数学建模-灰色关联分析(GRA)

1-AI带你认识GRA

📘 一、灰色关联分析（GRA）简介

1. 什么是灰色关联分析？

2. 核心思想（通俗理解）：

3. 与熵权法的对比（快速类比）：

🧩 二、灰色关联分析的基本原理

1. 问题背景：

🛠️ 三、灰色关联分析的基本步骤（标准流程）

✅ 步骤 1：构建原始数据矩阵

✅ 步骤 2：确定参考序列（理想解/母序列）

✅ 步骤 3：数据标准化（无量纲化处理）

（1）均值化法（常用）：

（2）初值化法：

（3）区间化法（极差标准化）：

✅ 步骤 4：计算关联系数

✅ 步骤 5：计算关联度

✅ 步骤 6：排序与分析

✅ 四、灰色关联分析的优点与缺点

✅ 优点：

❌ 缺点：

📚 五、灰色关联分析的典型应用场景

🧠 六、总结一句话：

📘 类比记忆（帮你更好理解）：

📝 在数学建模/论文中的表述建议：

2-理论知识

介绍

定义

应用

3-基于excel表格实现灰色关联分析

1）写入数据

2）数据预处理

3）求出两级最小差和两级最大差

4）确定灰色关联系数Gamma

计算公式

5）求每个指标的灰色关联系数的平均值

1-AI带你认识GRA

📘 一、灰色关联分析（GRA）简介

1. 什么是灰色关联分析？

灰色关联分析（Grey Relational Analysis，简称 GRA 或灰色关联度分析） 是一种分析系统中各因素间关联程度（相似程度、变化趋势相似性）的定量方法，由我国著名学者 邓聚龙教授 在 20 世纪 80 年代提出，是灰色系统理论的重要组成部分。

2. 核心思想（通俗理解）：

灰色关联分析的核心思想是：通过计算各评价对象（或因素）的指标数据序列与“参考序列”（理想或对比基准）之间的“关联程度”（即相似程度、变化趋势的相近程度），来判断它们之间的关联性强弱，从而进行排序、评价或因素分析。

你可以把它理解为：

“谁的变化趋势跟参考对象最像，谁就跟参考对象的关系最紧密，关联度就越高。”

3. 与熵权法的对比（快速类比）：

项目

熵权法

灰色关联分析（GRA）

目的

确定各指标的客观权重

分析各对象或因素与参考序列的关联程度（相似性）

输入

原始数据矩阵（指标值）

原始数据矩阵（指标值），通常也需要参考序列

输出

各指标的权重值

各对象与参考对象的关联度，用于排序或分析

是否排序

一般不直接排序，常与 TOPSIS 等方法结合使用

可直接排序，也可用于因素分析

主要用途

多指标综合评价中确定指标重要性

评价对象优劣排序、因素重要性分析、系统趋势分析

特点

基于信息熵，反映指标的区分度

基于序列间的几何相似性，反映变化趋势的相似程度

🧩 二、灰色关联分析的基本原理

1. 问题背景：

在实际问题中，我们常常需要分析：

•
多个评价对象（如不同城市、企业、方案）在多个指标上的表现；

•
或者多个因素（如经济指标、环境变量）之间的相互关系与影响程度；

•
但我们往往缺乏足够的信息（数据少、信息不完全），属于“贫信息、小样本”问题 → 这正是灰色系统理论擅长处理的领域！

👉 灰色关联分析正是用来解决这类“信息不完全但有一定规律”的问题，通过分析数据序列的相似性（关联度）来进行评价或分析。

🛠️ 三、灰色关联分析的基本步骤（标准流程）

假设我们有：

•
m 个评价对象（如方案、城市、企业）

•
n 个评价指标

•
每个对象在每个指标上都有一个观测值

我们要分析这些对象与某个参考对象（理想方案/参考序列）的关联程度，或者直接对这些对象进行优劣排序。

✅ 步骤 1：构建原始数据矩阵

设有 m 个对象，n 个指标，构建原始数据矩阵：
X=x11x21⋮xm1x12x22⋮xm2⋯⋯⋱⋯x1nx2n⋮xmn
其中，xij表示第 i 个对象在第 j 个指标上的值。

✅ 步骤 2：确定参考序列（理想解/母序列）

参考序列可以是：

•
人为指定的最优值（如各指标的最大值/最小值，视指标性质而定）

•
实际数据中表现最好的那个对象（即某一行数据）

•
或者根据问题背景自定义的参考标准

一般记作：
X0=(x0(1),x0(2),...,x0(n))
如果是对象间的优劣排序问题，通常将每个指标的最优值组合成参考序列（类似 TOPSIS 的正理想解）；也可以直接把某个对象作为参考对象。

✅ 步骤 3：数据标准化（无量纲化处理）

由于不同指标的量纲（单位）和数量级不同，通常需要对原始数据进行标准化处理，常用方法有：

（1）均值化法（常用）：
xi′(k)=x(k)xi(k),x(k)=m1i=1∑mxi(k)
（2）初值化法：
xi′(k)=xi(1)xi(k)
（3）区间化法（极差标准化）：
xi′(k)=max(x(k))−min(x(k))xi(k)−min(x(k))
推荐使用 均值化法 或 初值化法，在灰色关联分析中较为常见。

标准化后得到新的矩阵 X′。

✅ 步骤 4：计算关联系数

对于每个评价对象 i 与参考序列在每个指标 k 上的数值，计算它们之间的关联系数：
ξi(k)=∣x0(k)−xi′(k)∣+ρ⋅imaxkmax∣x0(k)−xi′(k)∣iminkmin∣x0(k)−xi′(k)∣+ρ⋅imaxkmax∣x0(k)−xi′(k)∣
其中：

•
∣x0(k)−xi′(k)∣：参考序列与第 i 个对象在第 k 个指标上的绝对差

•
iminkmin和 imaxkmax：两级最小差与最大差（用于规范化和调节）

•
ρ：分辨系数，一般取 0.5（用于削弱最大差过大带来的影响）

关联系数 ξi(k)反映的是第 i 个对象在第 k 个指标上与参考对象的相似程度（关联程度），取值范围为 [0,1]，越接近 1 表示关联越强。

✅ 步骤 5：计算关联度

对每个对象 i，在所有指标上的关联系数求平均值（或加权平均），得到该对象与参考序列的关联度：
ri=n1k=1∑nξi(k)
如果各指标的重要程度不同，也可以引入权重 wk，采用加权平均：
ri=k=1∑nwk⋅ξi(k),k=1∑nwk=1
✅ 步骤 6：排序与分析

•
根据关联度 ri从大到小排序

•
关联度越大，表示该对象与参考对象越相似，综合表现越好（或关系越紧密）

•
可用于：

•
多对象优劣排序

•
因素重要性分析

•
系统动态变化趋势分析

✅ 四、灰色关联分析的优点与缺点

✅ 优点：

1.
对数据要求低：不需要大量数据，适合小样本、贫信息问题（灰色系统特色）

2.
计算简单、易于理解和实现

3.
不需要指标数据服从特定分布

4.
能反映数据间的变化趋势与相似性，而不仅是数值大小

5.
广泛应用于因素分析、方案排序、政策评价等实际问题

❌ 缺点：

1.
分辨系数 ρ 的选取具有一定主观性

2.
对参考序列的选取比较敏感，影响最终结果

3.
只反映关联程度，不直接给出“优劣”的绝对评价，更多是“相似性”

4.
一般需结合其他方法（如熵权法、TOPSIS）进行综合评价

📚 五、灰色关联分析的典型应用场景

•
多方案/多对象优劣排序（如企业绩效、城市发展水平、投资方案等）

•
因素重要性分析（如分析哪些因素对目标影响最大）

•
系统趋势分析（如分析某指标与参考目标的变化趋势是否相近）

•
与 TOPSIS、熵权法等结合使用，构建更强大的综合评价模型

🧠 六、总结一句话：

灰色关联分析是一种通过计算数据序列之间几何形状的相似程度（关联度），来判断各评价对象与参考对象之间关联性强弱的方法，适用于小样本、多指标、贫信息的综合评价与因素分析问题。

📘 类比记忆（帮你更好理解）：

可以把灰色关联分析类比为：

“在众多曲线（各对象的数据序列）中，找出哪一条跟参考曲线（理想/基准序列）的‘走势’最像，最像的就说明关联度最高，评价越好。”

📝 在数学建模/论文中的表述建议：

“本文采用灰色关联分析方法，通过构建标准化数据序列与参考序列，计算各评价对象与参考对象的灰色关联系数及关联度，根据关联度大小对评价对象进行优劣排序或因素重要性分析，从而为决策提供依据。”

项目	熵权法	灰色关联分析（GRA）
目的	确定各指标的客观权重	分析各对象或因素与参考序列的关联程度（相似性）
输入	原始数据矩阵（指标值）	原始数据矩阵（指标值），通常也需要参考序列
输出	各指标的权重值	各对象与参考对象的关联度，用于排序或分析
是否排序	一般不直接排序，常与 TOPSIS 等方法结合使用	可直接排序，也可用于因素分析
主要用途	多指标综合评价中确定指标重要性	评价对象优劣排序、因素重要性分析、系统趋势分析
特点	基于信息熵，反映指标的区分度	基于序列间的几何相似性，反映变化趋势的相似程度