FCE (模糊综合评价)

处理“定性 + 不确定”的综合评价方法

模糊综合评价（Fuzzy Comprehensive Evaluation, FCE）基于模糊集合与隶属度的思想，把对多个指标的语言评价（或带不确定性的评分）表示为对各评价等级的隶属度，再通过权重与合成算子进行汇总，得到总体评价结果。

它常用于“很难精确定量、但又需要给出整体结论”的评价问题，尤其适合指标体系清晰、评价等级明确的场景。

适用场景

满意度/服务质量评价：问卷打分、客服质量、酒店/景区体验等。
风险与安全等级评估：项目风险、设备健康度、环境风险分级等。
综合能力评估：人员能力、教学质量、供应商综合评价等。

模型原理

设：

因素集（指标集）
评语集（等级集），例如
权重向量，满足
第个指标对各等级的隶属度向量，通常满足

将所有指标的隶属度向量组成模糊关系矩阵：

通过合成算子得到综合评价向量（对等级集的隶属度向量）：

常见合成方式：

加权平均型：
最大-最小型：

得到后常见输出方式：

最大隶属度原则：取，判定等级为
综合得分法：为等级集赋分（例如），计算

主要步骤

建立指标体系与评价等级：确定因素集与评语集。
确定权重 ：可用 AHP、熵权法、德尔菲法或专家经验等方法确定。
构造隶属度：将每个指标的观测值或语言评价映射为隶属度向量。
建立模糊关系矩阵 ：把按行组成矩阵。
选择合成算子并计算 ：得到综合评价向量。
输出结论：按最大隶属度原则给出等级，或按综合得分法给出得分与排名。

多级模糊综合评价

当指标体系层次较深（如一级指标下包含多个二级指标）时，可先对各一级指标内部做一次模糊综合评价，得到一级指标的评价向量，再把这些向量作为新的“指标”，进行第二次综合评价。

设第个一级指标下对应的二级指标权重为、隶属度矩阵为，先算：

再将所有组成新的矩阵，结合一级指标权重做第二次综合评价：

优缺点与注意事项

优点：能把“语言评价/不确定评分”转为可计算结果；支持多级指标体系；输出既可给等级也可给得分。
局限：隶属度函数与权重的设定带有主观性；对合成算子敏感；不同等级划分方式会影响结论。
实践建议：评语集等级不宜过多（通常 4–7 级）；保证每一行隶属度和为 1；在论文中明确隶属度构造方法与等级赋分方案；必要时做敏感性分析（改权重/算子看结论是否稳定）。

完整代码实现（Python / MATLAB）

下面给出一份可以直接复用的 FCE 代码模板（以“加权平均型”为默认合成方式，同时提供最大-最小型作为备选）。

Python（NumPy）

python

import numpy as np

def normalize_weights(w):
    w = np.asarray(w, dtype=float).ravel()
    if np.any(w < 0):
        raise ValueError("错误：权重不能为负数！")
    s = np.sum(w)
    if s == 0:
        raise ValueError("错误：权重全为0，无法归一化！")
    return w / s

def normalize_rows(R):
    R = np.asarray(R, dtype=float)
    if np.any(R < 0):
        raise ValueError("错误：隶属度不能为负数！")
    row_sum = np.sum(R, axis=1, keepdims=True)
    if np.any(row_sum == 0):
        raise ValueError("错误：存在全0行，无法进行行归一化！")
    return R / row_sum

def fce_weighted_average(w, R):
    w = normalize_weights(w)
    R = normalize_rows(R)
    B = w @ R
    return B

def fce_max_min(w, R):
    w = normalize_weights(w)
    R = normalize_rows(R)
    W = w.reshape(-1, 1)
    B = np.max(np.minimum(W, R), axis=0)
    return B

def grade_by_max_membership(B, grades):
    B = np.asarray(B, dtype=float).ravel()
    idx = int(np.argmax(B))
    return grades[idx], idx

def score_by_grade_scores(B, scores):
    B = np.asarray(B, dtype=float).ravel()
    scores = np.asarray(scores, dtype=float).ravel()
    if B.shape[0] != scores.shape[0]:
        raise ValueError("错误：等级数量与赋分数量不一致！")
    return float(B @ scores)

if __name__ == "__main__":
    grades = ["优", "良", "中", "差"]
    grade_scores = [100, 80, 60, 40]

    w = [0.4, 0.35, 0.25]
    R = [
        [0.10, 0.60, 0.25, 0.05],
        [0.20, 0.50, 0.25, 0.05],
        [0.05, 0.55, 0.30, 0.10],
    ]

    B = fce_weighted_average(w, R)
    level, _ = grade_by_max_membership(B, grades)
    S = score_by_grade_scores(B, grade_scores)

    print("=== FCE 结果 ===")
    print("综合评价向量 B =", np.round(B, 4))
    print("等级判定 =", level)
    print("综合得分 =", round(S, 4))

MATLAB

matlab

clc, clear;

grades = {'优','良','中','差'};
grade_scores = [100, 80, 60, 40];

w = [0.4, 0.35, 0.25];
R = [
    0.10 0.60 0.25 0.05;
    0.20 0.50 0.25 0.05;
    0.05 0.55 0.30 0.10
];

if any(w < 0)
    error('错误：权重不能为负数！');
end
if any(R(:) < 0)
    error('错误：隶属度不能为负数！');
end

w = w / sum(w);
row_sum = sum(R, 2);
if any(row_sum == 0)
    error('错误：存在全0行，无法进行行归一化！');
end
R = R ./ row_sum;

B = w * R;
[~, idx] = max(B);
level = grades{idx};
S = B * grade_scores';

disp('=== FCE 结果 ===')
disp(['综合评价向量 B = [', num2str(B, ' %.4f'), ' ]'])
disp(['等级判定 = ', level])
disp(['综合得分 = ', num2str(S, '%.4f')])

参考资料

Zimmermann, H. J. Fuzzy Set Theory—and Its Applications.
模糊数学与模糊综合评价相关教材与课程讲义

FCE (模糊综合评价) ​

适用场景 ​

模型原理 ​

主要步骤 ​

多级模糊综合评价 ​

优缺点与注意事项 ​

完整代码实现（Python / MATLAB） ​

Python（NumPy） ​

MATLAB ​

参考资料 ​