1.原理
将评价目标看成是由多种因素组成的模糊集合（称为因素集u），再设定这些因素所能选取的评审等级，组成评语的模糊集合（称为评判集v），分别求出各单一因素对各个评审等级的归属程度（称为模糊矩阵），然后根据各个因素在评价目标中的权重分配，通过计算（称为模糊矩阵合成），求出评价的定量解值。上述过程即为模糊综合评判。
2.步骤：
（1）确定因素集
（2）确定评语集
（3）进行单因素评判得到：
（4）构造综合评价矩阵：
，并根据隶属度最大原则作出评判。
用“隶属度”来表示元素与模糊集合之间的关系，也就是元素隶属于模糊集合的程度。
一般来说，模糊集合主要有三类，分别为偏小型，中间型和偏大型。
在模糊综合评价模型中，需要确定相应的模糊概念属于偏大型还是偏小型还是中间型，之后再采用相应的隶属函数，才能求出合适的隶属度。
一般用隶属频率去定义隶属度。隶属度在[0,1]之间，若不在，可进行归一化处理。
实际建模比赛中，为了计算方便，最常使用的是梯形分布式隶属函数
3.与其它评价方法的区别
如果我们要评价一名学生的表现，层次分析法或TOPSIS法，都是找到指标后进行一个综合的打分，往往是用来比较多名同学的表现，给出排名。上述的评价指标，其实也对应这里的因素集。
令U ={专业排名，课外实践，志愿服务，竞赛成绩}，使用因素集的四个指标来评价一名学生的综合表现。
评语集，即是相应对象的评价结果，类似于“打分结果”。不同之处在于，评语集并非是分数的集合，而是由模糊概念组成的评语。例如把评语集设定为V = {优秀，良好，差}。评语集中的这三个评语，都是模糊的概念，在处理具体问题时，我们也可以把方案放在评语集中，以选择最佳的方案。
4.实例
现举评判电视机的实例来说明模糊综合评判的方法。={1，2，3}，={v1，v2，v3，v4}。这里1代表图像,2代表音响，3代表价格；v1表示很好，v2表示较好,v3表示可以,v4表示不好。设聘请专家或顾客进行评判。例如对于图像，有50%的人认为很好，40%的人认为较好，10%的人认为可以，没有人认为不好。全部结果记作：
- 对于图像：u1=(0.5，0.4，0.1，0)
- 对于音响：u2=(0.4，0.3，0.2，0.1)
- 对于价格：u3=(0，0.1，0.3，0.6)
这样就构成一个模糊矩阵：设一类顾客在购买电视机时主要是要求图像清晰，价格便宜，音响稍差则不要紧，则此类顾客对电视机三个因素的权数分配 =[ 0.5 0.2 0.3 ]
对电视机的评判结果为这是根据最大最小运算得到的，还需作归一化处理。因为0.5+0.4+0.3+0.3=1.5，用1.5除各项得到 【0.330.27 0.20 0.20】。模糊综合评判的结果,认为图像、音响、价格都很好的占比重最大，达33%。
发现SPSSPRO在线处理非常方便，还得是人工智能啊😆😆😆
https://www.spsspro.com/s/5ee8c65ecde240fbaa25d1c8926734a0
