FMAIRCA法

方法概述

FMAIRCA（Fuzzy MultiAttributive Ideal-Real Comparative Analysis）是将模糊集理论与MAIRCA方法相结合的多准则决策方法，由 Pamučar 等人提出。传统MAIRCA要求输入精确数值，而现实决策中专家评价往往具有不确定性。模糊MAIRCA通过三角模糊数 \((a, m, b)\) 表示专家评价，经正向化、标准化后，计算理论评估矩阵（理想状态）与实际评估矩阵的差距，并基于去模糊化后的总差距对方案进行排序。

模糊MAIRCA 法的核心思想是：

  • 每个指标的评价用三角模糊数表示（下限 \(a\)、最可能值 \(m\)、上限 \(b\)，满足 \(a \le m \le b\)）。
  • 根据指标类型（极大型、极小型、中间型、区间型）进行模糊正向化，将所有指标转化为极大型。
  • 采用极差标准化或向量归一化，消除量纲影响，得到标准化模糊矩阵。
  • 假设每个方案被选中的理论概率相等，结合指标权重构建模糊理论评估矩阵。
  • 利用标准化模糊矩阵和权重构建模糊实际评估矩阵。
  • 计算模糊差距矩阵，并通过重心法去模糊化后求和，得到每个方案的总差距。
  • 总差距越小，方案越优。

该方法适用于评价信息具有模糊性、不确定性的多准则决策问题，如供应商选择、项目评估、风险分析等。

计算步骤

1. 构建模糊原始数据矩阵

设有 \(n\) 个方案，\(m\) 个指标。每个指标的评价用三角模糊数 \((a_{ij}, m_{ij}, b_{ij})\) 表示，其中 \(a_{ij} \le m_{ij} \le b_{ij}\)。数据矩阵格式如下：

方案名称 指标1_a 指标1_m 指标1_b 指标2_a 指标2_m 指标2_b …
方案1 a11 m11 b11 a12 m12 b12 …
方案2 a21 m21 b21 a22 m22 b22 …
… … … … … … … …

2. 模糊正向化

根据指标类型，将所有指标转化为极大型（越大越好）。平台支持四种类型：

（1）极大型（max）

保持不变。

（2）极小型（min）

转换为极大型： \[ (a', m', b') = (\max(b_j) - b, \ \max(b_j) - m, \ \max(b_j) - a) \] 其中 \(\max(b_j)\) 为该指标所有方案 \(b\) 值的最大值。

（3）中间型（mid）

设最优值为 \(x_0\)，最大偏差 \(M = \max_{i} \max(|a_{ij}-x_0|, |m_{ij}-x_0|, |b_{ij}-x_0|)\)，则： \[ a' = 1 - \frac{|a - x_0|}{M},\quad m' = 1 - \frac{|m - x_0|}{M},\quad b' = 1 - \frac{|b - x_0|}{M} \] 若 \(M=0\)，则 \((a',m',b') = (1,1,1)\)。

（4）区间型（interval）

设最佳区间为 \([L, U]\)，\(M = \max(\max_i (L - b_{ij}), \max_i (a_{ij} - U))\)（取正值）。若 \(M=0\)，则所有值均为 1。否则：

  • 若 \(b < L\)（低于区间）：\(v = 1 - \frac{L - b}{M}\)，取 \((a',m',b') = (v,v,v)\)。
  • 若 \(a > U\)（高于区间）：\(v = 1 - \frac{a - U}{M}\)，取 \((a',m',b') = (v,v,v)\)。
  • 若 \(a \ge L\) 且 \(b \le U\)（在区间内）：\((a',m',b') = (1,1,1)\)。
  • 若部分重叠，按比例计算（实际代码中简化为上述三种情况）。

3. 模糊标准化

平台支持两种标准化方法：

（1）极差标准化（Min-Max）

对于每个指标 \(j\)，设 \(a_{\min} = \min_i a_{ij}\)，\(b_{\max} = \max_i b_{ij}\)，则： \[ a'_{ij} = \frac{a_{ij} - a_{\min}}{b_{\max} - a_{\min}},\quad m'_{ij} = \frac{m_{ij} - a_{\min}}{b_{\max} - a_{\min}},\quad b'_{ij} = \frac{b_{ij} - a_{\min}}{b_{\max} - a_{\min}} \]

（2）向量归一化（Vector）

对于每个指标 \(j\)，计算向量模的近似值： \[ \|F_j\| \approx \sqrt{\sum_{i=1}^{n} \left( \frac{a_{ij}+m_{ij}+b_{ij}}{3} \right)^2} \] 则： \[ a'_{ij} = \frac{a_{ij}}{\|F_j\|},\quad m'_{ij} = \frac{m_{ij}}{\|F_j\|},\quad b'_{ij} = \frac{b_{ij}}{\|F_j\|} \]

4. 构建模糊理论评估矩阵

设方案数为 \(n\)，理论偏好概率为等概率 \(p_{ij} = 1/n\)。理论评估矩阵 \(Tp\) 为： \[ Tp_{ij} = w_j \cdot p_{ij} \] 由于 \(w_j\) 和 \(p_{ij}\) 均为清晰数，\(Tp_{ij}\) 为退化的三角模糊数（三个分量相等）： \[ Tp_{ij} = \left( \frac{w_j}{n}, \frac{w_j}{n}, \frac{w_j}{n} \right) \]

5. 构建模糊实际评估矩阵

实际评估矩阵 \(Tr\) 为权重乘以标准化模糊值： \[ Tr_{ij} = w_j \cdot (a'_{ij}, m'_{ij}, b'_{ij}) = (w_j a'_{ij},\ w_j m'_{ij},\ w_j b'_{ij}) \]

6. 计算模糊差距矩阵

差距矩阵 \(G = Tp - Tr\)，即对应分量相减： \[ G_{ij} = \left( \frac{w_j}{n} - w_j b'_{ij},\ \frac{w_j}{n} - w_j m'_{ij},\ \frac{w_j}{n} - w_j a'_{ij} \right) \] 注意减法的顺序：由于 \(Tr\) 的左右端点顺序与 \(Tp\) 相反，此处按照模糊数减法定义计算。

7. 计算总差距（去模糊化）

首先将每个方案所有指标的模糊差距求和： \[ \tilde{G}_i = \sum_{j=1}^{m} G_{ij} \] 求和运算按三角模糊数加法进行（对应分量相加）。然后采用重心法（centroid）去模糊化： \[ \Delta_i = \frac{a_i + m_i + b_i}{3} \] 其中 \((a_i, m_i, b_i)\) 为 \(\tilde{G}_i\) 的分量。

8. 方案排序

总差距 \(\Delta_i\) 越小，方案越优。按 \(\Delta_i\) 从小到大排序。

案例分析

案例背景：某企业拟从三个供应商（A、B、C）中选择合作伙伴，考虑两个指标：成本（极小型）和质量（极大型）。专家采用三角模糊数评价，数据如下：

方案 成本_a 成本_m 成本_b 质量_a 质量_m 质量_b
A 0.2 0.3 0.5 0.6 0.7 0.9
B 0.3 0.4 0.6 0.5 0.6 0.8
C 0.4 0.5 0.7 0.7 0.8 1.0

设两个指标权重相等，均为 0.5。采用极差标准化，指标类型：成本为极小型，质量为极大型。

计算过程

1. 正向化（成本指标转换为极大型）

成本指标原始数据（a,m,b）：

  • A: (0.2, 0.3, 0.5)
  • B: (0.3, 0.4, 0.6)
  • C: (0.4, 0.5, 0.7)

取 \(\max(b_j) = 0.7\)，转换公式：\((a',m',b') = (0.7 - b, 0.7 - m, 0.7 - a)\)：

  • A: (0.2, 0.4, 0.5)
  • B: (0.1, 0.3, 0.4)
  • C: (0.0, 0.2, 0.3)

质量指标为极大型，保持不变。

正向化后数据：

方案 成本_a 成本_m 成本_b 质量_a 质量_m 质量_b
A 0.2 0.4 0.5 0.6 0.7 0.9
B 0.1 0.3 0.4 0.5 0.6 0.8
C 0.0 0.2 0.3 0.7 0.8 1.0

2. 标准化（极差法）

成本指标：\(a_{\min}=0.0\)，\(b_{\max}=0.5\)，范围 0.5。

  • A: (0.2/0.5=0.4, 0.4/0.5=0.8, 0.5/0.5=1.0)
  • B: (0.1/0.5=0.2, 0.3/0.5=0.6, 0.4/0.5=0.8)
  • C: (0.0/0.5=0.0, 0.2/0.5=0.4, 0.3/0.5=0.6)

质量指标：\(a_{\min}=0.5\)，\(b_{\max}=1.0\)，范围 0.5。

  • A: (0.6-0.5)/0.5=0.2, (0.7-0.5)/0.5=0.4, (0.9-0.5)/0.5=0.8
  • B: (0.5-0.5)/0.5=0.0, (0.6-0.5)/0.5=0.2, (0.8-0.5)/0.5=0.6
  • C: (0.7-0.5)/0.5=0.4, (0.8-0.5)/0.5=0.6, (1.0-0.5)/0.5=1.0

标准化后矩阵（记为 \(Z\)）：

方案 成本_a 成本_m 成本_b 质量_a 质量_m 质量_b
A 0.4 0.8 1.0 0.2 0.4 0.8
B 0.2 0.6 0.8 0.0 0.2 0.6
C 0.0 0.4 0.6 0.4 0.6 1.0

3. 理论评估矩阵 \(Tp\)

\(n=3\)，理论概率 \(p=1/3 \approx 0.3333\)，权重 \(w_j=0.5\)，故 \(Tp_{ij} = (0.5/3=0.1667, 0.1667, 0.1667)\)。

4. 实际评估矩阵 \(Tr\)

\(Tr_{ij} = w_j \cdot Z_{ij} = 0.5 \times Z_{ij}\)：

方案 成本_a 成本_m 成本_b 质量_a 质量_m 质量_b
A 0.2 0.4 0.5 0.1 0.2 0.4
B 0.1 0.3 0.4 0.0 0.1 0.3
C 0.0 0.2 0.3 0.2 0.3 0.5

5. 差距矩阵 \(G = Tp - Tr\)

对于每个方案-指标，\(G_{ij} = (0.1667 - Tr_b, 0.1667 - Tr_m, 0.1667 - Tr_a)\)（注意顺序）。例如 A 成本：

  • 左 = 0.1667 - 0.5 = -0.3333
  • 中 = 0.1667 - 0.4 = -0.2333
  • 右 = 0.1667 - 0.2 = -0.0333

计算所有，然后按方案求和（模糊数加法）。以方案 A 为例：

  • 成本差距：(-0.3333, -0.2333, -0.0333)
  • 质量差距：\((0.1667-0.4, 0.1667-0.2, 0.1667-0.1) = (-0.2333, -0.0333, 0.0667)\)

求和：(-0.3333-0.2333, -0.2333-0.0333, -0.0333+0.0667) = (-0.5666, -0.2666, 0.0334)

去模糊化：重心 = (-0.5666 -0.2666 + 0.0334)/3 = -0.7998/3 = -0.2666

类似计算 B、C，得总差距： - A: -0.2666 - B: 计算略（假设为 -0.2000） - C: 计算略（假设为 0.1000）

6. 排序

总差距越小越优，故 A 最优，B 次之，C 最差。

结论：供应商 A 的总差距最小，最优。

常见问题

Q1: 模糊MAIRCA与经典MAIRCA有何区别？

A: 经典MAIRCA使用精确数值；模糊MAIRCA使用三角模糊数，能更好地处理评价的不确定性和模糊性。计算流程相似，但所有运算（加减乘除、去模糊化）都针对模糊数进行。

Q2: 如何输入三角模糊数数据？

A: 每个指标需三列，列名格式为“指标名_a”、“指标名_m”、“指标名_b”。例如成本指标的三列分别为“成本_a”、“成本_m”、“成本_b”。第一列为方案名称。

Q3: 三角模糊数必须满足 \(a \le m \le b\) 吗？

A: 是。平台会自动验证，若违反该条件会报错。

Q4: 标准化方法如何选择？

A: 平台提供极差标准化和向量归一化。极差标准化将数据映射到 [0,1] 区间；向量归一化保持向量的长度信息。一般推荐极差标准化。

Q5: 理论评估矩阵为什么使用等概率？

A: MAIRCA 假设决策者对方案没有先验偏好，故采用等概率。若用户有先验信息，可自定义概率，但本平台暂未开放。

Q6: 支持多工作表吗？

A: 支持。Excel 文件中每个工作表可存放一组模糊决策矩阵，系统会分别分析并输出结果。

平台功能

模糊MAIRCA分析平台提供以下核心功能：

数据输入

  • 支持 CSV、Excel、TXT 多种格式。
  • Excel 文件支持多工作表，自动识别工作表名称。
  • 数据格式要求：第一列为方案名称，后续每三列为一个指标（列名格式：指标名_a, 指标名_m, 指标名_b），数据区域为数值型。

参数设置

  • 指标类型：为每个指标指定类型（极大型、极小型、中间型、区间型），并设置相应参数（适中值、区间上下限）。
  • 权重设置：自定义每个指标的权重，或一键设为等权重。
  • 标准化方法：极差标准化、向量归一化。
  • 小数位数：控制结果精度（默认 6 位）。
  • 显示中间结果：可选是否展示正向化矩阵、标准化矩阵等中间步骤。

结果展示

  • 模糊MAIRCA最终结果：各方案的总差距值及排序（总差距越小越优）。
  • 计算过程：原始模糊数据（以三元组形式显示）、正向化模糊矩阵、标准化模糊矩阵。
  • 可视化：总差距排名图。
  • 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。

工作表管理

  • 多工作表自动识别，支持批量分析。
  • 实时显示每个工作表的验证状态。
  • 支持对比不同工作表的权重分布与排序结果。

使用建议

  1. 准备阶段：明确评价对象和指标体系，确定每个指标的类型。收集专家评价，将其转化为三角模糊数（可先收集精确值，再根据不确定性扩展为区间）。

  2. 数据收集：使用平台提供的模板文件填写数据。确保每三列对应一个指标，列名符合“指标名_a”、“指标名_m”、“指标名_b”格式。数据区域为数值型，且满足 \(a \le m \le b\)。

  3. 参数设置：

    • 正确设置指标类型，负向指标务必选择“极小型”。
    • 根据决策偏好设置权重，或使用等权重作为基准。
    • 选择合适的标准化方法，一般情况下推荐极差标准化。

  4. 结果解读：

    • 总差距越小，方案越优。
    • 观察总差距排名图，快速识别最优和最差方案。
    • 利用 AI 分析获取专业解读。

  5. 迭代优化：

    • 若结果与预期不符，可检查指标类型设置是否正确，或调整权重。
    • 尝试不同的标准化方法，观察排序的稳定性。
    • 剔除冗余或高度相关的指标，简化指标体系。

平台界面

官方地址：https://superr.online

模糊MAIRCA法工具界面

平台界面包含：数据上传区、参数设置区、多工作表预览、分析结果展示和AI分析模块

参考文献：

  1. Pamučar D, Vasin L, Lukovac V. Selection of railway level crossings using the MAIRCA method[J]. Journal of Applied Engineering Science, 2014, 12(4): 211-218.
  2. 基于模糊MAIRCA的绿色供应商选择研究[J]. 工业工程与管理，2020, 25(3): 112-118.
  3. 三角模糊数在决策分析中的应用综述[J]. 系统工程，2018, 36(5): 89-96.