布,基本原理如下图所示。

88149d283f9e4463847599c433d55e50.png

权重计算

        假设现在有eq?n个准则,即eq?n个评价对象:

 eq?%5C%7B%7BA_%7B1%7D%2CA_%7B2%7D%2C...A_%7Bn%7D%7D%5C%7D

其中,eq?A_%7BB%7Deq?A_%7BW%7D分别表示最优准则和最差准则。

        将最优、最差准则分别与其他准则进行比较,将最优指标 eq?A_%7BB%7D对其余指标eq?A_%7Bi%7D的相对重要性程度用 1-9 标度表示,得到评分向量:

eq?V_%7BB%7D%3D%5C%7BV_%7BB1%7D%2CV_%7BB2%7D%2C...%2CV_%7BBn%7D%5C%7D

显然,eq?V_%7BBB%7D%3D1

        再将最劣最劣(最不重要、最不理想)指标 eq?A_%7BW%7D相对于其余指标eq?A_%7Bj%7D 的相对重要性程度用 1-9 标度表示,得到评分向量:

eq?V_%7BW%7D%3D%5C%7BV_%7BW1%7D%2CV_%7BW2%7D%2C...%2CV_%7BWn%7D%5C%7D

显然eq?A_%7BWW%7D%3D1

        在此规则下,所有的专家打分均大于或等于 1。

        设最优权重向量为:

eq?w%5E*%3D%28w_%7B1%7D%5E*%2Cw_%7B2%7D%5E*%2C...%2Cw_%7Bn%7D%5E*%29

        因此,最优化问题目标函数与约束条件如下:

2159dce623d1483da83ae9a9f6eacda1.png79e2dfe01c9543c39b0a51b745589e5a.png

        因此,使用遗传算法对一致性指标 eq?%5Cxi 的最小值进行优化,即可确定最优权重以及的对应的一致性指标。

遗传算法

总体思路

       首先要清楚一点,就是遗传算法是一种随机优化算法,用一组随机数带入适应度函数中计算,按照一定的规则进行多次迭代,最后在多个适应值中找到最大的一个。在本算法中,生成n个随机数,之和为1,当做权重来计算ξ,对结果进行取倒数操作,多次迭代后找到的最大值再取倒数之后就是最小值了。

算法简介

        遗传算法是模仿生物遗传学和自然选择机理,通过人工方式所构造的一类优化搜索算法,是对生物进化过程进行的一种数学仿真,是进化计算的最重要的形式。这是一种一种新的全局优化搜索算法,以其简单通用、鲁棒性强、适合并行处理及应用范围广等显著特点,奠定了它作为21世纪关键智能计算之一的地位。

原理

1. 编码与解码:将问题结构变换为位串形式编码表示的过程。本例中待优化参数有eq?n个,可以将每一个个体的二进制编码分为eq?n组,解码时对每一个参数单独解码即可

2. 适应度函数

(1)适应度(fitness)就是借鉴生物个体对环境的适应程度,而对问题中的个体对象所设计的表征其优劣的一种测度。

(2)适应度函数(fitness function)就是问题中的全体个体与其适应度之间的一个对应关系。它一般是一个实值函数。该函数就是遗传算法中指导搜索的评价函数。

(3)体现染色体的适应能力,对问题中的每一个染色体都能进行度量的函数,叫适应度函数。

(4)对优化问题,适应度函数就是目标函数。

       在本例中所设计的适应度函数是计算一致性指标,对其进行取倒数操作,对倒数最大值的优化就是对一致性指标最小值的优化。          

3. 遗传、选择、交叉、变异

该部分的具体操作可以参考:

【精选】遗传算法原理及其matlab程序实现_遗传算法实例matlab-CSDN博客

参考程序

1. 主函数

clear;clc;close all
UnknowNum = input("需要优化的权重的数目为:");
mic = input("最优准则为:");
lic = input("最差准则为:");
popsize = 20;     %群体大小
PartLen = 7;    % 每一部分的码长(可以不改)
N = 20000;  % 遗传迭代次数chromlength = UnknowNum*PartLen; %字符串长度(个体长度)
pc = 0.6;         %交叉概率,只有在随机数小于pc时,才会产生交叉
pm = 0.001;       %变异概率
pop = initpop(popsize,chromlength);   %随机产生初始群体
VBi = repmat(mic,popsize,1);
VjW = repmat(lic,popsize,1);
Best = find(mic == 1,2);
Worst = find(lic == 1,2);
y = zeros(1,N);% 初始化
x = cell(1,N);
for i=1:N    % 遗传代数objvalue = calobjvalue(pop,PartLen,popsize, ...UnknowNum,Best,Worst,VBi,VjW);  %计算目标函数fitvalue = calfitvalue(objvalue);   %计算群体中每个个体的适应度newpop = selection(pop,fitvalue);   %复制newpop1 = crossover(newpop,pc);     %交叉newpop2 = mutation(newpop1,pm);     %变异objvalue = calobjvalue(newpop2,PartLen,popsize, ...UnknowNum,Best,Worst,VBi,VjW);    %计算目标函数fitvalue = calfitvalue(objvalue);   %计算群体中每个个体的适应度[bestindividual,bestfit]=best(newpop2,fitvalue);%求出群体中适应值最大的个体及其适应值y(i)=bestfit;    %返回的 y 是自适应度值,而非函数值x{i}=decode(bestindividual,UnknowNum,PartLen);%将自变量解码成十进制pop=newpop2;
end
[z,index]=max(y);
w = cell2mat(x(index));
for i=1:UnknowNumB(i) = abs(w(Best)./w(i)-VBi(i));W(i) = abs(w(i)./w(Worst)-VjW(i)); 
end
kesi = 1/max([B,W]);
disp("最优权重为:");
disp(w);
disp("最优一致性数量指标:");
disp(kesi);

2. 群体初始化

%初始化
function pop = initpop(popsize,chromlength) pop=round(rand(popsize,chromlength));
end

3. 适应度函数

%实现目标函数的计算,将二值域中的数转化为变量域的数
function objvalue = calobjvalue(pop,PartLen,popsize,UnknowNum,Best,Worst,VBi,VjW)       temp = zeros(popsize,UnknowNum);for i=1:UnknowNumtemp(:,i) = decodechrom(pop,PartLen*(i-1)+1,PartLen);%将pop每行的每一部分转化成十进制数endtemp = temp./repmat(sum(temp,2),1,UnknowNum); % 归一化d1 = abs((temp(:,Best)./temp)-VBi);d2 = abs((temp./temp(:,Worst))-VjW);dmax = max([d1,d2],[],2);objvalue = 1./dmax;  %计算目标函数值
end

4. 计算个体适应度

function fitvalue = calfitvalue(objvalue)[px,py]=size(objvalue);   %目标值有正有负for i=1:pxif objvalue(i)>0                    temp=objvalue(i);          elsetemp=0.0;endfitvalue(i)=temp;endfitvalue=fitvalue';
end

5. 选择

function newpop = selection(pop,fitvalue) 
[px,py] = size(pop);
totalfit=sum(fitvalue);     %求适应值之和
fitvalue=fitvalue/totalfit; %单个个体被选择的概率
fitvalue=cumsum(fitvalue);    
ms=sort(rand(px,1));    %从小到大排列
fitin=1;
newin=1;
while newin<=px if(ms(newin))<fitvalue(fitin)newpop(newin,:)=pop(fitin,:);newin=newin+1;elsefitin=fitin+1;end
end

6. 交叉

function newpop = crossover(pop,pc)  [px,py]=size(pop);newpop=ones(size(pop));for i=1:2:px-1      if(rand<pc)cpoint=round(rand*py);newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];elsenewpop(i,:)=pop(i,:);newpop(i+1,:)=pop(i+1,:);endend
end

7. 变异

function newpop = mutation(pop,pm)[px,py]=size(pop);newpop=ones(size(pop));for i=1:pxif(rand<pm)mpoint=round(rand*py);     %产生的变异点在1-10之间if mpoint<=0mpoint=1;                         %变异位置endnewpop(i,:)=pop(i,:);if any(newpop(i,mpoint))==0newpop(i,mpoint)=1;elsenewpop(i,mpoint)=0;endelsenewpop(i,:)=pop(i,:);endend
end

8. 群体最大适应值及个体

function [bestindividual,bestfit]=best(pop,fitvalue)
[px,py]=size(pop);
bestindividual=pop(1,:);
bestfit=fitvalue(1);
for i=2:pxif fitvalue(i)>bestfitbestindividual=pop(i,:);bestfit=fitvalue(i);end
end

9. 染色体解码

function pop2=decodechrom(pop,spoint,length)%1  10pop1=pop(:,spoint:spoint+length-1);pop2=decodebinary(pop1);
end

解码子函数

function pop2=decodebinary(pop)
[px,py]=size(pop);     %求pop行和列数
for i=1:py
pop1(:,i)=2.^(py-i).*pop(:,i);
end
pop2=sum(pop1,2);     %求pop1的每行之和

10. 最终权重解码

function w = decode(bestindividual,UnkonwNum,PartLen)w = zeros(1,UnkonwNum);for i = 1:UnkonwNumw(i) = decodechrom(bestindividual,PartLen*(i-1)+1,PartLen);endw = w/sum(w);
end

程序测试

需要优化的权重的数目为:4
最优准则为:[1,5,3,9]
最差准则为:[3,5,1,7]
最优权重为:0.4248    0.1842    0.2444    0.1466最优一致性数量指标:0.4167

声明:

1. 本文代码参考了本站的一位博主,由于时间久远未找到原文,如果原博主看到可以联系我。

2. 本文所有图片均剪切自参考文献。

参考文献

[1]蒋嘉.公共资源交易平台运行绩效评价研究.2022.东南大学,MA thesis.

 

 

 

这篇关于基于遗传算法的BWM方法(最优最差方法)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/669574

相关文章

Windows 上如果忘记了 MySQL 密码 重置密码的两种方法

《Windows上如果忘记了MySQL密码重置密码的两种方法》:本文主要介绍Windows上如果忘记了MySQL密码重置密码的两种方法,本文通过两种方法结合实例代码给大家介绍的非常详细,感... 目录方法 1:以跳过权限验证模式启动 mysql 并重置密码方法 2:使用 my.ini 文件的临时配置在 Wi

MySQL重复数据处理的七种高效方法

《MySQL重复数据处理的七种高效方法》你是不是也曾遇到过这样的烦恼:明明系统测试时一切正常,上线后却频频出现重复数据,大批量导数据时,总有那么几条不听话的记录导致整个事务莫名回滚,今天,我就跟大家分... 目录1. 重复数据插入问题分析1.1 问题本质1.2 常见场景图2. 基础解决方案:使用异常捕获3.

最详细安装 PostgreSQL方法及常见问题解决

《最详细安装PostgreSQL方法及常见问题解决》:本文主要介绍最详细安装PostgreSQL方法及常见问题解决,介绍了在Windows系统上安装PostgreSQL及Linux系统上安装Po... 目录一、在 Windows 系统上安装 PostgreSQL1. 下载 PostgreSQL 安装包2.

SQL中redo log 刷⼊磁盘的常见方法

《SQL中redolog刷⼊磁盘的常见方法》本文主要介绍了SQL中redolog刷⼊磁盘的常见方法,将redolog刷入磁盘的方法确保了数据的持久性和一致性,下面就来具体介绍一下,感兴趣的可以了解... 目录Redo Log 刷入磁盘的方法Redo Log 刷入磁盘的过程代码示例(伪代码)在数据库系统中,r

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

Java中Switch Case多个条件处理方法举例

《Java中SwitchCase多个条件处理方法举例》Java中switch语句用于根据变量值执行不同代码块,适用于多个条件的处理,:本文主要介绍Java中SwitchCase多个条件处理的相... 目录前言基本语法处理多个条件示例1:合并相同代码的多个case示例2:通过字符串合并多个case进阶用法使用

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

html5的响应式布局的方法示例详解

《html5的响应式布局的方法示例详解》:本文主要介绍了HTML5中使用媒体查询和Flexbox进行响应式布局的方法,简要介绍了CSSGrid布局的基础知识和如何实现自动换行的网格布局,详细内容请阅读本文,希望能对你有所帮助... 一 使用媒体查询响应式布局        使用的参数@media这是常用的

Spring 基于XML配置 bean管理 Bean-IOC的方法

《Spring基于XML配置bean管理Bean-IOC的方法》:本文主要介绍Spring基于XML配置bean管理Bean-IOC的方法,本文给大家介绍的非常详细,对大家的学习或工作具有一... 目录一. spring学习的核心内容二. 基于 XML 配置 bean1. 通过类型来获取 bean2. 通过

基于Python实现读取嵌套压缩包下文件的方法

《基于Python实现读取嵌套压缩包下文件的方法》工作中遇到的问题,需要用Python实现嵌套压缩包下文件读取,本文给大家介绍了详细的解决方法,并有相关的代码示例供大家参考,需要的朋友可以参考下... 目录思路完整代码代码优化思路打开外层zip压缩包并遍历文件:使用with zipfile.ZipFil