逆推模糊综合评价使用指南
提示：本指南只针对逆推模糊综合评价特有的内容进行描述，关于软件的通用操作流程（如文件上传、参数设置、结果下载等），请查看：通用计算说明
1. 方法概述
逆推模糊综合评价是一种反向推演方法，根据期望的==整体评价结果==（模糊向量排序）和==指标权重体系==，自动生成合理的专家打分数据。这是传统模糊综合评价方法的逆向过程，用于从已知的期望评价结果重建可能的专家打分分布。
主要用途：
- 构建符合理论预期的评价案例
- 生成测试数据验证评价模型
- 反向推演达到目标所需的打分分布
- 教学研究和标准制定
前置要求：
- 必须具有明确的两层指标权重体系
- 需要明确期望的评价等级排序
- 了解模糊综合评价的基本原理
2. 数据文件格式
逆推模糊综合评价需要上传包含"两层指标权重"工作表的Excel文件。
<div style=“text-align: center;”> <img src=“/guide/figures/逆推模糊综合评价/两层指标权重.png” width=“500” alt=“两层指标权重”> </div>
格式说明：
- 一级指标列：一级指标名称，相同一级指标下的行可以合并单元格
- 一级指标权重列：一级指标的权重值
- 二级指标列：二级指标名称，每行一个二级指标
- 二级指标权重列：二级指标在其所属一级指标下的权重（局部权重）
3. 参数设置
<div style=“text-align: center;”> <img src=“/guide/figures/逆推模糊综合评价/参数设置.png” width=“1200” alt=“参数设置”> </div>
逆推模糊综合评价包含以下计算参数：
3.1 专家数量
指定需要生成的专家打分数量：
- 取值范围：1-100人
- 建议值：10-50人
- 说明：生成的打分数据将包含指定数量的专家打分频数
3.2 评价等级
选择评价等级的数量和名称：
- 3级评价：差、中、好
- 4级评价：很差、差、好、很好（默认）
- 5级评价：很差、差、中、好、很好
评价等级与上述等级名称不同也无所谓，只是用于确定评价等级的数量和方向（劣 → 优）
3.3 目标排序
核心参数：指定期望的评价等级重要性排序
格式说明：
- 使用逗号分隔的数字序列，如"2,1,3,4"
- 数字越小表示该位置的评价等级越重要（排名1最重要）
- 必须包含从1到评价等级数的所有数字，且不能重复
示例：
- 对于4级评价[很差, 差, 好, 很好]
- 输入"2,1,3,4"表示期望"差"最重要（排名1），"很差"次之（排名2），"好"第三（排名3），"很好"最后（排名4）
- 这意味着在最终的整体模糊向量中，“差"的隶属度最高，其次是"很差”
重要提示：
- 排序数量必须与评价等级数量一致
- 每个数字只能出现一次
- 排序会影响专家打分的生成分布
3.4 合成算子
模糊合成算子决定了权重向量与模糊评价矩阵的合成方式：
-
乘法-有界算子（推荐）：权重与隶属度相乘后求和，结果与1取最小值
- 特点：考虑所有因素的综合影响，结果相对平衡
-
取小-有界算子：权重与隶属度取最小值后求和，结果与1取最小值
- 特点：突出限制性因素的影响
-
取小-取大算子：权重与隶属度取最小值，然后取最大值
- 特点：突出主要因素，忽略次要因素
-
乘法-取大算子：权重与隶属度相乘，然后取最大值
- 特点：突出优势因素的作用
3.5 最大迭代次数
优化算法的迭代上限：
- 取值范围：50-1000次
- 默认值：200次
- 说明：次数越多越有可能生成符合排序要求的结果
- 建议：如果初次计算未能匹配目标排序，可增加迭代次数重新计算
3.6 结果保留小数位
计算结果的保留小数位数：
- 取值范围：1-10位
- 默认值：4位
4. 计算结果
逆推模糊综合评价的计算结果包含多个工作表，展示生成的打分数据和验证结果：
4.1 专家打分频数汇总
<div style=“text-align: center;”> <img src=“/guide/figures/逆推模糊综合评价/打分频数.png” width=“600” alt=“打分频数”> </div>
显示为每个二级指标生成的专家打分频数：
内容说明：
- 指标名称列：各二级指标名称
- 评价等级列：每个单元格的数值表示选择该等级的专家人数
- 每行之和：等于设定的专家总数
- 用途：这是逆推算法生成的核心输出，可直接用于模糊综合评价计算
4.2 归一化评价矩阵
<div style=“text-align: center;”> <img src=“/guide/figures/逆推模糊综合评价/归一化矩阵.png” width=“600” alt=“归一化矩阵”> </div>
显示归一化后的隶属度矩阵（用于模糊综合评价计算）：
内容说明：
- 将打分频数归一化，每行之和为1
- 表示各二级指标在不同评价等级上的隶属度
- 这是实际参与模糊综合评价计算的矩阵
4.3 目标与结果对比
<div style=“text-align: center;”> <img src=“/guide/figures/逆推模糊综合评价/结果对比.png” width=“580” alt=“结果对比”> </div>
显示逆推计算的验证结果：
包含信息：
- 评价等级：各评价等级名称
- 整体模糊向量：使用生成的打分数据进行正向计算得到的最终模糊向量
- 目标排序：设定的期望排序
- 结果排序：实际计算得到的排序
- 排序匹配状态：显示是否完全匹配
匹配状态：
- ✓ 完全匹配：结果排序与目标排序完全一致，逆推成功
- ✗ 不匹配：结果排序与目标排序存在差异，建议增加迭代次数
4.4 整体评价
<div style=“text-align: center;”> <img src=“/guide/figures/逆推模糊综合评价/整体评价.png” width=“650” alt=“整体评价”> </div>
显示最终的综合评价计算过程：
内容说明：
- 一级指标：各一级指标名称
- 权重：一级指标的归一化权重
- 评价等级列：各一级指标的模糊向量（由二级指标计算得来）
- 整体模糊向量：最终的综合评价结果
4.5 各级指标评价详情
<div style=“text-align: center;”> <img src=“/guide/figures/逆推模糊综合评价/一级指标评价.png” width=“670” alt=“一级指标评价”> </div>
为每个一级指标创建详细的计算过程表：
内容说明：
- 指标列：该一级指标下的二级指标名称
- 权重列：二级指标的归一化权重
- 评价等级列：各二级指标在不同评价等级上的隶属度
- 模糊向量行：该一级指标的综合模糊向量
5. 结果解读
5.1 逆推成功的判定
判定标准：
- 排序完全匹配：结果排序与目标排序完全一致，说明逆推成功
- 排序不匹配：存在差异，需要调整参数重新计算
5.2 结果可靠性评估
评估要点：
- 排序一致性：优先关注排序是否匹配 <!-- - 向量差异：查看整体模糊向量与目标向量的数值差异 -->
- 迭代次数：迭代次数越多，结果通常越可靠
- 参数合理性：确保权重体系和目标排序符合实际逻辑
6. 常见问题
6.1 目标排序设置错误
问：提示"目标排序格式错误"或"数量不匹配"？
答：
- 检查排序格式：使用逗号分隔，如"2,1,3,4"
- 检查数量：排序数量必须与评价等级数量一致
- 检查数值：必须包含从1到评价等级数的所有数字
- 检查重复：每个数字只能出现一次
示例：
- 3级评价：目标排序应包含3个数字，如"2,1,3"
- 4级评价：目标排序应包含4个数字，如"2,1,3,4"
- 5级评价：目标排序应包含5个数字，如"3,2,1,4,5"
6.2 排序不匹配
问：计算完成后提示"排序不匹配"怎么办？
答：
- 增加迭代次数：从200次增加到500次或更高
- 检查目标排序：确认目标排序是否合理
- 调整专家数量：适当增加专家数量可能有助于匹配
- 多次尝试：由于算法包含随机性，可以多次计算
- 检查权重体系：权重分布可能影响能否达到目标排序
6.3 理解目标排序的含义
问：如何正确理解和设置目标排序？
答：
- 排序的含义：数字越小表示该位置的评价等级越重要
- 对应关系：排序位置与评价等级位置一一对应
- 示例说明：
- 评价等级：[很差, 差, 好, 很好]
- 目标排序：[2, 1, 3, 4]
- 含义：希望"差"最重要（排名1），"很差"次之（排名2），"好"第三（排名3），"很好"最后（排名4）
- 结果：在整体模糊向量中，"差"的隶属度最高
6.4 专家数量的选择
问：应该设置多少专家数量？
答：
- 建议范围：10-50人较为合理
- 影响因素：
- 专家数量越多，打分分布越稳定
- 数量太少可能难以体现分布特征
- 数量太多计算时间增加，但提升有限
- 典型选择：教学案例通常使用10-20人
6.5 迭代次数的设置
问：应该设置多少迭代次数？
答：
- 默认值：200次通常足够
- 增加情况：如果排序不匹配，可增加到500-1000次
- 权衡考虑：
- 迭代次数越多，找到匹配解的概率越高
- 计算时间随迭代次数线性增加
- 建议先用默认值尝试，不匹配再增加
6.6 合成算子的选择
问：应该选择哪种合成算子？
答：
- 推荐选择：乘法-有界算子（最常用）
- 选择依据：
- 应与实际应用场景的正向评价使用相同算子
- 不同算子会影响能否达到目标排序
- 如果一种算子不匹配，可尝试其他算子