自适应综合评估计算方法、装置、电子设备和存储介质与流程

本公开涉及数据处理领域，尤其涉及一种自适应综合评估计算方法、装置、电子设备和存储介质。

背景技术：

1、层次分析法(analytic hierarchy process，ahp)是2017年去世的美国工程院院士thomas l.saaty在1977年首创的一种决策技术。它是在对复杂问题的本质、影响因素及其内在关系等进行深入分析后，构成一个层次化结构模型，然后利用较少的定量信息将问题数学化，适合将复杂问题抽象简化。由于其简单易用，又有坚实的心理学和数学基础，被广泛应用于各个领域的决策和评价问题，并在随后的四十年里得到不断发展，衍生出了模糊层次法(fuzzy-ahp，fahp)、灰色层次分析法(grey-ahp，gahp)等评估计算决策技术。

2、上述层次分析法适合用来进行综合评估。其主要创新点是提出成对比较矩阵，比对矩阵(pairwise comparison matrix)暨判断矩阵(judgement matrix)的概念，判断矩阵中的数值体现了不同指标因素对目标元素影响程度的等级。通过判断矩阵可以直接计算出指标因素的权重值，结合各指标因素的得分，最终算出本次最终评分结果，可见其重要性。但判断矩阵一般由领域专家给出，本质上讲，它是一种主观数据。为了更有可信度，会同时收集多位专家的意见，按照专家的结构(学科结构和职业结构)和素质(品德修养和业务水平)等给出专家自身的权重，然后对选定的因素指标收集多位专家给出的判断矩阵，使用算法计算出指标的权重后，再用该专家自身的权重进行加权，最终得出一个综合的指标权重。因为考虑了专家的不同级别对数据的影响，在一定程度上提高了判断矩阵的使用效果，但没有充分考虑各专家给出的判断矩阵自身的有效性。

3、每一种用于评分的算法都有其适合处理的数据集合，那么单一的算法必然不能对所有的评估系统都获得理想的评分效果，导致评估结果不准确。

技术实现思路

1、本公开提供了一种自适应综合评估计算方法、装置、电子设备和存储介质。

2、根据本公开的第一方面，提供了一种自适应综合评估计算方法。该方法包括：

3、获取若干专家的判断矩阵和等级权重；

4、利用层次分析算法计算各个专家的所述判断矩阵对应的权重向量和一致性比率，利用模糊层次分析算法计算各个专家的所述判断矩阵对应的权重向量和一致性比率；

5、根据所述等级权重、层次分析算法计算的权重向量和一致性比率计算得到第一归一化综合权重，根据所述等级权重、模糊层次分析算法计算的权重向量和一致性比率计算得到第二归一化综合权重；

6、收集评估对象的若干指标数据；

7、将所述指标数据分别与所述第一归一化综合权重、第二归一化综合权重进行点积运算，得到对应的层次分析评分和模糊层次分析评分；利用灰色关联度分析算法将所述指标数据转化为关联度系数矩阵，将关联度系数矩阵与所述第一归一化综合权重进行点积运算，得到灰色层次分析评分；

8、根据各所述算法评分对对应的指标数据进行排序，并对排序结果进行一致性判断，得到最终排序。

9、进一步地，所述根据所述等级权重、层次分析算法计算的权重向量和一致性比率计算得到第一归一化综合权重，根据所述等级权重、模糊层次分析算法计算的权重向量和一致性比率计算得到第二归一化综合权重，包括：

10、根据所述层次分析算法对应的一致性比率和模糊层次分析算法对应的一致性比率分别判断是否修正对应专家的等级权重，并得到对应的修正等级权重；

11、根据所述权重向量、修正等级权重计算各个专家的所述判断矩阵在所述层次分析算法和模糊层次分析算法下对应的综合权重；

12、将所述层次分析算法和模糊层次分析算法对应的综合权重进行归一化处理，得到第一归一化综合权重和第二归一化综合权重。

13、进一步地，所述根据所述层次分析算法对应的一致性比率和模糊层次分析算法对应的一致性比率分别判断是否修正对应专家的等级权重，并得到对应的修正等级权重，包括：

14、分别获取所述层次分析算法和模糊层次分析算法对应的所述一致性比率的最大值和最小值；

15、判断所述最大值和最小值是否相等；

16、若所述最大值等于最小值，则不对对应算法的所述等级权重进行修正；

17、若所述最大值不等于最小值，则对对应算法的所述等级权重进行修正，得到修正等级权重。

18、进一步地，所述将所述指标数据分别与所述第一归一化综合权重、第二归一化综合权重进行点积运算，得到对应的算法评分，包括：

19、将所述指标数据分别与所述第一归一化综合权重进行点积运算，得到层次分析评分；

20、将所述指标数据分别与所述第二归一化综合权重进行点积运算，得到模糊层次分析评分；

21、利用灰色关联度分析算法将所述指标数据转化为关联度系数矩阵，将关联度系数矩阵与所述第一归一化综合权重进行点积运算，得到灰色层次分析评分。

22、进一步地，所述根据各所述算法评分对对应的指标数据进行排序，并对排序结果进行一致性判断，得到最终排序，包括：

23、根据所述层次分析评分、模糊层次分析评分、灰色层次分析评分分别对对应的指标数据进行降序排序，得到第一排序结果、第二排序结果、第三排序结果；

24、判断三类排序结果是否一致；

25、若两类及以上的排序结果不一致，则对对应的指标数据进行重新排序判断，得到最终排序；

26、若两类及以上的排序结果一致，则将一致的排序结果确定为最终排序。

27、进一步地，所述若两类及以上的排序结果不一致，则对对应的指标数据进行重新排序判断，得到最终排序，包括：

28、将所述指标数据的模糊层次分析评分、灰色层次分析评分进行归一化处理；

29、将所述指标数据的归一化处理的模糊层次分析评分、灰色层次分析评分分别进行相加，并进行降序排序，得到第四排序结果；

30、将所述第四排序结果分别与第二排序结果、第三排序结果进行顺次匹配，并记录由第一位开始连续匹配成功的位数；

31、将两类的连续匹配成功的位数进行比较；

32、若两类的连续匹配成功的位数相同，则将所述第四排序结果确定为最终排序；

33、若两类的连续匹配成功的位数不相同，则对各组指标数据进行重新排序判断，得到最终排序。

34、进一步地，所述若两类的连续匹配成功的位数不相同，则对各组指标数据进行重新排序判断，得到最终排序，包括：

35、将连续匹配成功的位数大的算法评分的权重设置为第一预设权重，将连续匹配成功的位数小的算法评分的权重设置为第二预设权重，且第一预设权重大于第二预设权重；

36、将所述模糊层次分析评分、灰色层次分析评分分别与各自对应的预设权重进行加权计算，并将加权计算的评分结果进行降序排序，得到最终排序。

37、根据本公开的第二方面，提供了一种自适应综合评估计算装置。该装置包括：

38、获取模块，用于获取若干专家的判断矩阵和等级权重；

39、算法调度模块，用于利用层次分析算法计算各个专家的所述判断矩阵对应的权重向量和一致性比率，利用模糊层次分析算法计算各个专家的所述判断矩阵对应的权重向量和一致性比率；

40、加权模块，用于根据所述等级权重、层次分析算法计算的权重向量和一致性比率计算得到第一归一化综合权重，根据所述等级权重、模糊层次分析算法计算的权重向量和一致性比率计算得到第二归一化综合权重；

41、收集模块，用于收集评估对象的若干指标数据；

42、数据处理模块，用于将所述指标数据分别与所述第一归一化综合权重、第二归一化综合权重进行点积运算，得到对应的层次分析评分和模糊层次分析评分；利用灰色关联度分析算法将所述指标数据转化为关联度系数矩阵，将关联度系数矩阵与所述第一归一化综合权重进行点积运算，得到灰色层次分析评分；

43、评分处理模块，用于根据各所述算法评分对对应的指标数据进行排序，并对排序结果进行一致性判断，得到最终排序。

44、根据本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现自适应综合评估计算方法。

45、根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现自适应综合评估计算方法。

46、本公开通过计算专家给出的判断矩阵的权重和一致性比率，并结合专家等级权重，根据不同的算法计算综合权重，利用综合权重与不同算法进行运算，综合给出最终评分，实现自适应输出更符合综合评估要求的评分排序，充分利用不同算法的优点进行优势互补，避免单一算法处理的弊端，使结果更加准确、更具有说服力和可信度。

47、应当理解，
技术实现要素：
部分中所描述的内容并非旨在限定本公开实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。