模糊综合评价

模糊综合评价（Fuzzy Comprehensive Evaluation, FCE）是数学建模中处理评价类问题的主力方法之一：它把"边界不清"的定性评语（如"教学质量好""环境质量优"）用隶属度量化，再通过模糊合成把多个因素的模糊信息汇总成一个综合评价向量。它特别擅长处理"指标是定性打分的、等级之间没有明确分界"的评价场景，常与层次分析法（AHP）、熵权法、TOPSIS 组合使用，是竞赛评价类论文中出现频率最高的算法之一。本文从模糊数学基础、模型五要素、合成算子、评价指标、可视化到可运行代码，完整梳理模糊综合评价的竞赛实战用法。

一、算法含义

1.1 通俗理解：从"85 分算不算优秀"说起

先看一个竞赛中常见的场景：要评价一位教师的教学质量，通常有"教学内容、教学方法、教学态度、教学效果"四个方面（因素），每个方面给出"优秀 / 良好 / 中等 / 及格 / 不及格"五个等级（评语）。问题来了：

• 一位教师某班及格率 92%，这个指标算"优秀"还是"良好"？如果硬性规定"90 分以上算优秀"，那 89.9 分与 90 分只差 0.1 分，却一个"优秀"一个"良好"，这显然不符合人的直觉；
• 专家投票时，20 位专家有 15 位投"优秀"、3 位投"良好"、2 位投"中等"，这个"多数派"结论能有多确定？

经典集合论的回答是"非此即彼"：元素要么属于集合、要么不属于。这种二值逻辑用一个特征函数刻画：

$\chi_A(x) = \begin{cases} 1, & x \in A \\ 0, & x \notin A \end{cases}$

模糊数学（L. A. Zadeh 于 1965 年提出）把"属于"改成一个介于 0 和 1 之间的数——隶属度 $\mu_A(x) \in [0,1]$，表示"$x$ 在多大程度上属于集合 $A$"。于是：

• 及格率 92% 可以"以 0.7 的程度属于优秀、以 0.3 的程度属于良好"，即 $\mu_{\text{优秀}}(92) = 0.7$，$\mu_{\text{良好}}(92) = 0.3$；
• 15/20 位专家投"优秀"，就把"教学内容属于优秀"的隶属度定为 $15/20 = 0.75$。

模糊综合评价做的事情，就是把每个因素对每个等级的隶属度（构成隶属度矩阵 $R$）、每个因素的重要性权重（构成权重向量 $A$），用模糊合成算子"合成"成一个最终的评价向量 $B$——即"评价对象整体上对每个等级的隶属程度"，再据此下结论。整个过程可以用一句话概括：

隶属度矩阵 R 记录"单个因素落在各等级的模糊程度"，权重 A 记录"各因素谁更重要"，模糊合成 B = A ∘ R 把它们揉成一个总评价。

1.2 模糊数学基础：隶属度与隶属函数

隶属函数 $\mu_A(x)$ 把一个具体数值 $x$（指标值、打分、票数比例等）映射为对模糊集合 $A$ 的隶属度。竞赛中常用的隶属函数有三类形状（以 100 分制指标、等级"优秀/良好/中等/及格/不及格"为例，相邻等级间隔 10 分）：

• 升半梯形（常用于最高等级"优秀"）：

$\mu_{\text{优秀}}(x) = \begin{cases} 0, & x < 85 \\ \dfrac{x - 85}{10}, & 85 \le x < 95 \\ 1, & x \ge 95 \end{cases}$

• 降半梯形（常用于最低等级"不及格"）：

$\mu_{\text{不及格}}(x) = \begin{cases} 1, & x < 55 \\ \dfrac{65 - x}{10}, & 55 \le x < 65 \\ 0, & x \ge 65 \end{cases}$

• 中间梯形（常用于"良好/中等/及格"这类中间等级，以"良好"为例）：

$\mu_{\text{良好}}(x) = \begin{cases} 0, & x < 75 \\ \dfrac{x - 75}{10}, & 75 \le x < 85 \\ \dfrac{95 - x}{10}, & 85 \le x < 95 \\ 0, & x \ge 95 \end{cases}$

• 高斯型（曲线光滑，多用于指标取中间值最优的情形）：

$\mu(x) = \exp\left[-\left(\frac{x - c}{\sigma}\right)^2\right]$

三个重要性质：

1. 相邻等级的隶属曲线互相重叠：$x = 92$ 时 $\mu_{\text{优秀}} = 0.7$、$\mu_{\text{良好}} = 0.3$、其余为 0——同一个值同时"部分属于"两个相邻等级，这正是"模糊"二字的含义；
2. 模糊划分（partition of unity）：上面这组梯形隶属函数对任意 $x \in [0,100]$ 都有 $\sum_{j} \mu_{v_j}(x) = 1$，即各等级隶属度之和恒为 1，这保证后续评价向量天然"行归一化"；
3. 隶属函数形状由问题决定：拐点（85、95 等）和斜率（这里都是 10 分宽）是人为设定的，需要根据评分标准的语义在论文中交代清楚。

1.3 模糊综合评价的五个要素

一个完整的模糊综合评价模型由以下五个要素构成（符号定义统一见第五节）：

要素 1：因素集（指标集）$U$

$U = \{u_1, u_2, \dots, u_n\}$

即评价从哪些方面进行。如教学质量评价：$U = \{ \text{教学内容}, \text{教学方法}, \text{教学态度}, \text{教学效果} \}$，共 $n = 4$ 个因素。

要素 2：评语集（等级集）$V$

$V = \{v_1, v_2, \dots, v_m\}$

即评价结果的档次划分。如 $V = \{ \text{优秀}, \text{良好}, \text{中等}, \text{及格}, \text{不及格} \}$，共 $m = 5$ 个等级。评语集一般取 3~5 个等级：太少区分度不足，太多（如 7 级以上）专家难以区分相邻等级。

要素 3：权重向量 $A$

$A = (a_1, a_2, \dots, a_n), \quad a_i \ge 0, \quad \sum_{i=1}^{n} a_i = 1$

$a_i$ 表示第 $i$ 个因素的重要程度。权重通常由 AHP（层次分析法） 给出（构造判断矩阵 → 求特征向量 → 一致性检验），也可以用熵权法（客观数据定权）或两者组合赋权。本文第六节示例中的权重 $A = (0.4231, 0.2274, 0.1222, 0.2274)$ 即由 AHP 方根法算出。

要素 4：单因素评价矩阵（隶属度矩阵）$R$

$R = \begin{pmatrix} r_{11} & r_{12} & \cdots & r_{1m} \\ r_{21} & r_{22} & \cdots & r_{2m} \\ \vdots & \vdots & & \vdots \\ r_{n1} & r_{n2} & \cdots & r_{nm} \end{pmatrix}$

第 $i$ 行 $r_i = (r_{i1}, \dots, r_{im})$ 是第 $i$ 个因素的单因素评价向量：只从这个因素看，对象属于各等级的隶属度。每行必须归一化：$\sum_{j} r_{ij} = 1$。竞赛中 $R$ 的三种构造方式：

构造方式	做法	适用情形
专家投票比例法	请 $K$ 位专家投票，$r_{ij} = \text{投 } v_j \text{ 的人数}/K$	定性指标（本文主例，20 位专家投票）
隶属函数法	指标实测值 $x_i$ 代入各等级隶属函数，$r_{ij} = \mu_{v_j}(x_i)$	定量指标（本文小例，及格率 92%）
频率统计法	大样本调查，$r_{ij} = \text{样本落在等级 } v_j \text{ 的频率}$	问卷/量表数据

要素 5：模糊合成算子 $\circ$

把 $A$ 与 $R$ 合成为总评价向量的运算规则。常用的有三种，见 1.5 节。

1.4 一级模糊综合评价模型

单层（一级）模糊综合评价的模型非常简洁——权重向量与隶属度矩阵做一次模糊合成：

$B = A \circ R = (a_1, \dots, a_n) \circ \begin{pmatrix} r_{11} & \cdots & r_{1m} \\ \vdots & & \vdots \\ r_{n1} & \cdots & r_{nm} \end{pmatrix} = (b_1, b_2, \dots, b_m)$

其中 $b_j$ 是评价对象整体上对第 $j$ 个等级的隶属度，$B$ 称为综合评价向量。以本文示例（教学质量评价）为例，采用加权平均型算子时：

$B = (0.4231, 0.2274, 0.1222, 0.2274) \cdot \begin{pmatrix} 0.75 & 0.15 & 0.10 & 0 & 0 \\ 0.50 & 0.35 & 0.10 & 0.05 & 0 \\ 0.75 & 0.20 & 0.05 & 0 & 0 \\ 0.60 & 0.30 & 0.05 & 0.05 & 0 \end{pmatrix}$

第一分量手算演示（加权平均型 $b_j = \sum_i a_i r_{ij}$）：

$b_1 = 0.4231 \times 0.75 + 0.2274 \times 0.50 + 0.1222 \times 0.75 + 0.2274 \times 0.60 = 0.6591$

同理可得 $B = (0.6591, 0.2357, 0.0825, 0.0227, 0)$，分量和为 1。解读：该教师的教学质量"以 65.91% 的程度属于优秀、23.57% 属于良好、8.25% 属于中等、2.27% 属于及格、0% 属于不及格"。

1.5 常用模糊合成算子（三种）

合成算子 $\circ$ 的选择直接影响结果，是模糊综合评价的核心设计决策。设 $a_i$ 为权重、$r_{ij}$ 为隶属度，三种常用算子如下：

① 主因素决定型 $M(\wedge, \vee)$（取小取大）

$b_j = \bigvee_{i=1}^{n} \left( a_i \wedge r_{ij} \right) = \max_{i} \min(a_i, r_{ij})$

含义：先对每个因素"取小"（$\min(a_i, r_{ij})$，相当于权重给隶属度封顶），再跨因素"取大"（只保留最突出的那个因素）。缺点：大量投票信息被丢弃，$B$ 的分量和往往小于 1，结论偏保守。本文示例中 $M(\wedge,\vee)$ 给出 $B = (0.4231, 0.2274, 0.1000, 0.0500, 0)$，分量和仅 0.8005——"优秀"分量 0.6591 被权重上限 0.4231 直接卡掉了一截。

② 主因素突出型 $M(\cdot, \vee)$（乘积取大）

$b_j = \bigvee_{i=1}^{n} \left( a_i \cdot r_{ij} \right) = \max_i \left( a_i \, r_{ij} \right)$

含义：用乘法代替取小（权重不再"封顶"而是缩放），但最后仍只取最大值，次要因素的信息依然被忽略。比 $M(\wedge,\vee)$ 精细一些，但仍只反映"最突出因素"。

③ 加权平均型 $M(\cdot, +)$（乘加）——竞赛最常用

$b_j = \sum_{i=1}^{n} a_i \, r_{ij}$

含义：权重与隶属度全部参与运算，既体现加权平均、又让每个因素的投票都进入结果。优点：信息利用最充分，$B$ 分量和恒为 1（当 $R$ 行归一化、$A$ 归一化时），结果最均衡可信。本文示例中 $M(\cdot,+)$ 给出 $B = (0.6591, 0.2357, 0.0825, 0.0227, 0)$。

算子	公式	体现权重的方式	信息利用	竞赛建议
$M(\wedge,\vee)$ 取小取大	$b_j = \max_i \min(a_i, r_{ij})$	取小封顶	最少（只留主要因素）	仅做对比，不用它下结论
$M(\cdot,\vee)$ 乘积取大	$b_j = \max_i (a_i r_{ij})$	乘法缩放	较少（仍只取最大）	少用
$M(\cdot,+)$ 加权平均	$b_j = \sum_i a_i r_{ij}$	乘法加权	全部	推荐，竞赛标配

竞赛提示：论文中写"选用加权平均型算子 $M(\cdot,+)$，它能充分利用全部单因素评价信息"这一句话，就足以让评审认可你的算子选择；若再对比一下 $M(\wedge,\vee)$ 的结果并指出其信息丢失，属于加分操作（第六节代码就是这么做的）。

1.6 结果判定：最大隶属度原则与加权平均综合得分

得到 $B$ 后如何下结论？两种主流方法，通常并用：

方法一：最大隶属度原则——$B$ 中最大分量对应的等级就是结论：

$b_{j^*} = \max_{1 \le j \le m} b_j \quad \Rightarrow \quad \text{评价等级为 } v_{j^*}$

但最大隶属度原则不是永远可靠的：当 $B$ 的分布比较"平坦"（最大分量与次大分量相差不大）时，单凭 0.01 的差距下结论没有说服力。常用有效度指标 $\alpha$ 判断（$\beta$ 为最大分量、$\gamma$ 为次大分量、$n$ 为等级数）：

$\alpha = \frac{n\beta - 1}{2\gamma(n-1)}$

• $\alpha \ge 0.5$：最大隶属度原则有效，可直接判定；
• $\alpha < 0.5$（或经验法则 $\beta/\gamma < 1.5 \sim 2$）：原则失效，应改用加权平均综合得分判定。

本文示例：$\beta = 0.6591$，$\gamma = 0.2357$，$\alpha = \frac{5 \times 0.6591 - 1}{2 \times 0.2357 \times 4} = 1.2174 \ge 0.5$，原则有效。

方法二：加权平均综合得分——给每个等级赋一个代表分值 $s_j$，再按隶属度加权：

$S = \sum_{j=1}^{m} s_j \, b_j$

等级	优秀	良好	中等	及格	不及格
赋分 $s_j$（常见）	95	85	75	65	55
综合得分带	$\ge 90$	$[80, 90)$	$[70, 80)$	$[60, 70)$	$< 60$

本文示例：$S = 95 \times 0.6591 + 85 \times 0.2357 + 75 \times 0.0825 + 65 \times 0.0227 = 90.31$ 分 → 对应"优秀"，与最大隶属度原则结论一致。综合得分还有一个大用处：多个评价对象需要排序时，向量 $B$ 之间无法直接比较大小，得分 $S$ 可以——所以竞赛中常给"每位教师/每家企业"都算一个 $S$ 然后排序。

1.7 多级模糊综合评价（因素分层）的思想

当因素很多时（如"教学质量"下分 4 个方面、每个方面下再分 3~4 个具体指标，共十几项），直接让 15 个因素一次性竞争权重会稀释权重、也难以两两比较。多级模糊综合评价把因素分成若干层，逐层评价：

目标层：              教学质量
                      |
准则层：      教学水平          教学素养
              /      \          /      \
指标层：  教学内容  教学方法   教学态度  教学效果

做法分两步（以二级模型为例）：

1. 底层一级评价：对每个准则下的因素子集 $U_k$，用该子集内因素的权重 $A_k$ 与其隶属度矩阵 $R_k$ 合成，得到该准则的评价向量 $B_k = A_k \circ R_k$；
2. 顶层二级评价：把所有准则的评价向量拼成新的"隶属度矩阵" $R' = (B_1; B_2; \dots; B_K)$，再用准则层权重 $A$ 合成：$B = A \circ R'$。

三级、四级模型以此类推，自底向上逐层合成。多级模型的优点：每层因素数量少、权重好定、判断矩阵好构造，且能输出每一层的中间评价结果（如"教学水平"单独评了多少分），论文层次感更强。竞赛中因素超过 6~8 个时，强烈建议使用多级模型。

1.8 优缺点

优点：

• 擅长处理定性、模糊信息：专家评语、满意度打分这类"说不清边界"的信息正是它的主场，不需要硬凑精确数值；
• 结果信息丰富：输出是一个完整的等级分布向量 $B$（而非一个孤零零的分数），可以读出"优秀 66%、良好 24%"这样的细腻结构；
• 模型简单、可解释性强：五要素清清楚楚，公式只有一次矩阵合成，评审老师容易看懂；
• 可分层扩展：多级模型能评价几十个因素的大指标体系；
• 兼容多种定权方法：AHP、熵权、专家打分、组合赋权都可无缝接入。

缺点：

• 隶属度确定主观：隶属函数形状、专家投票、等级划分都依赖人为设定，不同设定可能得出不同结论（应在论文中做灵敏度分析回应）；
• 权重主观：AHP 判断矩阵是专家主观给出，虽有一致性检验兜底，但仍是争议点；
• 结果依赖合成算子：$M(\wedge,\vee)$ 与 $M(\cdot,+)$ 结果差别可能很大，选错算子结论就跑偏；
• 最大隶属度原则可能失效：$B$ 分布平坦时"最大分量"没有说服力，需要 $\alpha$ 检验或改用加权平均；
• 无法处理指标间相关/冲突：这是评价方法共性的短板，可结合 TOPSIS、灰色关联等互验。

二、何时使用（适用场景与条件）

2.1 适用场景

凡满足"评价结果天然是等级、评价信息带有模糊性"的问题，模糊综合评价都值得一试：

1. 教学质量评价：对教师、课程、教材做"优秀/良好/中等/及格/不及格"的评定（本文示例）；
2. 顾客/用户满意度：满意度本身就是"很满意/满意/一般/不满意"的模糊等级，隶属度矩阵可直接来自问卷各档人数比例；
3. 环境质量评价：空气、水质的"优/良/轻度污染/中度污染/重度污染"分级，且各指标（PM2.5、SO₂ 等）的等级边界本身是模糊的；
4. 食品安全风险评估：风险等级（低/中/高）由多种定性、半定量因素共同决定；
5. 工程评标与供应商选择：标书评审的"商务/技术/价格"评分与"优/良/中"评定；
6. 绩效、信用与竞争力评价：员工绩效等级、企业信用评级、城市竞争力等——竞赛中出现频率最高的应用大类。

2.2 竞赛典型题目

评价类题目是国赛的常客，以下题目常被用作模糊综合评价的教学案例：

• 2005 国赛 A 题"长江水质的评价和预测"：对 17 个观测站的水质按《地表水环境质量标准》做综合评价，经典做法即"各指标隶属函数 → 隶属度矩阵 → AHP 定权 → 模糊综合评价"；
• 2015 国赛 B 题"互联网+"时代的出租车资源配置：评价不同时空的"供求匹配程度"（一个典型的模糊概念）；
• 2016 国赛 B 题"小区开放对道路通行的影响"：对小区开放效果做综合评价；
• 历年题目中"满意度调查、服务质量评估、方案比选、绩效评定"类问题，凡涉及定性指标与等级划分的，模糊综合评价几乎都是标配方法之一。

竞赛提示：近年国赛题目越来越开放，评价对象常由参赛者自己定义。模糊综合评价 + AHP 的组合"套路成熟、叙述清晰、结果好看"，是评价类题目性价比最高的方案之一；但也正因用的人多，必须在建模过程（隶属度怎么来的、权重怎么定的、灵敏度如何）上写出细节才能拉开差距。

2.3 使用前提（建模前检查清单）

检查项	具体要求	检查手段
能构造隶属度矩阵	每个因素能给出对各等级的隶属度（投票/隶属函数/频率）	专家问卷可发放、或指标有数值可代公式
评语集合理	等级数 3~5 个，语义互斥且覆盖全部可能	与领域标准一致（如水质标准、绩效等级）
权重有依据	AHP 判断矩阵通过一致性检验（CR < 0.1）	计算 $\lambda_{\max}$、CI、CR
隶属度矩阵行归一化	每行之和为 1，无全零行	按行求和检查
指标同向化	各指标"越大越好"或统一转为正向	逆向指标取倒数/取负后再构造隶属函数
单因素评价可信	投票专家有代表性、样本量足够（一般 ≥ 10 位）	说明专家构成与抽样方法

2.4 不适用 / 慎用的情形

1. 全定量数据且需精确排序：指标都是实测数值（如利润、成本、产量）、评价结果用于精细排序时，TOPSIS（逼近理想解）或熵权法更直接——它们不需要人为划分等级，输出就是精确得分；模糊综合评价的等级划分反而会损失精度；
2. 需要严格客观结论：隶属度与权重都主观，若评审明确要求"完全基于数据的客观评价"，纯模糊综合评价会被质疑，应至少用熵权法替换 AHP 定权；
3. 结果用于精确预测/规划：模糊综合评价是评价方法，不是预测方法；它告诉你"现状处于哪个等级"，不告诉你"明年会是多少"；
4. 评价对象间差异极小时：若所有对象打分都集中在同一等级（如都"良好"），模糊综合评价的区分度很低，需要细化评语集或引入更细的量化指标。

几种主流评价方法的对比：

方法	核心思想	适合情形	与模糊综合评价的关系
模糊综合评价	隶属度矩阵 + 权重合成	定性指标多、等级界限模糊	本文主角
AHP	两两比较定权重	只需定权/多准则决策	常给模糊综合评价供权重，黄金搭档
TOPSIS	距正负理想解的距离排序	全定量、要精确排序	与 FCE 互验或组合成模糊 TOPSIS
熵权法	数据离散程度定客观权重	有完整数据、要客观定权	替换/混合 AHP 为 FCE 定权
灰色关联分析	与参考序列的几何相似度	少数据、贫信息	常与 FCE 并列做交叉验证

2.5 与 AHP、TOPSIS、熵权法的经典组合

1. AHP 定权 + 模糊综合评价（黄金组合）：AHP 负责"谁更重要"（输出权重 $A$），模糊综合评价负责"实际表现如何"（输出向量 $B$）。两者各司其职，是竞赛论文中出现频率最高的评价套路；
2. 熵权法定权 + 模糊综合评价：当指标有实际观测数据时，用熵权法从数据本身提取权重（客观），替换或修正 AHP 的主观权重，回应"权重太主观"的质疑；
3. 组合赋权 + 模糊综合评价：$w_i = \lambda w_i^{AHP} + (1-\lambda) w_i^{熵权}$（线性加权）或 $w_i = w_i^{AHP} w_i^{熵权} / \sum$（乘法归一），主观与客观兼顾；
4. 模糊综合评价 + TOPSIS 交叉验证：同一个问题分别用两种方法评价，若排序结果大体一致，说明结论稳健——这是评审眼中的加分操作；
5. 模糊 TOPSIS：把隶属度矩阵当作决策矩阵、等级当作"属性"，在模糊环境下找理想解，是两方法的直接融合。

三、算法指标

下面每个指标都给出：中文名、公式、取值范围、如何解读。符号定义见第五节，本文示例数值来自第六节可运行程序（教学质量评价示例）。

3.1 综合评价向量 B（各评语等级隶属度）

$B = A \circ R = (b_1, b_2, \dots, b_m), \qquad b_j = \sum_{i=1}^{n} a_i \, r_{ij} \;\; (\text{加权平均型 } M(\cdot,+))$

• 取值范围：$b_j \in [0,1]$；加权平均型下 $\sum_j b_j = 1$（取小取大型下分量和通常 $< 1$，这是判断信息是否丢失的直观标志）；
• 含义：评价对象整体上属于各评语等级的隶属程度，是模糊综合评价的核心输出；
• 解读：本文示例 $B = (0.6591, 0.2357, 0.0825, 0.0227, 0)$，读作"该教师教学质量以 65.91% 的程度属于优秀、23.57% 属于良好、……"；最大分量对应等级即初步结论；分量分布的"尖峭/平坦"反映结论的确定程度。

3.2 综合得分 S（等级赋分加权平均）

$S = \sum_{j=1}^{m} s_j \, b_j = B \cdot (s_1, \dots, s_m)^T$

• 取值范围：介于最高与最低等级赋分之间，如赋分 $[95,85,75,65,55]$ 时 $S \in [55, 95]$，单位与赋分一致（分）；
• 方向：越大越好；
• 解读：把等级分布"压缩"成一个可比较的分数。本文示例 $S = 95 \times 0.6591 + 85 \times 0.2357 + 75 \times 0.0825 + 65 \times 0.0227 + 55 \times 0 = 90.31$ 分，落在 $[90,100]$ 分数带 → "优秀"，与最大隶属度结论一致。主要用途：多个评价对象排序、与最大隶属度结论交叉印证。

3.3 最大隶属度原则及其有效性（$\beta$、$\gamma$ 与 $\alpha$）

$b_{j^*} = \max_j b_j = \beta \quad \Rightarrow \quad v_{j^*} \qquad \alpha = \frac{n\beta - 1}{2\gamma(n-1)}, \quad \gamma = \text{次大分量}$

• 判定规则：$\beta/\gamma \ge 2$（或 $\alpha \ge 0.5$）时最大隶属度原则有效；$\beta/\gamma < 1.5$（或 $\alpha < 0.5$）时原则失效，两个等级"难分高下"，应改用综合得分 $S$ 判定；
• 解读：本文示例 $\beta = 0.6591$（优秀），$\gamma = 0.2357$（良好），$\beta/\gamma = 2.796 \ge 2$，$\alpha = (5 \times 0.6591 - 1)/(2 \times 0.2357 \times 4) = 1.2174 \ge 0.5$，原则有效、结论可信。注意：当 $B$ 出现"双峰"（如 $(0.42, 0.40, 0.18, 0, 0)$）时 $\alpha < 0.5$，硬按最大隶属度下结论会被评审质疑。

3.4 单因素评价向量 $r_i$（第 i 个因素对各等级的隶属度）

$r_i = (r_{i1}, r_{i2}, \dots, r_{im}), \qquad \sum_{j=1}^{m} r_{ij} = 1$

• 取值范围：$r_{ij} \in [0,1]$，行和恒为 1；
• 含义：抛开其他因素，仅从第 $i$ 个因素看，对象属于各等级的程度。它是 $R$ 的一行，也是构成 $B$ 的原料；
• 解读：单因素向量用于短板诊断——哪个因素的最大隶属度落在低等级，哪个因素就是拖后腿的短板。本文示例中"教学内容"的向量为 $(0.75, 0.15, 0.10, 0, 0)$（明显优秀），"教学方法"为 $(0.50, 0.35, 0.10, 0.05, 0)$（相对较弱，还有 5% 专家投"及格"），可知该教师应在教学方法上改进。

3.5 权重一致性指标 CI 与 CR（AHP 定权的配套检验）

$CI = \frac{\lambda_{\max} - n}{n - 1}, \qquad CR = \frac{CI}{RI}$

• RI（平均随机一致性指标）查表值：$n=1,2$ 时 RI $= 0$；$n=3$ 时 $0.58$；$n=4$ 时 $0.89$；$n=5$ 时 $1.12$；$n=6$ 时 $1.24$；
• 判定规则：$CR < 0.1$ 时判断矩阵一致性可接受，权重可信；否则应请专家重新打分；
• 解读：本文示例 $\lambda_{\max} = 4.0104$，$CI = (4.0104-4)/3 = 0.0035$，$CR = 0.0035/0.89 = 0.0039 < 0.1$，一致性检验通过。注意：这个指标本身不是模糊综合评价的输出，但它是 AHP 定权可信度的证明，论文中必须报告。

3.6 指标汇总表

指标	公式	取值/阈值	解读要点
综合评价向量 $B$	$b_j = \sum_i a_i r_{ij}$（$M(\cdot,+)$）	$b_j \in [0,1]$，和为 1	最大分量对应等级即结论；分布平坦则结论不牢
综合得分 $S$	$S = \sum_j s_j b_j$	介于最高/最低赋分之间	用于对象排序；与最大隶属度交叉印证
最大隶属度 $\beta$	$\beta = \max_j b_j$	$[1/n, 1]$	$\beta$ 越接近 1 结论越确定
原则有效性 $\alpha$	$\alpha = \dfrac{n\beta - 1}{2\gamma(n-1)}$	$\alpha \ge 0.5$ 有效	$\alpha < 0.5$ 时改用加权平均判定
单因素评价向量 $r_i$	$R$ 的第 $i$ 行	$r_{ij} \in [0,1]$，行和为 1	短板诊断：看哪个因素弱
一致性指标 $CI$、$CR$	$CI = \dfrac{\lambda_{\max}-n}{n-1}$，$CR = CI/RI$	$CR < 0.1$ 通过	AHP 权重可信度的证明

四、可视化图表

4.1 四张图速查表

图名（文件名）	用途	关键解读点
图① 隶属函数曲线图（fce_membership_curves.png）	展示各等级隶属函数形状（横轴指标值、纵轴隶属度）与相邻等级重叠关系	曲线峰值位置 = 该等级的"典型值"；相邻曲线交点 = 等级分界；好的隶属函数应覆盖全区间、无空档；垂线处的纵坐标即某指标值的各等级隶属度（如 $x=92$ 时优秀 0.7、良好 0.3）
图② 隶属度矩阵热力图（fce_matrix_heatmap.png）	展示 $R$ 的整体结构（行 = 因素、列 = 等级）	颜色越深隶属度越大；每行之和必须为 1；深色块若集中在对角带说明因素间区分度高；某行全浅说明该因素"没有立场"
图③ 各因素评价等级条形图（fce_factor_bars.png）	分组柱状图展示每个因素在各等级的分布	柱高 = 投票比例；哪个因素的"优秀柱"矮、"及格柱"高，哪个就是短板；柱形扁平（各等级差不多）说明该因素争议大
图④ 综合评价结果等级分布图（fce_result_dist.png）	B 向量条形图 + 饼图，标注最大隶属度等级	最高柱（最大扇区）即结论等级，应用醒目颜色高亮并标注数值；分布呈"单峰尖峭" → 结论明确；"双峰/平台" → 最大隶属度原则存疑，改看综合得分

4.2 每张图"好"与"异常"的特征

• 图① 隶属函数曲线：好图——各曲线平滑连续、相邻曲线重叠约一半区间、整个横轴区间无"三不管"空档、任意 $x$ 处各曲线值之和为 1；异常——两曲线之间出现空档（某段 $x$ 对所有等级隶属度都为 0，评价会"卡死"）、曲线总高超过 1（不是模糊划分，$B$ 分量和会大于 1）、拐点位置与评分标准语义不符。
• 图② 热力图：好图——每行和为 1、数值与深浅一致、颜色最深的格子分布在对角线附近（各因素"各说各话"但指向一致）；异常——某一行全为 0（该因素没参与评价，检查数据）、行和 ≠ 1（忘记归一化）、一行均匀分布（该因素区分度为零，考虑删除或重新设计）。
• 图③ 分组柱状图：好图——每组 5 根柱高低错落、每组的"主峰"位置能一眼看出；异常——某因素各柱几乎一样高（无区分度）、柱顶未标注数值（读者无法读取精确比例）、各因素色标与图①②不一致（同一等级换了颜色）。
• 图④ 结果分布图：好图——最大柱高亮且标注数值与等级名、饼图剔除了零扇区、图题含综合得分；异常——双峰或平台分布（必须同时报告 $\alpha$ 与综合得分，不可只按最大隶属度下结论）、饼图带 0 值扇区（出现零厚度细线，不专业）。

五、符号说明

符号	含义	示例/单位
$U$	因素集（指标集）	$U = \{$教学内容, 教学方法, 教学态度, 教学效果$\}$
$V$	评语集（等级集）	$V = \{$优秀, 良好, 中等, 及格, 不及格$\}$
$n$、$m$	因素个数、等级个数	本文示例 $n=4$，$m=5$
$u_i$	第 $i$ 个评价因素	$u_1$ = 教学内容
$v_j$	第 $j$ 个评语等级	$v_1$ = 优秀
$A$	因素权重向量	$A = (0.4231, 0.2274, 0.1222, 0.2274)$
$a_i$	第 $i$ 个因素的权重	$a_1 = 0.4231$，$\sum a_i = 1$，无单位
$R$	单因素评价（隶属度）矩阵，$n \times m$	由专家投票比例或隶属函数得到
$r_{ij}$	第 $i$ 个因素对第 $j$ 等级的隶属度	$r_{11} = 0.75$，$r_{ij} \in [0,1]$
$r_i$	第 $i$ 个因素的单因素评价向量（$R$ 的第 $i$ 行）	$r_1 = (0.75, 0.15, 0.10, 0, 0)$
$B$	综合评价向量 $B = A \circ R$	$B = (0.6591, 0.2357, 0.0825, 0.0227, 0)$
$b_j$	评价对象整体对第 $j$ 等级的隶属度	$b_1 = 0.6591$
$\circ$	模糊合成算子	$M(\cdot,+)$、$M(\wedge,\vee)$、$M(\cdot,\vee)$
$\wedge$、$\vee$	取小 $\min$、取大 $\max$	$0.4 \wedge 0.7 = 0.4$；$0.4 \vee 0.7 = 0.7$
$\mu_A(x)$	隶属函数：$x$ 对模糊集 $A$ 的隶属度	$\mu_{\text{优秀}}(92) = 0.7$
$s_j$	第 $j$ 等级的赋值分	$s = (95, 85, 75, 65, 55)$，分
$S$	综合得分 $S = \sum_j s_j b_j$	$S = 90.31$ 分
$\beta$、$\gamma$	最大分量、次大分量	$\beta = 0.6591$，$\gamma = 0.2357$
$\alpha$	最大隶属度原则有效度	$\alpha = 1.2174 \ge 0.5$（有效）
$P$	AHP 判断矩阵（两两比较）	$p_{12} = 2$：教学内容比教学方法稍微重要
$\lambda_{\max}$、$CI$、$CR$	AHP 最大特征值与一致性指标、比率	$\lambda_{\max} = 4.0104$，$CR = 0.0039 < 0.1$
$RI$	平均随机一致性指标（查表）	$n=4$ 时 $RI = 0.89$

六、可运行程序（完整代码）

环境要求：Python 3.12，依赖 numpy、matplotlib（本文代码仅用到这两个库；允许使用的库还包括 scipy、scikit-learn、pandas）。以下所有代码块按顺序拼接保存为 fce_demo.py 运行即可：控制台打印第三节全部指标（B 向量、两种合成算子对比、最大隶属度与有效性 $\alpha$、综合得分、等级判定），并在 figures/ 子目录生成 4 张图（fce_membership_curves.png、fce_matrix_heatmap.png、fce_factor_bars.png、fce_result_dist.png）。

# -*- coding: utf-8 -*-
"""
============================================================
模糊综合评价（FCE）完整示例：高校教师教学质量评价
------------------------------------------------------------
内容：
  (1) 因素集 U（4 因素）× 评语集 V（5 等级），隶属度矩阵 R 由 20 位专家投票比例构造
  (2) AHP（方根法 + 一致性检验）确定因素权重 A
  (3) 手写两种模糊合成算子：M(·,+) 加权平均型 与 M(∧,∨) 取小取大型，并对比
  (4) 手写最大隶属度原则（含有效性检验 α）与加权平均综合得分（等级赋分 95/85/75/65/55）
  (5) 定量指标示例：及格率 92% 经半梯形隶属函数映射为各等级隶属度
  (6) 绘制并保存 4 张图到 figures/ 目录
依赖：numpy、matplotlib（Python 3.12）
============================================================
"""

# ========== 0. 导入库与全局设置 ==========
import os
import numpy as np
import matplotlib.pyplot as plt

# ---- matplotlib 中文显示设置（防止图内中文乱码）----
plt.rcParams["font.sans-serif"] = ["PingFang SC", "Arial Unicode MS", "SimHei"]
plt.rcParams["axes.unicode_minus"] = False

# ---- 图片输出目录（相对当前工作目录的 figures/ 子目录）----
FIG_DIR = "figures"
os.makedirs(FIG_DIR, exist_ok=True)

# ========== 1. 构造数据：因素集、评语集、专家投票隶属度矩阵 R ==========
# 1.1 因素集 U（评价的 n=4 个方面）与评语集 V（m=5 个等级）
U = ["教学内容", "教学方法", "教学态度", "教学效果"]
V = ["优秀", "良好", "中等", "及格", "不及格"]
n_factor, n_grade = len(U), len(V)

# 1.2 隶属度矩阵 R：邀请 20 位专家（学生/督导/同行）对每个因素投票，
#     票数比例即隶属度 r_ij = 投票数 / 20（比例化后每行和为 1）
votes = np.array([
    [15,  3,  2,  0,  0],   # 教学内容：15 票优秀、3 票良好、2 票中等
    [10,  7,  2,  1,  0],   # 教学方法：10 票优秀、7 票良好、2 票中等、1 票及格
    [15,  4,  1,  0,  0],   # 教学态度
    [12,  6,  1,  1,  0],   # 教学效果
], dtype=float)
R = votes / votes.sum(axis=1, keepdims=True)   # 每行除以该行票数之和 → 行归一化

# ---- 等级固定配色（优→不及格，全篇 4 张图统一，避免同一等级在不同图中变色）----
GRADE_COLORS = ["#1b7837", "#4575b4", "#e8c020", "#f78a35", "#d73027"]

print("=" * 66)
print("1. 专家投票票数矩阵（每行 20 票）：")
print(votes.astype(int))
print("\n隶属度矩阵 R（每行归一化，行和 = 1）：")
print(np.round(R, 4))

# ========== 2. AHP 确定因素权重（方根法 + 一致性检验） ==========
# 2.1 判断矩阵 P：专家按 1-9 标度两两比较 4 个因素的相对重要程度。
#     例如 p12 = 2 表示"教学内容比教学方法稍微重要"；p34 = 0.5 表示"教学态度不如教学效果重要"
P = np.array([
    [1.0, 2.0, 3.0, 2.0],
    [0.5, 1.0, 2.0, 1.0],
    [1/3, 0.5, 1.0, 0.5],
    [0.5, 1.0, 2.0, 1.0],
])

# 2.2 方根法（几何平均法）求权重向量 A：
#     每行元素连乘后开 n 次方 → 得到"几何平均重要度" → 归一化（权重和 = 1）
geo_mean = np.prod(P, axis=1) ** (1.0 / len(P))   # 每行连乘开 n 次方
A = geo_mean / geo_mean.sum()                     # 归一化得到权重向量

# 2.3 一致性检验：λmax → CI → CR（RI 为 n=4 时的平均随机一致性指标 0.89）
lam = np.linalg.eigvals(P)                # 判断矩阵全部特征值（正互反矩阵的谱半径 = λmax）
lam_max = float(lam.real.max())           # 最大特征值 λmax
CI = (lam_max - len(P)) / (len(P) - 1)    # 一致性指标 CI = (λmax − n) / (n−1)
RI = 0.89                                 # 平均随机一致性指标（n=4 查表值）
CR = CI / RI                              # 一致性比率 CR

print("\n" + "=" * 66)
print("2. AHP 权重（方根法）：A =", np.round(A, 4), "（权重和 =", round(A.sum(), 6), "）")
print(f"一致性检验：λmax = {lam_max:.4f}，CI = {CI:.4f}，CR = {CR:.4f}（CR < 0.1，通过）")

# ========== 3. 手写模糊合成算子：M(·,+) 与 M(∧,∨) 对比 ==========
def compose_weighted(A, R):
    """加权平均型算子 M(·,+)：b_j = Σ_i a_i · r_ij。
    用矩阵乘法即可实现；权重与隶属度全部参与运算，信息利用最充分（竞赛最常用）。"""
    return A @ R

def compose_minmax(A, R):
    """主因素决定型算子 M(∧,∨)：b_j = max_i min(a_i, r_ij)。
    先对每个因素"取小"（权重给隶属度封顶），再在各因素间"取大"（只保留最突出的因素）。"""
    B = np.zeros(R.shape[1])
    for j in range(R.shape[1]):
        B[j] = np.max(np.minimum(A, R[:, j]))   # 逐列：先 min(a_i, r_ij)，再取 max
    return B

B_weighted = compose_weighted(A, R)   # M(·,+) 加权平均型（正式评价采用）
B_minmax   = compose_minmax(A, R)     # M(∧,∨) 取小取大型（仅用于对比，展示信息丢失）

print("\n" + "=" * 66)
print("3. 两种合成算子的综合评价向量对比：")
print("M(·,+) 加权平均型  B =", np.round(B_weighted, 4),
      "（分量和 =", round(B_weighted.sum(), 4), "）")
print("M(∧,∨) 取小取大型  B =", np.round(B_minmax, 4),
      "（分量和 =", round(B_minmax.sum(), 4), "）")
print("→ M(∧,∨) 的分量和仅为 %.3f，不等于 1：它只保留了每个等级上最被看重的因素，"
      "大量投票信息被丢弃，结论偏保守。竞赛推荐使用 M(·,+)。" % B_minmax.sum())

# ========== 4. 结果判定：最大隶属度原则 + 有效性检验 + 加权平均综合得分 ==========
SCORE = np.array([95.0, 85.0, 75.0, 65.0, 55.0])   # 各等级代表分值（优秀 95、良好 85、…）

def max_membership(B):
    """最大隶属度原则：取 B 中最大分量对应的等级作为评价结论。返回（等级序号, 最大分量 β）。"""
    k = int(np.argmax(B))
    return k, float(B[k])

def validity_alpha(B):
    """最大隶属度原则有效性指标：α = (n·β − 1) / (2·γ·(n−1))，
    其中 β 为最大分量、γ 为次大分量、n 为等级数。α ≥ 0.5 时原则有效。"""
    n = len(B)
    gamma = float(np.sort(B)[-2])                   # 次大分量 γ
    if gamma <= 0:
        return np.inf                               # γ = 0：其余等级全为 0，原则绝对有效
    return (n * float(np.max(B)) - 1.0) / (2.0 * gamma * (n - 1.0))

def score_to_grade(s):
    """综合得分 → 等级（分数带：≥90 优秀，[80,90) 良好，[70,80) 中等，[60,70) 及格，<60 不及格）"""
    for th, g in zip([90, 80, 70, 60, 0], V):
        if s >= th:
            return g
    return V[-1]

B = B_weighted                      # 正式评价采用加权平均型算子的结果
k_max, beta = max_membership(B)
gamma = float(np.sort(B)[-2])       # 次大分量
alpha = validity_alpha(B)
score = float(B @ SCORE)            # 综合得分 S = Σ_j b_j · s_j（隶属度加权平均）

print("\n" + "=" * 66)
print("4. 结果判定（采用 M(·,+) 算子的 B）：")
print("综合评价向量 B =", np.round(B, 4))
print(f"最大隶属度原则：β = {beta:.4f}（等级“{V[k_max]}”），次大分量 γ = {gamma:.4f}，"
      f"比值 β/γ = {beta / gamma:.3f}")
print(f"最大隶属度原则有效性指标 α = {alpha:.4f}（α ≥ 0.5，原则有效，结论可信）")
print(f"加权平均综合得分 S = {score:.2f} 分 → 对应等级：“{score_to_grade(score)}”")
print(f"最终结论：该教师教学质量评定为“{V[k_max]}”（综合得分 {score:.2f} 分，"
      f"两种判定方式结论一致）")

# ========== 5. 定量指标 → 隶属度：半梯形/梯形隶属函数（以及格率 92% 为例） ==========
def f_excellent(x):
    """优秀（升半梯形）：μ = 0 (x<85)；μ = (x−85)/10 (85≤x<95)；μ = 1 (x≥95)"""
    return np.where(x >= 95, 1.0, np.where(x >= 85, (x - 85.0) / 10.0, 0.0))

def f_good(x):
    """良好（中间梯形，峰值 1）：μ = (x−75)/10 (75≤x<85)；μ = (95−x)/10 (85≤x<95)；其余 0"""
    return np.where((x >= 85) & (x < 95), (95.0 - x) / 10.0,
                    np.where((x >= 75) & (x < 85), (x - 75.0) / 10.0, 0.0))

def f_medium(x):
    """中等（中间梯形）：μ = (x−65)/10 (65≤x<75)；μ = (85−x)/10 (75≤x<85)；其余 0"""
    return np.where((x >= 75) & (x < 85), (85.0 - x) / 10.0,
                    np.where((x >= 65) & (x < 75), (x - 65.0) / 10.0, 0.0))

def f_pass(x):
    """及格（中间梯形）：μ = (x−55)/10 (55≤x<65)；μ = (75−x)/10 (65≤x<75)；其余 0"""
    return np.where((x >= 65) & (x < 75), (75.0 - x) / 10.0,
                    np.where((x >= 55) & (x < 65), (x - 55.0) / 10.0, 0.0))

def f_fail(x):
    """不及格（降半梯形）：μ = 1 (x<55)；μ = (65−x)/10 (55≤x<65)；μ = 0 (x≥65)"""
    return np.where(x <= 55, 1.0, np.where(x < 65, (65.0 - x) / 10.0, 0.0))

MEMBER_FUNCS = [f_excellent, f_good, f_medium, f_pass, f_fail]  # 与评语集 V 一一对应

def fuzzify(x):
    """任意指标值 x → 各等级隶属度行向量（长度 = 等级数；本构造下各分量和为 1）"""
    return np.array([f(x) for f in MEMBER_FUNCS])

x0 = 92.0                                    # 某教师所授班级的及格率 92%
r_quant = fuzzify(x0)                        # 隶属函数法构造单因素评价向量
B_quant = compose_weighted(np.array([1.0]), r_quant.reshape(1, -1)).ravel()  # 单因素权重 [1]
score_quant = float(B_quant @ SCORE)         # 单因素综合评价得分

print("\n" + "=" * 66)
print(f"5. 定量指标示例：及格率 x = {x0:.0f}% 经半梯形隶属函数映射：")
print("各等级隶属度 r =", np.round(r_quant, 4))
print("（92% 介于 85~95 之间：以 0.7 属于“优秀”、0.3 属于“良好”，其余为 0——"
      "同一个值同时隶属两个相邻等级，正是“模糊”的含义）")
print("单因素评价向量 B =", np.round(B_quant, 4))
print(f"综合得分 S = {score_quant:.2f} 分（0.7×95 + 0.3×85 = 92，恰好还原原指标值）")

# ========== 6. 图① 隶属函数曲线图（半梯形/梯形，横轴指标值、纵轴隶属度） ==========
xgrid = np.linspace(0, 100, 401)                     # 指标取值网格 [0, 100]
fig, ax = plt.subplots(figsize=(9, 5))
for f, c, name in zip(MEMBER_FUNCS, GRADE_COLORS, V):
    ax.plot(xgrid, f(xgrid), lw=2, color=c, label=f"{name} μ(x)")   # 5 条隶属曲线
ax.axvline(x0, color="gray", ls="--", lw=1.2)        # 标出及格率 92% 的位置
ax.annotate(f"x = {x0:.0f}%\nμ优秀 = {f_excellent(x0):.1f}\nμ良好 = {f_good(x0):.1f}",
            xy=(x0, 0.72), xytext=(48, 0.50), fontsize=10,
            arrowprops=dict(arrowstyle="->", color="gray", lw=1.2))
ax.set_xlabel("指标值 x（如及格率 %）")
ax.set_ylabel("隶属度 μ(x)")
ax.set_title("图① 半梯形/梯形隶属函数曲线（相邻等级曲线重叠：同一 x 可同时隶属多个等级）")
ax.set_xlim(0, 100)
ax.set_ylim(0, 1.05)
ax.grid(alpha=0.3)
ax.legend(fontsize=9, loc="upper right")
fig.tight_layout()
fig.savefig(os.path.join(FIG_DIR, "fce_membership_curves.png"), dpi=150)
plt.show()

# ========== 7. 图② 隶属度矩阵 R 热力图（因素 × 等级） ==========
fig, ax = plt.subplots(figsize=(9, 4.5))
im = ax.imshow(R, cmap="Blues", vmin=0, vmax=1, aspect="auto")   # 颜色深浅 = 隶属度大小
ax.set_xticks(range(n_grade))
ax.set_xticklabels(V)
ax.set_yticks(range(n_factor))
ax.set_yticklabels(U)
for i in range(n_factor):                        # 每格标注数值
    for j in range(n_grade):
        ax.text(j, i, f"{R[i, j]:.2f}", ha="center", va="center", fontsize=10,
                color="white" if R[i, j] > 0.55 else "black")
ax.set_title("图② 隶属度矩阵 R 热力图（行 = 因素，列 = 等级；每行和为 1）")
fig.colorbar(im, ax=ax, label="隶属度", shrink=0.9)
fig.tight_layout()
fig.savefig(os.path.join(FIG_DIR, "fce_matrix_heatmap.png"), dpi=150)
plt.show()

# ========== 8. 图③ 各因素评价等级条形图（分组柱状图：因素 × 等级） ==========
fig, ax = plt.subplots(figsize=(10, 5))
xpos = np.arange(n_factor)
width = 0.16                                     # 柱宽：每个因素并排画 5 根柱
for j in range(n_grade):
    ax.bar(xpos + (j - 2) * width, R[:, j], width, label=V[j],
           color=GRADE_COLORS[j], edgecolor="black", lw=0.5)
ax.set_xticks(xpos)
ax.set_xticklabels(U, fontsize=11)
ax.set_ylabel("隶属度（专家投票比例）")
ax.set_ylim(0, 0.85)
ax.set_title("图③ 各因素对各等级的隶属度（分组柱状图）")
ax.legend(ncol=5, fontsize=9, loc="upper center", bbox_to_anchor=(0.5, -0.12))
ax.grid(axis="y", alpha=0.3)
fig.subplots_adjust(bottom=0.18)                 # 给图例留出下方空间
fig.savefig(os.path.join(FIG_DIR, "fce_factor_bars.png"), dpi=150)
plt.show()

# ========== 9. 图④ 综合评价结果等级分布图（B 向量：条形图 + 饼图） ==========
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4.8))

# 左：B 向量条形图，最大隶属度对应等级用其等级色高亮，其余灰色
bar_colors = [GRADE_COLORS[j] if j == k_max else "#d9d9d9" for j in range(n_grade)]
ax1.bar(range(n_grade), B, color=bar_colors, edgecolor="black", lw=0.5)
for j, bj in enumerate(B):                       # 柱顶标注数值
    ax1.text(j, bj + 0.012, f"{bj:.3f}", ha="center", fontsize=10)
ax1.set_xticks(range(n_grade))
ax1.set_xticklabels(V)
ax1.set_ylim(0, 0.75)
ax1.set_ylabel("隶属度")
ax1.set_title(f"综合评价向量 B（最大隶属度：{V[k_max]}，β = {beta:.3f}）")
ax1.grid(axis="y", alpha=0.3)

# 右：B 向量饼图，剔除隶属度为 0 的等级（避免出现零厚度扇区）
mask = B > 1e-12
idx = np.nonzero(mask)[0]
ax2.pie(B[mask], labels=[V[j] for j in idx], autopct="%.1f%%",
        colors=[GRADE_COLORS[j] for j in idx], startangle=90, counterclock=False,
        explode=[0.05 if j == k_max else 0 for j in idx])
ax2.set_title(f"B 向量等级分布饼图（综合得分 {score:.2f} 分）")
fig.suptitle("图④ 综合评价结果等级分布", fontsize=13)
fig.tight_layout(rect=[0, 0, 1, 0.94])
fig.savefig(os.path.join(FIG_DIR, "fce_result_dist.png"), dpi=150)
plt.show()

# ========== 10. 全部指标汇总打印（对应文档第三节的指标清单） ==========
print("\n" + "=" * 66)
print("模糊综合评价结果汇总（教学质量评价示例）")
print("=" * 66)
print("因素权重 A（AHP 方根法）:", np.round(A, 4))
print("综合评价向量 B（M(·,+)） :", np.round(B, 4))
print("综合评价向量 B（M(∧,∨)） :", np.round(B_minmax, 4))
print(f"最大隶属度等级          : {V[k_max]}（β = {beta:.4f}，γ = {gamma:.4f}，"
      f"β/γ = {beta / gamma:.3f}，α = {alpha:.4f}）")
print(f"综合得分                : {score:.2f} 分（对应等级：{score_to_grade(score)}）")
print("4 张图已保存到 figures/ 目录：")
print("  fce_membership_curves.png / fce_matrix_heatmap.png / "
      "fce_factor_bars.png / fce_result_dist.png")

七、结果解读与注意事项

7.1 运行输出解读（以教学质量评价示例为例）

运行第六节代码（MPLBACKEND=Agg python fce_demo.py，避免交互窗口阻塞），控制台输出如下：

==================================================================
1. 专家投票票数矩阵（每行 20 票）：
[[15  3  2  0  0]
 [10  7  2  1  0]
 [15  4  1  0  0]
 [12  6  1  1  0]]

隶属度矩阵 R（每行归一化，行和 = 1）：
[[0.75 0.15 0.1  0.   0.  ]
 [0.5  0.35 0.1  0.05 0.  ]
 [0.75 0.2  0.05 0.   0.  ]
 [0.6  0.3  0.05 0.05 0.  ]]

==================================================================
2. AHP 权重（方根法）：A = [0.4231 0.2274 0.1222 0.2274] （权重和 = 1.0 ）
一致性检验：λmax = 4.0104，CI = 0.0035，CR = 0.0039（CR < 0.1，通过）

==================================================================
3. 两种合成算子的综合评价向量对比：
M(·,+) 加权平均型  B = [0.6591 0.2357 0.0825 0.0227 0.    ] （分量和 = 1.0 ）
M(∧,∨) 取小取大型  B = [0.4231 0.2274 0.1    0.05   0.    ] （分量和 = 0.8005 ）
→ M(∧,∨) 的分量和仅为 0.800，不等于 1：它只保留了每个等级上最被看重的因素，大量投票信息被丢弃，结论偏保守。竞赛推荐使用 M(·,+)。

==================================================================
4. 结果判定（采用 M(·,+) 算子的 B）：
综合评价向量 B = [0.6591 0.2357 0.0825 0.0227 0.    ]
最大隶属度原则：β = 0.6591（等级“优秀”），次大分量 γ = 0.2357，比值 β/γ = 2.796
最大隶属度原则有效性指标 α = 1.2174（α ≥ 0.5，原则有效，结论可信）
加权平均综合得分 S = 90.31 分 → 对应等级：“优秀”
最终结论：该教师教学质量评定为“优秀”（综合得分 90.31 分，两种判定方式结论一致）

==================================================================
5. 定量指标示例：及格率 x = 92% 经半梯形隶属函数映射：
各等级隶属度 r = [0.7 0.3 0.  0.  0. ]
（92% 介于 85~95 之间：以 0.7 属于“优秀”、0.3 属于“良好”，其余为 0——同一个值同时隶属两个相邻等级，正是“模糊”的含义）
单因素评价向量 B = [0.7 0.3 0.  0.  0. ]
综合得分 S = 92.00 分（0.7×95 + 0.3×85 = 92，恰好还原原指标值）

==================================================================
模糊综合评价结果汇总（教学质量评价示例）
==================================================================
因素权重 A（AHP 方根法）: [0.4231 0.2274 0.1222 0.2274]
综合评价向量 B（M(·,+)） : [0.6591 0.2357 0.0825 0.0227 0.    ]
综合评价向量 B（M(∧,∨)） : [0.4231 0.2274 0.1    0.05   0.    ]
最大隶属度等级          : 优秀（β = 0.6591，γ = 0.2357，β/γ = 2.796，α = 1.2174）
综合得分                : 90.31 分（对应等级：优秀）
4 张图已保存到 figures/ 目录：
  fce_membership_curves.png / fce_matrix_heatmap.png / fce_factor_bars.png / fce_result_dist.png

逐项解读：

• 隶属度矩阵 R：每行之和都是 1（行归一化检查通过）。"教学内容"与"教学态度"两行第一列高达 0.75（15/20 位专家投优秀），说明这两项公认出色；"教学方法"一行相对分散（0.50/0.35/0.10/0.05），还出现了 5% 的"及格"票，是该教师相对的短板——单因素向量（指标 3.4）的短板诊断结论。
• AHP 权重：$A = (0.4231, 0.2274, 0.1222, 0.2274)$，教学内容最被看重（42.3%），教学方法与教学效果并列第二，教学态度最轻。$CR = 0.0039 < 0.1$，判断矩阵一致性良好，权重可信。
• 两种算子的对比：$M(\cdot,+)$ 给出 $B = (0.6591, 0.2357, 0.0825, 0.0227, 0)$，分量和为 1；$M(\wedge,\vee)$ 给出 $(0.4231, 0.2274, 0.1000, 0.0500, 0)$，分量和仅 0.8005——"优秀"分量被最大权重 0.4231 直接封顶，中等、及格的投票信息几乎被抹平。结论相同但信息量天差地别，这正是竞赛要求使用加权平均型的理由。
• 最大隶属度原则：$\beta = 0.6591$ 对应"优秀"；$\beta/\gamma = 0.6591/0.2357 = 2.796 \ge 2$，有效度 $\alpha = 1.2174 \ge 0.5$，原则有效，结论可信。
• 综合得分：$S = 95 \times 0.6591 + 85 \times 0.2357 + 75 \times 0.0825 + 65 \times 0.0227 = 90.31$ 分，落在 $[90, 100]$ 分数带 → "优秀"，与最大隶属度结论一致（两种判定方式互相印证，结论稳健）。
• 定量指标示例：及格率 92% 经半梯形隶属函数映射为 $(0.7, 0.3, 0, 0, 0)$——"92% 以 0.7 的程度属于优秀、以 0.3 的程度属于良好"。单因素合成后综合得分 $S = 0.7 \times 95 + 0.3 \times 85 = 92.00$ 分，恰好还原原指标值 92（隶属函数构成模糊划分时的一般性质），说明整个"隶属化 → 评价 → 赋分"回路没有信息失真。

7.2 四张图的解读（本例）

• 图①：5 条隶属曲线相邻重叠、覆盖 $[0,100]$ 全区间无空档；虚线标出 $x = 92$ 的位置，读图可得 $\mu_{\text{优秀}}(92) = 0.7$、$\mu_{\text{良好}}(92) = 0.3$，与第 5 段输出一致。
• 图②：颜色最深的格子都在第一列（优秀）附近，"教学内容/教学态度"两行最深（0.75）；行和均为 1；整体呈"向优秀倾斜"的形态，预示最终结论为优秀。
• 图③：每组 5 根柱高低分明，"教学方法"组（第二组）的蓝色"良好"柱与浅色柱相对突出，直观暴露短板因素。
• 图④：条形图最高柱（优秀，0.659）以绿色高亮，其余灰色；饼图剔除零扇区后显示"优秀 65.9% / 良好 23.6% / 中等 8.3% / 及格 2.3%"。分布单峰且尖峭，结论明确。

若任一图出现 4.2 节描述的异常特征（行和不为 1、空档、双峰等），回到第二节检查清单排查数据与隶属函数。

7.3 常见坑与应对

1. 合成算子选错（最常犯）：用了 $M(\wedge,\vee)$ 取小取大却不自知——分量和小于 1、次要因素信息全部丢失，结论偏保守甚至与事实相反。应对：论文中明确写"选用加权平均型算子 $M(\cdot,+)$"，并可用两种算子对比展示信息丢失（本文代码即如此）。
2. 隶属度矩阵行未归一化：专家票数直接当隶属度（行和为 20 而不是 1），或定量指标直接代原值（如把 92 当隶属度）。应对：每行除以行和；隶属函数法务必让 $\sum_j \mu_j(x_i) = 1$。竞赛数据预处理段写一句"对隶属度矩阵按行归一化"即可。
3. 等级赋分随意：赋分 $s_j$ 拍脑袋（如 $[100, 90, 80, 70, 60]$），导致综合得分与最大隶属度结论经常打架。应对：赋分取各等级区间代表值（如 $[95, 85, 75, 65, 55]$），并在论文中说明赋分依据；赋分改变会影响 $S$ 但不影响 $B$ 与最大隶属度结论，可在灵敏度分析中展示。
4. 最大隶属度原则失效时仍强行判定：$B$ 呈双峰（如 $(0.42, 0.40, \dots)$）时，0.02 的差距下结论没有说服力。应对：先算有效度 $\alpha$（或 $\beta/\gamma$）；$\alpha < 0.5$ 时改用加权平均综合得分判定，并在论文中说明原因。
5. 隶属函数出现空档或重叠过度：某段指标区间没有任何等级的隶属度大于 0（评价"卡死"），或两等级曲线几乎重合（区分度为零）。应对：绘制图①目视检查；调整拐点使曲线覆盖全区间且相邻重叠约一半。
6. AHP 不做一致性检验：判断矩阵自相矛盾（专家说 A 比 B 重要、B 比 C 重要、C 又比 A 重要）还照用权重。应对：必报 $\lambda_{\max}$、$CI$、$CR$，$CR < 0.1$ 才用；不通过就请专家重新打分。
7. 评语集不统一/等级过多：不同因素用了不同的评语集导致 $R$ 无法拼合；等级设到 7 级以上专家分不清相邻等级。应对：全指标体系统一评语集，等级数 3~5 个。
8. 权重只来自一个人拍脑袋：单个专家给出的权重说服力弱。应对：多位专家分别构造判断矩阵，取几何平均（或特征向量平均）得到群决策权重；或并用熵权法做客观对照。
9. 与客观方法不互验：模糊综合评价主观成分多，仅凭一个方法下结论容易被质疑。应对：与 TOPSIS、熵权法、灰色关联等交叉验证，排序大体一致即写"结论稳健"。
10. 指标未同向化：逆向指标（如污染浓度越低越好）直接套"越大越好"的隶属函数。应对：逆向指标取倒数或"满分减原值"转正向后，再构造隶属函数。

7.4 竞赛论文写作建议（话术模板）

建模段（先讲为什么用、再讲五要素、再报结果；括号内为可替换内容）：

由于（教学质量/满意度/水质等级）的评价涉及多个定性指标，且各等级之间不存在明确的数值界限，具有典型的模糊性，故采用模糊综合评价方法。建立因素集 $U = \{u_1, \dots, u_n\}$ 与评语集 $V = \{v_1, \dots, v_m\}$；通过（专家投票/隶属函数/频率统计）构造单因素评价矩阵 $R$；采用层次分析法确定因素权重，利用模糊综合评价对（教师教学质量）进行评价。选用加权平均型算子，综合评价向量 $B = (0.45, 0.32, 0.18, 0.05, 0)$，按最大隶属度原则判定为"优秀"，综合得分 87.6 分。

本例填充版（数字与第六节输出一致）：

采用层次分析法确定因素权重，利用模糊综合评价对高校教师教学质量进行评价。判断矩阵一致性比率 $CR = 0.0039 < 0.1$，权重向量 $A = (0.4231, 0.2274, 0.1222, 0.2274)$。选用加权平均型算子 $M(\cdot,+)$，综合评价向量 $B = (0.6591, 0.2357, 0.0825, 0.0227, 0)$。最大隶属度 $\beta = 0.6591$ 对应"优秀"，有效度 $\alpha = 1.2174 \ge 0.5$，原则有效；按最大隶属度原则判定为"优秀"，综合得分 90.31 分，两种判定方式结论一致。

算子选择与对比段（加分点）：

本文选用加权平均型算子 $M(\cdot,+)$，其能充分利用全部单因素评价信息且综合评价向量分量和为 1；若改用主因素决定型算子 $M(\wedge,\vee)$，$B$ 变为 $(0.4231, 0.2274, 0.1000, 0.0500, 0)$，分量和仅 0.8005，大量投票信息被丢弃，进一步说明加权平均型的合理性。

灵敏度分析段（回应主观性质疑，评审加分）：

对模型中的主观设定进行灵敏度分析：当各因素权重在 ±10% 范围内扰动时，综合评价向量 $B$ 的最大分量始终为"优秀"且有效度 $\alpha$ 保持大于 0.5；当等级赋分由 $[95,85,75,65,55]$ 调整为 $[100,90,80,70,60]$ 时，综合得分由 90.31 变为 94.07，但对应等级仍为"优秀"。模型结论对主观设定不敏感，稳健性良好。

注：$100 \times 0.6591 + 90 \times 0.2357 + 80 \times 0.0825 + 70 \times 0.0227 = 94.07$，供撰写灵敏度分析时参考；写论文前请用自己的实际运行数值替换。

八、延伸阅读

1. 多级模糊综合评价：因素超过 6~8 个时把指标体系分层，自底向上逐层合成 $B = A \circ (B_1; \dots; B_K)$。竞赛中"大指标体系"题目（如城市竞争力、企业绩效）的标准做法，能输出各准则层的中间评价结果，论文层次感更强。参考谢季坚《模糊数学方法及其应用》。
2. 模糊层次分析法（FAHP）：把 AHP 的 1-9 精确标度换成三角模糊数 $\tilde{a} = (l, m, u)$（"大约 3 倍重要"），构造模糊判断矩阵，经去模糊化得到权重。解决"专家两两比较时说不清确切倍数"的问题，常与多级模糊综合评价搭配。可学习模糊数运算（三角模糊数的加法、乘法、去模糊化重心法）。
3. 灰色综合评价：基于灰色关联度的评价方法，适合少数据、贫信息场景（样本只有几个评价对象）。与模糊综合评价形成互补：模糊处理"等级边界模糊"，灰色处理"数据量不足"，两者并列做交叉验证是竞赛常用写法。
4. 直觉模糊集评价：直觉模糊集用隶属度 $\mu$、非隶属度 $\nu$ 与犹豫度 $\pi = 1 - \mu - \nu$ 三个参数描述评价，比普通模糊集多刻画了"专家说不清、弃权"的信息，适合投票中有大量犹豫/弃权的情形，是模糊评价的前沿推广。
5. 模糊 TOPSIS：把隶属度矩阵当作决策矩阵，在模糊环境中计算到正负理想解的距离并排序，实现"模糊评价"与"精确排序"的结合，是 FCE 与 TOPSIS 的直接融合，适合需要给出多个对象最终名次的题目。
6. 推荐资源：谢季坚《模糊数学方法及其应用》（中文入门经典，隶属度与模糊综合评价推导完整）；司守奎《数学建模算法与应用》（"模糊综合评价"章节有竞赛化模板）；姜启源《数学模型》（综合评价章节）；韩中庚《数学建模方法及其应用》（评价方法横向对比）；全国大学生数学建模竞赛历年优秀论文中评价类题目（搜索"模糊综合评价 优秀论文"，重点看其隶属度矩阵与权重的构造细节）。