[人工智能]python实现MAIRCA方法

MAIRCA的基本设置是定义理想和经验之间的差距评级。根据每个标准将差距相加，得出每个备选方案的总差距。对备选方案进行排名是在流程的最后，排名最高的备选方案是差距值最低的备选方案。主要步骤为

1、给出初始矩阵X

2、确定方案P的选择偏好，一般来说决策者中立的情况下，等可能的选择每一个方案，因此有

3、计算理论评级矩阵Tp，也就是常见的矩阵赋权步骤，因为P的每一行元素都相同，因此可以简写为

4、计算真实评级矩阵Tr，分情况对矩阵每一个元素计算获得。

对于收益型属性

对于成本型属性

5、计算总间隙矩阵G，G=Tp-Tr。

6、计算每个方案的在属性下的最终值。

代码如下

# coding=gbk
import pandas as pd
import numpy as np

def maxmin(df,list):#最大最小方法，需要提供收益型成本型的字典方便区分
    for i in range(0,(df.shape[1])):
        if i in list:
            df[i] =(df[i] - df[i].min()) / (df[i].max() - df[i].min())
        else:
            df[i] =(df[i] - df[i].max()) / (df[i].min() - df[i].max())
    return df

if __name__ == '__main__':
    df = pd.DataFrame([[61, 226, 3, 65, 70, 7, 2],
                       [91, 33, 2, 60, 88, 4, 8],
                       [36, 235, 3, 55, 68, 5, 3],
                       [99, 122, 2, 80, 62, 3, 2],
                       [74, 181, 2, 55, 45, 2, 9],
                       [86, 33, 3, 55, 78, 6, 6],
                       [55, 155, 3, 80, 63, 7, 9],
                       [111, 128, 4, 75, 60, 3, 7],
                       [52, 76, 4, 85, 45, 5, 5],
                       [77, 123, 2, 50, 85, 5, 3]])
    p=1/df.shape[0]
    # print(p)
    w_1=[0.1314, 0.2132, 0.1083, 0.0927 ,0.1664, 0.1289 ,0.1591]
    w=np.multiply(p,w_1)
    print(w)
    w_n=np.outer([1,1,1,1,1,1,1,1,1,1],w)
    # print(w_n)
    list=[0,1,2,3,4,5]
    tp=w*maxmin(df,list)
    print(tp)
    tg=pd.DataFrame(w_n)-tp
    print(tg)
    print(tg.sum(1))