基于AHP-TOPSIS算法的矿用卡车安全性评价方法与流程

基于ahp-topsis算法的矿用卡车安全性评价方法
技术领域
1.本发明涉及一种基于ahp-topsis算法的矿用卡车安全性评价方法。


背景技术：

2.topsis法即逼近理想解排序法，通过计算各月指标与正负理想解的加权欧氏距离和综合评价指数ci，由此判断各方案与最优方案的接近程度，作为最后的评价结果。
3.ahp即层次分析法，根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个多层次的分析结构模型，从而最终使问题归结为最低层（供决策的方案、措施等）相对于最高层（总目标）的相对重要权值的确定或相对优劣次序的排定。
4.目前大多简单的用统计不规范操作次数来简单衡量司机的操作安全性，这样无法体现出各不规范指标的权重占比，以及由于有些操作指标较为频繁，有些较稀疏，因此很难公平的对卡车操作安全性进行评价。


技术实现要素：

5.本发明的目的是解决上述存在的问题，提供一种利用ahp算法计算出各指标的权重大小，然后利用topsis算法计算出各卡车评分与最优解评分的接近程度的基于ahp-topsis算法的矿用卡车安全性评价方法。
6.上述的目的通过以下的技术方案实现：一种基于ahp-topsis算法的矿用卡车安全性评价方法，该方法包括如下步骤：步骤一：建立卡车安全性指标；步骤二：构造判断矩阵，并进行一致性检验；步骤三：若通过一致性检验，则计算判断矩阵的特征值，并取最大特征值对应的特征向量作为卡车安全性指标的权重，若不通过一致性检验，则返回步骤二；步骤四：判断各安全性指标的类型，并将指标数据进行正向化处理，得到正向化矩阵d；步骤五：对d消除量纲，得到标准化矩阵z；步骤六：按照步骤三得到的权重和步骤五得到的矩阵z，对卡车安全性进行评分，对各评分归一化处理后，得到最终的评价结果 。
7.所述的基于ahp-topsis算法的矿用卡车安全性评价方法，所述的步骤二的具体过程为：通过对两两因素进行重要程度比较，构造判断矩阵a，对判断矩阵元素a
ij
进行标度， c1，c2,
…
,cn为安全性指标，验证矩阵a的一致性，对判断矩阵a求解特征值λ，计算一致性判断指标，根据随机一致性指标ri计算一致性比率，当时，认为矩阵a的不一致程度在容许范围之内，通过一致性检验，否则重新构造判断矩阵a:
。
8.所述的基于ahp-topsis算法的矿用卡车安全性评价方法，所述的步骤四的具体过程为：对卡车安全性指标进行分类，即判断各指标分别属于极小型数据、中间型数据还是区间型数据，然后对其进行正向化处理；对于极小型数据，其正向化过程为：其中m为指标x可能取值的最大值；对于中间型数据，其正向化过程为：其中，m和m分别为指标x可能取值的最小值和最大值；对于区间型数据，其正向化过程为：其中[a, b]为指标x的最佳稳定区间，[a*,b*]为最大容忍区间；由此得到正向化矩阵x：。
[0009]
所述的基于ahp-topsis算法的矿用卡车安全性评价方法，所述的步骤五的具体过程为：对矩阵x进行标准化，即每一列元素都除以当前列向量的范数（一般使用余弦距离度量）：
由此得到标准化矩阵z：。
[0010]
所述的基于ahp-topsis算法的矿用卡车安全性评价方法，所述的步骤六的具体过程为：首先确定最优评价，最优评价z 由z中每列元素的最大值构成，即：确定最劣评价，最劣评价z-由z中每列元素的最小值构成，即：计算各卡车安全性评价与最优评价和最劣评价的距离：其中wj为步骤3得到的特征向量代表的权重。
[0011]
计算各卡车安全性评价与最优评价的接近程度ci：计算各卡车安全性评价与最优评价的接近程度ci：，ci越接近1表明该卡车的安全性评价越高，根据ci进行排序得到各卡车最终的安全性评价。
[0012]
所述的基于ahp-topsis算法的矿用卡车安全性评价方法，所述的矿用卡车安全性评价指标包括超速、暴力驾驶、举升倒斗、未预热、驻车制动错误和两轮转速差过大。
[0013]
有益效果：1.本发明基于ahp算法与topsis算法相结合，利用ahp算法计算出各指标的权重大小，然后利用topsis算法计算出各卡车评分与最优解评分的接近程度，从而给出卡车的评分结果。
[0014]
2.本发明构造判断矩阵，并进行一致性检验；通过一致性检验，则计算判断矩阵的特征值，并取最大特征值对应的特征向量作为卡车安全性指标的权重， 判断各安全性指标
的类型，并将指标数据进行正向化处理，得到正向化矩阵d；对d消除量纲，得到标准化矩阵z；根据得到的矩阵z，对卡车安全性进行评分，对各评分归一化处理后，得到最终的评价结果。
[0015]
附图说明：附图1是本发明的流程图。
[0016]
具体实施方式：实施例1：一种基于ahp-topsis算法的矿用卡车安全性评价方法，该方法包括如下步骤：步骤一：建立卡车安全性指标；步骤二：构造判断矩阵，并进行一致性检验；步骤三：若通过一致性检验，则计算判断矩阵的特征值，并取最大特征值对应的特征向量作为卡车安全性指标的权重，若不通过一致性检验，则返回步骤二；步骤四：判断各安全性指标的类型，并将指标数据进行正向化处理，得到正向化矩阵d；步骤五：对d消除量纲，得到标准化矩阵z；步骤六：按照步骤三得到的权重和步骤五得到的矩阵z，对卡车安全性进行评分，对各评分归一化处理后，得到最终的评价结果 。
[0017]
所述的基于ahp-topsis算法的矿用卡车安全性评价方法，所述的步骤二的具体过程为：通过对两两因素进行重要程度比较，构造判断矩阵a，对判断矩阵元素a
ij
进行标度， c1，c2,
…
,cn为安全性指标，验证矩阵a的一致性，对判断矩阵a求解特征值λ，计算一致性判断指标，根据随机一致性指标ri计算一致性比率，当时，认为矩阵a的不一致程度在容许范围之内，通过一致性检验，否则重新构造判断矩阵a:。
[0018]
所述的基于ahp-topsis算法的矿用卡车安全性评价方法，所述的步骤四的具体过程为：对卡车安全性指标进行分类，即判断各指标分别属于极小型数据、中间型数据还是区间型数据，然后对其进行正向化处理；对于极小型数据，其正向化过程为：其中m为指标x可能取值的最大值；对于中间型数据，其正向化过程为：
其中，m和m分别为指标x可能取值的最小值和最大值；对于区间型数据，其正向化过程为：其中[a, b]为指标x的最佳稳定区间，[a*,b*]为最大容忍区间；由此得到正向化矩阵x：。
[0019]
所述的基于ahp-topsis算法的矿用卡车安全性评价方法，所述的步骤五的具体过程为：对矩阵x进行标准化，即每一列元素都除以当前列向量的范数（一般使用余弦距离度量）：由此得到标准化矩阵z：。
[0020]
所述的基于ahp-topsis算法的矿用卡车安全性评价方法，所述的步骤六的具体过程为：首先确定最优评价，最优评价z 由z中每列元素的最大值构成，即：确定最劣评价，最劣评价z-由z中每列元素的最小值构成，即：
计算各卡车安全性评价与最优评价和最劣评价的距离：其中wj为步骤3得到的特征向量代表的权重。
[0021]
计算各卡车安全性评价与最优评价的接近程度ci：近程度ci：，ci越接近1表明该卡车的安全性评价越高，根据ci进行排序得到各卡车最终的安全性评价。
[0022]
所述的基于ahp-topsis算法的矿用卡车安全性评价方法，所述的矿用卡车安全性评价指标包括超速、暴力驾驶、举升倒斗、未预热、驻车制动错误和两轮转速差过大。
[0023]
实施例7：选取矿用卡车安全性评价指标：超速，暴力驾驶，举升倒斗，未预热，驻车制动错误，两轮转速差过大。
[0024]
按表1构造判断矩阵a，如表3所示，即：对矩阵a进行一致性检验，求解特征值，得到最大的特征值为λ=6.07。
[0025]
其一致性判断指标为ci=0.014《1.24，求得其最大特征值对应的特征向量为w=[0.12335456, 0.40329994, 0.61296266, 0.2631158, 0.5262316, 0.31663853]，经过归一化后特征向量为w=[0.0549316, 0.17959538, 0.27296126, 0.11716933, 0.23433865, 0.14100378]。将该向量作为卡车安全性指标的权重向量。
[0026]
对卡车安全性指标进行分类。经过对卡车安全性指标的时间统计得到表4，经过分析可知6项指标均为极小型且均大于0，故其正向化过程为：，得到正向化矩阵x：对矩阵x进行标准化处理，即：，得到标准化矩阵z：
最终评分。最优评分z 和最劣评分z-分别为：分别为：按（7）式计算各卡车安全性评价与最优评价和最劣评价的距离，得到表5：按（8）式计算各卡车安全性评价与最优评价的接近程度ci：ci=[0.305, 0.292, 0.322, 0.577, 0.484]即矿用卡车安全性评价排序为[4, 5, 3, 1, 2]。