跳到主要内容

灰色关联分析

一、直观理解：曲线形状越像参考序列，关联度越高​

灰色关联分析（GRA）比较各方案指标序列与参考序列（理想序列）的几何接近程度。差值小、同步变化，则关联度大。

像对比多条折线与“理想折线”是否走势相像，而不是只比某一点的高低。对小样本、“贫信息”系统特别常用。

也可用于因素对系统特征的影响排序：谁与母序列更关联。

二、适用场景与优缺点​

类型说明
适用场景小样本；多指标与理想序列对比；因素重要性排序；数据不完全服从大样本统计假设。
核心优点对样本量要求低；计算简单；思想直观；可与熵权结合得加权灰色关联。
局限与缺点分辨系数 ρ\rho 主观；参考序列定义影响大；关联度数值接近时区分弱；不是因果分析。

三、核心原理​

  1. 确定参考序列 x0(k)x_0(k) 与比较序列 xi(k)x_i(k)，k=1,…,nk=1,\ldots,n 为指标；
  2. 无量纲：初值化 x/ x(1)x/\ x(1) 或均值化、极差化；
  3. 关联系数
ξi(k)=min⁡imin⁡k∣x0−xi∣+ρmax⁡imax⁡k∣x0−xi∣∣x0(k)−xi(k)∣+ρmax⁡imax⁡k∣x0−xi∣\xi_i(k)=\frac{\min_i\min_k|x_0-x_i|+\rho\max_i\max_k|x_0-x_i|}{|x_0(k)-x_i(k)|+\rho\max_i\max_k|x_0-x_i|}

ρ∈(0,1)\rho\in(0,1) 常用 0.5；

  1. 关联度 γi=1n∑kξi(k)\gamma_i=\frac{1}{n}\sum_k\xi_i(k) 或加权 ∑wkξi(k)\sum w_k\xi_i(k)；
  2. 按 γi\gamma_i 排序。

四、关键决策​

决策点建议
参考序列各指标最优值构成；或系统特征序列
无量纲极差化适合评价；初值化适合趋势
ρ\rho0.5 默认；0.3–0.5 扫描
权重可加熵权/AHP 权重
方向极小型先转换

五、MATLAB 示例​

% 行=方案，列=指标，已为极大型
X = [
    80 70 90;
    75 88 70;
    90 65 85;
    70 90 75
];
% 参考序列：各列最优
x0 = max(X, [], 1);

% 极差无量纲（含参考）
Xall = [x0; X];
mn = min(Xall); mx = max(Xall);
Nall = (Xall - mn) ./ (mx - mn + eps);
x0n = Nall(1, :);
Xn = Nall(2:end, :);

rho = 0.5;
delta = abs(Xn - x0n);
dmin = min(delta(:));
dmax = max(delta(:));
xi = (dmin + rho*dmax) ./ (delta + rho*dmax);
gamma = mean(xi, 2);

T = table((1:size(X,1))', gamma, "VariableNames", {"方案","灰色关联度"});
T = sortrows(T, "灰色关联度", "descend");
disp(T);

% 加权灰色关联
w = [0.4 0.3 0.3];
gamma_w = xi * w';
disp("加权关联度："); disp(gamma_w');

六、如何解释结果​

  1. 参考序列如何定义；
  2. 无量纲与 ρ\rho；
  3. 关联度排序及与 TOPSIS 是否一致；
  4. 哪些指标关联系数拉低了某方案；
  5. 小样本下结论的限度。

七、常见误区​

1. 参考序列用平均水平却解释为“最优”​

评价问题一般用理想最优。

2. 不同量纲直接减​

必须无量纲。

3. 把关联当因果​

只能说几何接近或同步。

4. ρ\rho 乱调到出现想要的排序​

应预先固定并做敏感分析。

5. 关联度都在 0.6–0.7 却过度解读差距​

报告相对排序为主。

附：建模论文中的写法要点​

  1. 问题对应：用一两句话说明为何该方法匹配题目数据结构与目标（分类/分群/排序/效率）。
  2. 符号与步骤：按“输入 → 预处理 → 核心计算 → 输出指标”列出编号步骤，公式与代码变量名一致。
  3. 参数表：列出全部可调参数、取值、选取依据（CV、信息准则、业务约束或灵敏度）。
  4. 结果呈现：主结果用表格；辅以 1–2 张图（边界、树状图、得分条形图、效率分解等）。
  5. 稳健性：至少做一种扰动——删点、换权重、换距离、换初值或换阈值，观察结论是否保持。
  6. 局限：主动写明假设（球状簇、线性可分、CRS、完全补偿等）及适用边界，避免被质询时被动。

若主方法结论与合理基线（如 K-means 对 GMM、加权和对 TOPSIS、CCR 对 BCC）严重冲突，应回到数据质量与指标方向检查，而不是只报告“更好看”的一种结果。

附：计算检查清单​

在提交结果前，建议按下列清单快速自检：

  1. 输入矩阵：行/列含义是否与正文一致，有无缺失、重复行、单位混用。
  2. 方向与尺度：极小型是否已正向化；聚类/距离类是否已标准化；评价类权重是否归一。
  3. 参数来源：所有阈值、簇数、核宽、理想解定义能否在正文找到依据。
  4. 数值稳定：协方差/相关是否接近奇异；DEA 线性规划是否全部求解成功；对数/除零是否加保护。
  5. 随机性：涉及随机初值的算法是否固定种子并报告多次结果的稳定性。
  6. 验证协议：分类任务是否严格隔离测试集；重采样/SMOTE 是否仅用于训练折。
  7. 图表编号：主结论表与图在正文中被引用，而不是只放附录。
  8. 可复现：给出软件版本（如 MATLAB R20xx）与关键函数名，使读者能重跑最小示例。

不满足清单中任一项时，优先修正流程，再讨论“方法先进性”。对综合评价题，额外检查：更换一种合理权重后，前三名是否大体稳定；若剧烈跳动，应降低对精细名次的措辞强度。

八、小结​

灰色关联用参考序列与比较序列的关联系数平均（或加权）衡量整体接近程度，适合小样本多指标评价与因素分析。

与 TOPSIS 对照使用时，若排序一致则结论更稳；不一致则回到指标方向、权重与参考定义检查。

补充说明：方法细节以正文公式与 MATLAB 示例为准；若工具箱函数名随版本变化，可用本文手写实现对照复现核心步骤。

（本节完）