综合评价模型是一类重要的数学模型,可以对多个备选对象进行评价、打分、排序等。经典的著名的方法包括TOPSIS方法、熵值法、层次分析法等,不过这些方法都超出了初中学生、甚至是高中学生学校所学习的知识(TOPSIS方法需要度量多维向量之间的距离、熵值法需要用到含对数函数熵值函数、层次分析法则需要了解线性代数中特征值特征向量的概念)。但是实际生活中经常见到评价类的问题,比如如何评价大学的优劣来帮助选择大学、给景点打分来确定旅游目的地、给候选人打分来选择合适的员工等。
在建模课上,我曾提出这样一个例子:
王老师每周六需要到郊区一所学校进行数学建模教学,现有电脑过于笨重,携带并不方便。现在他打算购置一个价位在五千元左右的新的笔记本电脑,请你设计数学模型帮助王老师选购一台合适的电脑。
这就是一个典型的评价问题,如何根据多项指标最终选出最合适的电脑。学习这次课程的是几个八年级的孩子,他们对该问题的解决提出了如下几类模型:
筛选模型。根据指标逐步筛掉不符合条件的备选项,保留到最后的即为最合适电脑
秩和比法。当然学生并没有提出这么专业的名词,但是过程是一致的:确立好评价指标之后,在每项指标下给所有备选对象进行排名(秩),越好的排名越靠前(值越小),最终将每个电脑的排名累加,取分数最小的作为最优选择。 $$\min \quad S_i=R_{i1}+R_{i2}+...+R_{im}=\sum_{j=1}^{m}R_{ij} $$ 其中$S_i$为第$i$个评价对象的总得分,$R_{ij}$是第$i$个评价对象的第$j$个对象的值。一共有$m$个评选指标。
秩积法。类似于上一种方法,不过将秩进行累乘,同样选取最小值。 $$\min \quad S_i=R_{i1}\times R_{i2}\times...\times R_{im}=\prod_{j=1}^{m}R_{ij} $$ 其中$S_i$为第$i$个评价对象的总得分,$R_{ij}$是第$i$个评价对象的第$j$个对象的值。一共有$m$个评选指标。
含权重的秩积法。在排好顺序(秩)之后,根据对不同指标的重要性,在原始秩的基础上乘以一个权重表明不同指标的重要性(经提醒,学生意识到如果采用备选对象越好,值越小的方法的话,那么重要性大的指标乘上的权重也应该小)
列举学生的这些解法是想要展示初中生如何思考和看待这个问题的。很显然,学生没有接触过诸如TOPSIS方法等方法,但他们的方法也是很有道理很有用的。甚至相比于更复杂的模型而言,他们的模型更“简洁”“易算”。能够解决“王老师”的问题。
当一个学生或多个学生提出解决方案后,教师和学生都会有所思考和点评,会就学生的模型进一步进行讨论。上面列出的第二三四个方法就是一个方法递进的过程
交流和总结的过程会促进学生对建模过程的反思,从而激发思维进一步改进模型。
学生学习建模之初会疑问:啥也没学,能够解决建模问题呢? 答案是:可以的。就按照学生对问题的初始认识和想法,数学化(用符号表示,整理成模型。教师往往需要提供协助),其实就是在用数学建模解决问题了。教师可以可以充分相信学生可以初步解决问题。
下一步,很重要的是在充分尊重学生思考的基础上,协助学生完整地解决问题。之前在和学生进行案例分析时,我会让学生充分提出自己的想法,越多样越好。学生提出各种想法之后,我接下来开始系统讲解这方面解法,对于学生想法的具体落实就略过了。之所以略过,是考虑到时间有限,想法最重要,对于求解而言更花时间重要性也低。但现在想来,求解虽然繁琐,但仍有必要。求解代表模型应用的过程,这其中同样含有高价值的建模困难和思维突破。
让学生将自己提出的模型用于实践有如下好处:
在学生充分发挥自己想法解决了问题之后,教师和学生在此基础上进一步反思:模型有何优势和不足?如何改进? 此时学生已“到达自己知识的边界”,对了解更复杂的但有助于提升自己模型的思路有个更多的渴望,此时,教师可以以学生现有模型的不足作为新模型引入的出发点,介绍新的模型。比如学生往往会觉得自己模型的权重过于主观,希望找到可以处理权重的方法,此时可以引入层次分析法、熵权法等模型。
本文提出对于新接触数学建模的学生,教师需要充分尊重学生的建模想法,鼓励其完整解决问题。同时,在学生反思基础上引入新模型知识。