云模型综合评价法

方法概述

云模型（Cloud Model）是由李德毅院士在概率论和模糊数学基础上提出的一种理论，用于反映人类知识体系中概念的模糊性和随机性，研究不确定信息与定量指标间的转换。正态云模型是其中最为普遍和重要的理论，它通过三个数字特征（期望 \(Ex\)、熵 \(En\)、超熵 \(He\)）来描述定性概念的整体特征。

云模型综合评价法利用正向云发生器和逆向云发生器，将专家打分数据转换为指标的评价云，再通过权重合成得到综合评价云，最后计算与标准评价云的相似度，依据最大隶属度原则确定最终评价等级。该方法能有效处理评价过程中的模糊性和随机性，广泛应用于风险评估、绩效评价、生态健康评估等领域。

云模型的基本概念

1. 云滴的定义

设 \(U\) 为定量数据的论域，\(C\) 为 \(U\) 上的定性概念。若 \(x \in U\) 是定性概念 \(C\) 的一次随机实现，且 \(x\) 对 \(C\) 的关联度 \(\mu(x) \in [0,1]\) 是一个具有稳定倾向的随机数，则定量值 \(x\) 在论域 \(U\) 上的分布称为云，每个 \(x\) 称为一个云滴。

2. 云的数字特征

云模型用三个参数 \((Ex, En, He)\) 表示：

  • 期望 \(Ex\)：云滴在论域空间分布的期望值，是概念的中心值。
  • 熵 \(En\)：定性概念的不确定性度量，反映云滴的离散程度，描述云的跨度。
  • 超熵 \(He\)：熵的不确定性度量，反映云滴的离散程度和确定度的随机性，描述云的厚度。

3. 正向云发生器

输入：数字特征 \((Ex, En, He)\) 和云滴数量 \(N\)；输出：\(N\) 个云滴形成的正态云。

算法步骤： 1. 生成以 \(En\) 为期望、\(He\) 为标准差的正态随机数 \(En' = G(En, He)\)。 2. 生成以 \(Ex\) 为期望、\(En'\) 为标准差的正态随机数 \(x_i = G(Ex, En')\)。 3. 计算隶属度 \(\mu_i = \exp\left(-\frac{(x_i - Ex)^2}{2En'^2}\right)\)。 4. 重复步骤1~3，直到产生 \(N\) 个云滴。

4. 逆向云发生器

逆向云发生器用于从样本数据中估计云的数字特征。常用算法为 SBCT‑1stM（基于一阶样本矩）：

输入：\(N\) 个云滴 \(x_i\)；输出：数字特征估计值 \((Ex, En, He)\)。

\[ \begin{aligned} Ex &= \frac{1}{N}\sum_{i=1}^{N} x_i \\ En &= \sqrt{\frac{\pi}{2}} \times \frac{1}{N}\sum_{i=1}^{N} |x_i - Ex| \\ S^2 &= \frac{1}{N-1}\sum_{i=1}^{N} (x_i - Ex)^2 \\ He &= \sqrt{|S^2 - En^2|} \end{aligned} \]

注：当 \(S^2 - En^2\) 可能为负时，取绝对值后再开方，以保证超熵非负。

计算步骤

1. 确定评语集与标准评价云

根据评价需要，确定若干个评语等级，并为每个等级设定一个数值区间 \([x_i^{\min}, x_i^{\max}]\)。标准云的数字特征按下式计算：

\[ \begin{cases} Ex_i = \dfrac{x_i^{\max} + x_i^{\min}}{2} \\[1.2ex] En_i = \dfrac{x_i^{\max} - x_i^{\min}}{6} \\[1.2ex] He = k \end{cases} \]

其中 \(k\) 为常数（通常取0.5），反映评价的模糊程度。

2. 构建专家评分矩阵

设有 \(m\) 位专家，\(n\) 个评价指标，评分矩阵 \(Z = (z_{ij})_{m \times n}\)，其中 \(z_{ij}\) 为第 \(i\) 位专家对第 \(j\) 个指标的评分。

3. 计算指标评价云

对每个指标 \(j\)，利用逆向云发生器（SBCT‑1stM）计算其数字特征 \(C_j(Ex_j, En_j, He_j)\)：

\[ \begin{cases} Ex_j = \dfrac{1}{m}\sum_{i=1}^{m} z_{ij} \\[1.2ex] En_j = \sqrt{\dfrac{\pi}{2}} \times \dfrac{1}{m}\sum_{i=1}^{m} |z_{ij} - Ex_j| \\[1.2ex] S_j^2 = \dfrac{1}{m-1}\sum_{i=1}^{m} (z_{ij} - Ex_j)^2 \\[1.2ex] He_j = \sqrt{|S_j^2 - En_j^2|} \end{cases} \]

4. 确定指标权重

权重向量 \(W = (w_1, w_2, \ldots, w_n)\) 需满足 \(w_j \ge 0\) 且 \(\sum w_j = 1\)。权重可通过 AHP、熵权法等方法预先确定，由用户输入。

5. 计算综合评价云

将指标权重与指标评价云结合，得到综合评价云的数字特征：

\[ \begin{cases} Ex = \sum_{j=1}^{n} w_j \cdot Ex_j \\[1.2ex] En = \sqrt{\sum_{j=1}^{n} w_j \cdot En_j^2} \\[1.2ex] He = \sum_{j=1}^{n} w_j \cdot He_j \end{cases} \]

6. 计算相似度

对于每个标准评价云 \(C_i(Ex_i, En_i, He_i)\)，计算综合评价云与它的相似度 \(\delta_i\)：

  1. 生成以 \(En\) 为期望、\(He\) 为标准差的正态随机数 \(En' = G(En, He)\)。
  2. 生成以 \(Ex\) 为期望、\(En'\) 为标准差的正态随机数 \(x_k = G(Ex, En')\)。
  3. 计算隶属度 \(\mu_k = \exp\left(-\dfrac{(x_k - Ex_i)^2}{2En_i^2}\right)\)。
  4. 重复步骤1~3，共生成 \(N\) 个 \(\mu_k\)，取平均值作为相似度： \[ \delta_i = \frac{1}{N}\sum_{k=1}^{N} \mu_k \]

7. 确定最终评价等级

取相似度最大的标准云所对应的评语等级作为综合评价结果：

\[ \text{最终等级} = \arg\max_{i} \delta_i \]

案例分析

案例背景：某企业欲对一项新技术进行综合评价，邀请 5 位专家从 3 个指标（技术先进性、经济可行性、风险可控性）打分，满分 100 分。评语集设为 {劣, 差, 一般, 良, 优}，对应区间分别为 [0,25), [25,50), [50,75), [75,90), [90,100]。取 \(k=0.5\)。专家打分矩阵如下：

专家 技术先进性 经济可行性 风险可控性
1 85 70 80
2 90 75 85
3 88 72 82
4 86 74 84
5 92 78 88

指标权重由 AHP 法确定为 \(w = (0.4, 0.3, 0.3)\)。

计算过程

1. 标准评价云

以“良”级区间 \([75,90)\) 为例： \[ Ex = (75+90)/2 = 82.5,\quad En = (90-75)/6 = 2.5,\quad He = 0.5 \] 同理可得其他等级的标准云数字特征。

2. 指标评价云

以“技术先进性”为例： \[ Ex_1 = (85+90+88+86+92)/5 = 88.2 \] \[ En_1 = \sqrt{\pi/2} \times \frac{1}{5}(|85-88.2|+|90-88.2|+|88-88.2|+|86-88.2|+|92-88.2|) \approx 2.56 \] \[ S_1^2 = \frac{1}{4}[(85-88.2)^2+(90-88.2)^2+(88-88.2)^2+(86-88.2)^2+(92-88.2)^2] \approx 6.7 \] \[ He_1 = \sqrt{|6.7 - 2.56^2|} \approx \sqrt{0.14} \approx 0.37 \]

类似计算其他指标，得： - 经济可行性：\(Ex_2 = 73.8,\ En_2 = 2.81,\ He_2 = 0.41\) - 风险可控性：\(Ex_3 = 83.8,\ En_3 = 2.69,\ He_3 = 0.39\)

3. 综合评价云

\[ Ex = 0.4\times88.2 + 0.3\times73.8 + 0.3\times83.8 = 82.62 \] \[ En = \sqrt{0.4\times2.56^2 + 0.3\times2.81^2 + 0.3\times2.69^2} \approx 2.68 \] \[ He = 0.4\times0.37 + 0.3\times0.41 + 0.3\times0.39 = 0.388 \]

4. 相似度计算（以“良”为例，取 \(N=1000\)）

通过正向云发生器模拟，计算得 \(\delta_{\text{良}} \approx 0.65\)，同理得 \(\delta_{\text{优}} \approx 0.32\)，\(\delta_{\text{一般}} \approx 0.10\)，其余等级接近 0。

5. 最终评价

最大相似度为 0.65，对应等级“良”。

结论：该新技术综合评价为“良”级。

常见问题

Q1: 云滴数量 \(N\) 如何选择？

A: 云滴数量影响云图的精细程度和相似度的稳定性。一般建议取 1000~2000，平台默认 1500。数量越大，结果越稳定，但计算时间稍长。

Q2: 超熵 \(He\) 的取值意义是什么？

A: \(He\) 反映评价的模糊程度。\(He\) 越大，云层越厚，表示概念的随机性和模糊性越强。在标准云中，通常取一个较小常数（如 0.5）以保持各等级模糊程度一致。

Q3: 相似度计算为什么要用多次随机模拟？

A: 云模型的随机性需要通过多次模拟取平均来消除单次随机波动的影响，从而获得稳定的相似度估计。

Q4: 指标权重如何确定？

A: 权重可通过主观赋权法（如 AHP）或客观赋权法（如熵权法）获得，由用户输入。平台要求权重和为 1，若不满足会给出警告但不强制归一化。

Q5: 支持多工作表吗？

A: 本工具要求 Excel 文件必须包含三个工作表：“评语集”、“评分矩阵”、“指标权重”。每个工作表对应固定的格式，不允许多个同类工作表。

平台功能

云模型综合评价平台提供以下核心功能：

数据输入

  • 仅支持 Excel 文件（.xlsx/.xls），需包含三个工作表：评语集、评分矩阵、指标权重。
  • 评语集：第一列评价等级，第二列等级区间（如“0,25”），第三列 k 值（通常为 0.5）。
  • 评分矩阵：第一列专家名称，后续列为各指标评分。
  • 指标权重：第一列指标名称，第二列权重值（应和为 1）。

参数设置

  • 云滴数量：控制正向云生成的云滴数，默认 1500。
  • 正向云计算方法：方法1（独立生成）和方法2（顺序生成），通常选择方法1。
  • 小数位数：输出精度（默认 6 位）。
  • 显示中间结果：可选是否展示详细计算过程。

结果展示

  • 最终评价等级：以醒目方式显示。
  • 相似度计算结果：各等级相似度表格。
  • 标准云数字特征：评语集的期望、熵、超熵。
  • 指标逆向云数字特征：各指标的云参数。
  • 综合评价云数字特征：综合云的 Ex、En、He。
  • 云图展示：标准云图、综合评价云图，支持绘图参数自定义（颜色、字体、标题等）。
  • AI 智能分析：基于 DeepSeek API 自动解读结果，提供决策建议（每日限 3 次）。
  • 多格式导出：支持 Excel 和 HTML 报告下载。

使用建议

  1. 准备阶段：明确评语等级与区间，收集专家评分数据，预先确定指标权重。

  2. 数据整理：

    • 在 Excel 中按模板要求填写三个工作表，确保区间格式正确（如“0,25”），权重和接近 1。
    • 评分矩阵的专家数量应不少于 3 位，指标数量不少于 1 个。

  3. 参数设置：根据需要的精细程度调整云滴数量，一般保持默认即可。

  4. 结果解读：

    • 关注最终评价等级及对应的相似度，若相似度值偏低或多个等级相近，需结合云图分析不确定性。
    • 观察各指标云数字特征，了解专家意见的集中与离散程度。
    • 利用 AI 分析获取改进方向。

平台界面

官方地址：https://superr.online

云模型综合评价工具界面预览

平台界面包含：数据上传区、参数设置区、三个工作表预览、分析结果展示、云图设置和 AI 分析模块

参考文献：

  1. 李德毅，等. 正态云模型研究回顾与展望[J]. 中国科学，2008.
  2. 基于正态云与系统动力学的流域生态系统健康评价研究[D]. 北京林业大学，2015.
  3. 装配式建筑项目安全绩效云模型评价方法[J]. 中国安全科学学报，2020.