数学建模参与竞赛保存2014年美赛

1、模型假设做出如下假设:1.2.3.4.已经得到全部的大学数据及资料信息.用来评价最佳而量化的指标足够合理准确.用的职业生涯进行比较,而不是用单场胜负,这是合理的.搜集到的年轻.的数据可以反映全部的职业生涯,不考虑快速增长的模糊综合评判法试图构建一个模糊评价算法系统. 首先12,通过查阅文献3,选取一系列用来评价先引入胜任力的概念执教水平的量化指标,记作集U.然后采用 AHP 对集,记作权重集W；设定不同的重要程度,的算法把技术职能胜任力看做是最重要的.设定评语集V=优 良中 差,确定每个属于哪一个评语的隶属度R,当然隶属度函数是线性的.最后采用平均算子怎么使隶属度转化为模糊指数?通过 zade

2、h 建立的模糊算法,虽然得到了之后的隶属度,即的分类好坏，却无法得到最后的.通过查阅文献6 ，采用等级评价法,结合我们的理解并改造，将评语集进行定量化。即V：优 良 中 差=4 3 2 1。每个的模糊指数：与 PSO-SVM 算法的比较验证一个理论的正确性和结果的合理性靠它自身的证明在大多时候是很难的.然而通过与其他理论相互对比起来分析,可能会出现意想不到的结果.综合评判模型也需要这样的验证.的模糊支持向量机是一种基于统计学习理论的机器学习方法，能较好的解决小样本、非线性的分类和问题。它的基本是通过一个非线性,将自变量数据到高进行线性回归.把一个非线性函数转化为线性函数, 经过转化之后问题将得

3、到大大的简化.但是直到现在,SVM 的核函数的类型、核函数的参数以及惩罚系数的选择问题到目前还没有完整的理论。通过查阅文献7，采用粒子群算法强大的全局优化能力对 SVM 的参数进行优化，使支持向量机回归理论更加完善。求解模型编制了上述理论的PSO-SVM程序。首先试集两部分，训练样本集用于训练支持向量回归机,模型。再将测试样本集代入所得到的模型, 就可以样本数据分为训练集和测这样就得到支持向量回归机结果。本文选取MSE作为适应度函数, 在搜索过程中, 当数, 则算法运行结束。误差达到某给定值, 或已到达最大迭代次通过计算机运算，在训练集和测试集MSE已经绝对小 and精度可以达到99% 的情况

4、下，PSO-SVM的数据与模糊指数非常接近，且最后的结果相同。将volleyball作为例子，展示两种算法接近程度。测试集 MSE=0.0099,准确率为 98.94%。说明 PSO-SVM 算法性能较好。从上图不发生变化。通结果显示，PSO-SVM出的模糊指数与原模型数据接近，过比较，结果分析可以验证模糊综合评判法的正确性与合理性。模型最后的结果是把的执教能力处理成一个数字.这个数字是一个 0-4之间的一个无量纲数,它可以比较大小.这样就容易对不同的执教能力进行.的结果可以显示同一球类之间的，还可以观察不同之间的差距.执教水平,这对于明白自己的执教水平在那个位置,有很好的帮助.为了他们可以通

5、过的量表来评价自己.可以缺少什么能力.当然如果让其他人评价,结果应该会显得更好一点.的结果还可以对不同的球类进行比较,看哪个球队的水平是最高的。从的中,可以看出:篮球和足球是在所有大学球类里面执教水平最高的,这与NBA、比较盛行有关系。的结果可以扩展到不同的时代，对不同时代的也能进行比较。不同的时代，规则的不同，价值观的不同，执教水平的指标重要程度是变化的，不恒定的。但是对于的模型，你完全不用担心这个问题。如果仅仅是评价因素有不同的重要程度，问题可以通过调整权重来解决。如果又加入新的规则，那么完全可以添加一个合理的指标，重新按照规则来分配权重。这个问题轻松就可以解决。的模型与换句话来说，对于的

6、是没有关系的，男女的模型，只要你输入不同都可以给他们一个高低全都可以。的信息，把他们的时代、球。类、甚至告诉，的模型还有很大程度的灵活性，你需要改变自变量的重要程度，只需要简单的调整权重就可以做到，而权重的数值大小，全部决定于你。至于的假设 4 说明的情况，对于某些年轻来讲，可能并不是很恰当，因为他们随着年龄增长，执教水平可能会超速增长。但是这些毕竟是极少的情况。因此对于某些年轻，在评价时数字稍大，兼顾了年轻球员的增长。需明的是现在你看到的结果，是结合现在的价值观确定的。把执教的胜率和荣誉放在非常重要的位置，而把其他代是合适的。放在次要的位置。这在当前这个时为什么的模型可以和球类？的模型是可以

7、的时候。很多时候只关心的。For exle,对于一个球队来说，他选择的执教能力，而不是关心他的。这是显分析而易见的。因此，在开始分析时候把男女分开评价，但是后来了指标，发现选取的指标对男女是通用的，是可以进行评价的。评价出的结果都是执教能力，与也没有关系，可以放在一起进行比较。这样的模型就可以球类了。不同球类，如果用选取的指标中的一项进行比较，很有可能是无法比较的。但是对模型中的这些指标，每种球类都做了标准化处理，见公式。因此，就将不同的球类放在了同一水平上，用相同的模型进行评价，得到的结果自然就可以球类了。最后，如果你对的模糊指数不太，可以考虑把模糊指数满分从4 分变为任意分数。这只是问题。

8、模型优缺点的模型有效的得到了最初设定的目标。它不仅很高效，可以处理大选取的指标尽可能的涵盖到所有的能反映量数据，还有期望的灵活性。执教水平的，并且非常容易量化，具有一定的客观性。的模型也合理的考虑到了时间，不同的时代，对执教水平评价的是不同的，我们可以改变多个球类 等数据，的权重，实现这一变化。的模型可以把任何一个、两个甚至进行，如果选择在执教能力函数中输入教龄、胜率和健康可以很轻松地得到高质量的结果。同时的模型还有一定的健壮性。更重要的，对大量数据的问题，的模型可以提供了一种相对方便的方法，可以快速的筛选数据，使分析时间大大减少。另外，的模型也可以与其他模型互相对比验证，保证了模型结果的合理

9、性。模型的主要缺点是量化指标时，需要了解的信息，花费时间较长。考虑到现实中，评价可以避免的。一般都是专业的，对非常熟悉，所以这个缺点也是总之的评价方法，适合于专业采用，对大小样本都具有一定的实用性。模型检验的模型虽然在选取指标时查阅了许多文献书籍，尽可能用指标来完全反映一个的数据进行的执教能力.但是没有检验,也没有充分的说服力.因此,度分析,试图增强的说服力.对输入全部球类的自变量数据进行信度和外部效度检验.因为把胜任力化为三个支胜任力,对三种分别进行信度检验.对全部指标进行效度检验.结果如下:从结果中 身的设置是可以看出,的量表完美的通过了信度检验.说明的量表本的.每个二级指标下的三级指标全

10、部都超过了 0.8.因此可以证明量表的可靠性,在实际中是可以进行广泛采用的.但是对于外部有效性检验结果,尽管的量表中的指标可以显著的反映的目的-执教水平.但是从观察中也可以看出,技术职能胜任力与管理职能胜任力对于第一主成分都有很高显著性。推测，产生这样的结果有两个原因。第一，可能是数据时不够细心，导致技术职能胜任力与管理职能胜任力下的三级指标数据差异不大，即外部相关性太强。第二，可能的信息是正确的。因此，分析可以说明，对于一个来说，很多时候技术职能胜任力与管理职能胜任力是同步发展的。一个技术高超的来说，往往他也是与队员交流，处理好之间的关系的。更进一步，也可以想象，一个，如果只有技术好，而与队员不会