模糊综合评价计算器（隶属度合成与等级判定）

设指标权重向量 W =(w₁,…,wₘ)（自动归一化到和为 1），隶属度矩阵 R 为 m 个指标 × n 个等级（每行自动归一化）。用加权平均型算子 M(·,⊕) 合成：bⱼ = Σᵢ wᵢ·rᵢⱼ，得综合隶属度向量 B 并归一化；按最大隶属度原则取 bⱼ 最大的等级为综合评价等级——与模糊数学教材同口径。

常用专家打分频数法：请 k 位专家对每个指标勾选一个等级，第 i 个指标被评为第 j 等级的人数除以 k 即 rᵢⱼ（如 10 位专家中 5 人评「优」则 r=0.5）。也可用隶属函数由实测值算出。论文里要写清专家人数与打分方式；直接填频数也可以，工具会按行归一化。

最常用 AHP 层次分析法（本站有计算器，注意报 CR < 0.1），也可用熵权法或专家直接赋权。模糊综合评价论文的标准写法是「AHP 确定权重 + 模糊合成评价」，权重来源必须交代，不能凭空给一组数。

当最大与次大隶属度非常接近（如 0.36 和 0.34）时，最大隶属度原则的区分度不足，结论要谨慎——本工具会在两者差距很小时给出提示，并同时给出按等级赋值（n 分制）的加权等级值作为补充判断，论文里可两者并报。

常见有主因素决定型 M(∧,∨)、主因素突出型 M(·,∨) 和加权平均型 M(·,⊕)。本科论文绝大多数用加权平均型（保留全部指标信息、结果平滑），本工具即按此实现；若需其他算子请在论文中说明并用 MATLAB 实现。

先对每个准则层分别做一级评价得到该准则的综合隶属度向量，把这些向量按行拼成上一级的隶属度矩阵，再配准则层权重做二级合成——用本工具分两轮计算即可：第一轮各准则分别算，第二轮把各准则的 B 向量作为 R 的行。

不会。计算完全在你的浏览器本地完成，任何数据都不发送到服务器，也不调用 AI 服务。