简介：物元分析法（matlab）.zip 是一套基于可拓学理论、面向多指标综合评价建模的 MATLAB 实现工具包，适合经济管理、工程评估等领域的科研人员和高年级学生使用。资源完整覆盖蔡文教授物元分析法的四个核心计算环节：待判物元的确定、经典域与节域的划分、关联函数求解、综合关联度计算，运行 m 脚本即可逐步骤输出评价结果。压缩包共包含 5 个文件，其中 4 个 xls 数据表分别承担原始数据录入、中间过程保存和结果输出，1 个 m 主程序负责执行算法，总大小仅 31KB，结构精简、便于二次修改。当前已有 4870 人学习下载，是入门可拓学评价模型的实用工具。借助这套程序，读者不仅能快速复现物元分析全过程，还可对照数据表理解评分矩阵的组织方式，将其迁移至工程质量评价、风险决策等实际场景。

1. 物元分析法（matlab）：你需要的不是压缩包，而是一套能跑通全流程的评价代码

评价一个对象时最难受的不是指标多，而是指标之间互相打架：可靠性很好，成本却高到无法接受，加权平均一算正好抵消，结论变成「中等偏好」。物元分析法（matlab）就是为这种矛盾问题设计的方法，它把评价对象拆成事物、特征、量值三要素，拿每个指标的实测值去和各等级区间比较，最终输出对象「最像哪一级」。这个 zip 里的 matlab 实现，常见做法是把物元表、经典域、节域和关联函数封装成几个 m 文件，改参数就能跑。适合做综合评价、设备状态分级、方案比选的工程师，也适合写论文但不想手算关联度的学生。

2. 先把物元模型搭对：经典域、节域与关联函数的三段式实现

2.1 物元分析的计算路线：把评价对象写成物元表

物元分析的第一步不是写代码，而是接受一个抽象：任何一个评价对象都可以写成三元组 R=(N, c, v)。N 是被评价的事物，可以是一台设备、一个设计方案、一个供应商；c 是特征，也就是我们常说的评价指标；v 是特征对应的量值。一个对象如果有五个指标，它就对应一张五行两列的物元表，这组数据就是待评物元。

评价等级则写入经典域。比如把等级分成「优、良、中、差」四级，每个等级在每个指标上都有一组取值区间，这就是经典域。还需要额外定义节域，它表示某个指标在整个评价体系里可能出现的最大范围，经典域必须被节域完整包含。整个计算路线是：对每个等级、每个指标，计算实测值与经典域区间的关联度，再按指标权重加权求和，得到该等级的综合关联度；哪个等级的综合关联度最大，评价对象就属于哪个等级。

MATLAB 里处理这套数据，我一般不用结构体嵌套，直接用三维数组存经典域，最直观。下面这份脚本是整套评估代码的数据入口，也是改动最集中的地方。

% define_extension_data.m % 数据区：换一批数据时只改这里，其余计算代码不动 J = 4; % 等级数：优、良、中、差 n = 5; % 指标数：可靠性、成本、效率、维护性、能耗 indicators = {'可靠性', '成本', '效率', '维护性', '能耗'}; % classic(j,1,i) = 等级j指标i下限; classic(j,2,i) = 等级j指标i上限 classic = zeros(J, 2, n); classic(1,1,:) = [0.9, 0, 0.85, 0.8, 0]; % 优 classic(1,2,:) = [1, 0.2, 1, 1, 0.15]; classic(2,1,:) = [0.7, 0.2, 0.7, 0.6, 0.15]; % 良 classic(2,2,:) = [0.9, 0.4, 0.85, 0.8, 0.3]; classic(3,1,:) = [0.5, 0.4, 0.5, 0.4, 0.3]; % 中 classic(3,2,:) = [0.7, 0.7, 0.7, 0.6, 0.5]; classic(4,1,:) = [0, 0.7, 0, 0, 0.5]; % 差 classic(4,2,:) = [0.5, 1, 0.5, 0.4, 1]; % 节域：每个指标的最小可能值和最大可能值 domain = zeros(2, n); domain(1,:) = [0, 0, 0, 0, 0]; domain(2,:) = [1, 1, 1, 1, 1]; % 待评物元：某个方案或某台设备的实测数据 x0 = [0.82, 0.55, 0.78, 0.65, 0.45];

这段脚本把经典域做成了 J×2×n 的三维数组，第一维是等级，第二维是上下限，第三维是指标。这样做的好处是后面算关联度时，可以用squeeze(classic(j,1,:))直接取出第 j 个等级的全部指标下限，不会出现维度错乱。

参数说明：J 和 n 改动后，每个方括号里的元素个数必须等于 n，顺序要和 indicators 一一对应；节域下限不能大于任一经典域下限，节域上限不能小于任一经典域上限。这里刻意把成本、能耗这两个反向指标也按原始数值放进区间，成本越低、能耗越低反而对应优区间，方向问题放到第 5 章单讲。

2.2 经典域和节域的取值：区间定错，后面全是白算

经典域的数据是整套方法最容易出错也最说不清的地方。常见来源有三个：行业规范里已有的分级阈值，比如设备状态评价里某些指标直接给出了优、良、中、差的数值界限；其次是找若干有经验的人分别给边界取数，再取折中；如果都没有硬标准，就按样本数据的分位数切，让每个等级覆盖大致相当的比例。我一般会先跑一次min、max、prctile看数据分布，再回头定区间，而不是拍脑袋写数字。

这里有个容易被忽略的原则：节域必须严格包含所有经典域。如果某个指标的节域上限小于某经典域上限，关联函数的分母会变成负值甚至零，结果直接不可信。更隐蔽的情况是经典域内部上下限写反，比如把成本优区间写成 [0.2, 0]，emmm MATLAB 不会报错，但区间长度变成负数，关联度符号全反。建议把区间校验写进数据脚本里，跑任何新数据都先过一遍。

% check_intervals.m % 区间合法性检查：数据准备阶段必跑，避免带着错误区间进入主流程 assert(all(all(domain(1,:) <= min(classic(:,1,:), [], 1))), ... '节域下限大于某经典域下限，请检查'); assert(all(all(domain(2,:) >= max(classic(:,2,:), [], 1))), ... '节域上限小于某经典域上限，请检查'); assert(all(all(classic(:,1,:) < classic(:,2,:))), ... '存在空经典域区间，检查上下限是否写反');

逻辑说明：第一行对每个指标分别取出所有等级的下限，取最小值，要求节域下限比它还小；第二行同理；第三行要求每个经典域区间的下限严格小于上限。三条断言全部通过，数据模型才算立住。

参数说明：min(..., [], 1)里的[], 1表示沿等级维度求最小，输出是 1×2×n 的形状，再包一层all让它对每个指标逐个判断。如果以后把等级数从 4 改成 3、指标数从 5 改成 8，这三条断言不用改，直接复用。

2.3 关联函数的 matlab 实现：距、边界和分母的细节

关联函数是物元分析 matlab 实现的核心，很多人在这里栽跟头是因为不理解「距」的含义。普通欧氏距离只看绝对值大小，看不出点在区间内还是在区间外；可拓学里的距是带符号的，点落在区间内时距为负，落在区间外时距为正，边界上恰好为零。这个符号信息是物元分析处理矛盾问题的关键。

% ext_rel.m function K = ext_rel(x, a, b, ap, bp) % 输入均为 1×n 行向量 % x：待评物元量值；a,b：某等级经典域下/上限 % ap,bp：节域下/上限 % 输出 K：该等级下各指标的关联度 rho_ab = abs(x - (a + b) / 2) - (b - a) / 2; % 点到经典域的距 rho_ap = abs(x - (ap + bp) / 2) - (bp - ap) / 2; % 点到节域的距 K = zeros(size(x)); for i = 1:numel(x) len = b(i) - a(i); if (x(i) - a(i)) * (x(i) - b(i)) <= 0 % 量值落在经典域内：负距除以区间长度，边界处 K=0 K(i) = -rho_ab(i) / len; else % 量值落在经典域外：用节域距离做归一 denom = rho_ap(i) - rho_ab(i); if abs(denom) < eps denom = eps; end K(i) = rho_ab(i) / denom; end end end

逻辑说明：rho_ab在经典域内是负数，在经典域外是正数。落在经典域内时关联度为正，表示对象属于该等级的程度；边界上距离为零，关联度也为零，正好处于两个等级的临界位置；落在经典域外时关联度为负，绝对值越大说明离这个等级越远。denom的eps保护是为了避免经典域与节域完全重合时出现除零。

参数说明：x和a、b、ap、bp必须同为行向量且长度一致。如果指标数达到几十个，for 循环会稍慢，但不影响正确性；要提速可以改成纯向量化写法，可读性会差一些，初学阶段没有必要。

3. 用 matlab 跑通一次完整物元评价：主脚本、权重与等级判定

3.1 一个能直接改数据的主脚本骨架

数据准备好了，关联函数写好了，接下来要把它们串成主流程。一套完整的物元分析 matlab 实现里必须有三个角色：数据脚本、关联函数、主脚本。主脚本只做三件事：读数据、算各级关联度、输出判定结果。

% main_evaluation.m clc; clear; %% 1) 数据区 % 实际使用时直接运行 define_extension_data.m，或把变量复制到下方 J = 4; n = 5; w = [0.25, 0.20, 0.25, 0.15, 0.15]; % 指标权重，见 3.2 节 x0 = [0.82, 0.55, 0.78, 0.65, 0.45]; % classic、domain 来自 define_extension_data.m，此处省略重复定义 %% 2) 计算区 K_all = zeros(J, n); for j = 1:J a = squeeze(classic(j,1,:))'; b = squeeze(classic(j,2,:))'; K_all(j,:) = ext_rel(x0, a, b, domain(1,:), domain(2,:)); end score = K_all * w(:); % 每个等级一个综合关联度 %% 3) 结果区 [max_score, best] = max(score); fprintf('等级关联度：'); for j = 1:J fprintf('等级%d: %.3f ', j, score(j)); end fprintf('\n判定结果：等级 %d，综合关联度 %.3f\n', best, max_score);

逻辑说明：K_all是一个 J 行 n 列的矩阵，第 j 行第 i 列表示第 j 个等级下第 i 个指标的关联度。score = K_all * w(:)把每个等级的所有指标关联度按权重加权求和，得到该等级的综合关联度。最后max取最大值对应的等级号。

参数说明：w必须和indicators一一对应，长度等于 n。squeeze取出三维数组里的列向量后要转成行向量，否则ext_rel里的向量运算会因维度不匹配直接报错。x0 里的任何一项出现 NaN，输出就会整行变成 NaN，所以进入主流程前先检查待评物元有没有缺失值。

3.2 权重怎么定：等权、层次分析法与熵权法的取舍

物元分析本身不算权重，权重是外部喂进去的，但它直接决定最终等级是优还是差。常见三条路：等权最简单但容易被少数几个指标绑架；层次分析法适合指标有明确层次结构的场合，但需要构建判断矩阵，主观性不低；熵权法完全从数据出发，哪个指标在不同对象之间差异大，权重就高，适合样本量足够的场

景。我自己的习惯是把熵权法当客观基准，再结合业务判断做微调，而不是只信其中一种。

当手里有多个评价对象时，熵权法可以这样落：

% entropy_weight.m function w = entropy_weight(X) % X：m×n 矩阵，m 个评价对象，n 个评价指标 % 返回 1×n 的权重向量 [m, n] = size(X); % 极差归一化，按正向指标处理，反向指标需提前转换 Z = (X - min(X, [], 1)) ./ (max(X, [], 1) - min(X, [], 1) + eps); % 每个对象占该指标的比重 P = Z ./ (sum(Z, 1) + eps); % 信息熵，除以 log(m) 使熵值落在 0~1 E = -sum(P .* log(P + eps), 1) / log(m); d = 1 - E; % 差异系数：熵越小，信息量越大 w = d ./ sum(d); % 归一化权重 end

逻辑说明：归一化之后，某个指标如果所有对象取值都相同，极差为零，Z全为零，对应的熵会被算成最大值，差异系数接近零，权重也就压低了。加eps是为了防止log(0)和除零，这一点在样本量小的数据里尤其重要。

参数说明：X 的行是评价对象，列是指标，方向必须和物元计算里的方向一致。花括号里如果有成本、能耗这类反向指标，直接用原始值算权重会颠倒主次，务必先做1 - X或取倒数再进函数。如果指标本来就在同一个量纲区间，比如全部归一化到 0~1，熵权结果会更稳。

3.3 等级判定不只是取最大值：临界和接近度处理

很多初写物元分析 matlab 脚本的人跑出max就完事了。实际上，当两个等级的综合关联度相差很小时，直接判最高级是在赌边界。比如得分 [0.31, 0.30, 0.25, 0.20]，第一和二名只差 0.01，这个对象大概率正处于两个等级的边界上。我一般会把判定函数单独写一份，输出排序结果和临界标记。

% grade_report.m function [best, detail] = grade_report(score, tol) % score：1×J 综合关联度；tol：临界阈值，默认 0.02 [best, best_idx] = max(score); [sorted, order] = sort(score, 'descend'); detail.best_score = best; detail.sorted = sorted; detail.order = order; detail.critical = (best - sorted(2)) < tol; % 是否处于等级临界 end

逻辑说明：sort把各级关联度从大到小排列，order记录原来的等级编号。第一和第二名差距小于tol时critical置 1，提醒你结果不稳定，需要检查数据或重新校准经典域区间。

参数说明：tol要根据实际业务设定。方案比选场景里，分数相差不大但方案必须排序，tol可以设小一点；设备状态分级场景里，tol设到 0.03 甚至 0.05 都合理，宁可标记成临界区也不乱下结论。

4. 进阶用法：两层物元评价与方案比选怎么改脚本

4.1 两层物元评价：先子指标后准则层的写法

实际项目里指标很少是平铺的。比如评一台设备，准则层可能是「性能」「经济」「维护」，每个准则下又挂三四个子指标。如果直接把所有子指标平摊成一维物元，会破坏准则层的业务结构。常见做法是分层做两次物元评价：第一层在每个准则内部，用子指标算该准则的综合关联度，得到每个准则在各等级上的一个得分；第二层把准则得分当成新的量值，再做一次物元加权。

% two_level_evaluation.m 片段 % rule_idx 是元胞数组，每个元素存该准则下的指标索引 % classic_rule 是一个元胞数组，每个元素是该准则的经典域三维数组 R = numel(rule_idx); % 准则数 score_rule = zeros(R, J); % 每个准则在各等级下的综合关联度 for rule = 1:R idx = rule_idx{rule}; x_sub = x0(idx); a_sub = squeeze(classic_rule{rule}(:,1,idx))'; b_sub = squeeze(classic_rule{rule}(:,2,idx))'; K_sub = ext_rel(x_sub, a_sub, b_sub, domain(1,idx), domain(2,idx)); score_rule(rule, :) = K_sub * w_sub{rule}(:); end % 第二层：把 score_rule 当作新的待评物元，再做一次物元计算 K_layer2 = zeros(J, J); for j = 1:J K_layer2(j,:) = ext_rel(score_rule(:, j)', ... ..., % 第二层经典域上下限 ..., % 第二层节域 ) ; end final_score = K_layer2 * w_layer2(:); [~, best] = max(final_score);

逻辑说明：第一层循环里每个准则单独调用ext_rel，得到的是该准则在各等级上的关联度向量；第二层把准则层得分竖着取出来，当成新的对象量值再算一次。这样「准则得分」本身就是物元，等级区间需要重新定义，不能再沿用原始指标的经典域。

参数说明：第二层的经典域区间往往来自统计经验，比如准则得分在 0.5 以上算优、0.3~0.5 算良。如果不清楚怎么定，可以先把第一层的score_rule全部打出来，用它的分位数切区间，再往后跑。

4.2 方案比选：把每个方案当成待评物元批量跑

物元分析进到方案比选场景时，待评物元从一行变成多行。每一行都是一个候选方案，算法完全相同，只是多了一层外循环。这类脚本我习惯把结果集中写成一个表格，方便对比。

% batch_schemes.m % X：m×n，每一行是一个方案 % 同样需要 classic、domain、w m = size(X, 1); result = zeros(m, J + 1); % 后一列存判定等级 for k = 1:m K_all = zeros(J, n); for j = 1:J a = squeeze(classic(j,1,:))'; b = squeeze(classic(j,2,:))'; K_all(j,:) = ext_rel(X(k,:), a, b, domain(1,:), domain(2,:)); end score = K_all * w(:); [mx, idx] = max(score); result(k, 1:J) = score; result(k, J+1) = idx; end % 按最优方案的综合关联度从高到低排序 [sorted_result, rank_idx] = sortrows(result, J+1, 'descend'); disp(sorted_result);

逻辑说明：sortrows按最后一列综合关联度降序排，前面几列是各等级得分。排完序直接读第一行，就是当前数据下最推荐的方案。

参数说明：这里隐藏了一个维度陷阱：如果方案数量 m 小于指标数 n，熵权法会不稳定，指标之间的差异容易被放大，优先换回等权或专家权重。批量比选时 x0 不能沿用原来的行向量，必须换成 X(k,:)，否则代码不报错但每个方案结果都一样。

4.3 物元分析与模糊综合评价怎么选：一个简单的判断表

很多读者在项目里同时看到物元分析和模糊综合评价，不知道选哪个。两者输出形式很像，但底层逻辑不同：模糊综合评价用的是隶属函数，隶属度是你预先定义好的一个 0~1 的数；物元分析用的是带符号的距，边界是区间本身。判断标准其实很朴素：如果你的等级边界来自硬性阈值，比如设备温度超过多少算故障，用物元分析更自然；如果等级边界本身是模糊的，比如服务态度好与较好，用模糊评价更合适。

实际项目里我见过把两种方法都跑一遍，然后对比结论的场景。两者结论一致，说明评价结果可信；结论不一致，通常问题出在权重或数据预处理上，而不是模型本身。这个思路比纠结选哪个更有价值。

5. 避坑与排查：物元分析 matlab 实现里最容易翻车的五个细节

5.1 现象：程序能跑，但每个方案都判为最高等级

第一反应是经典域写错了，实际大概率是权重方向搞反。成本、能耗这类反向指标，如果不做方向处理就塞进熵权法，指标数值越大权重越高，把评价对象往高等级推。反向指标的权重被错误放大后，综合关联度会整体偏向「优」所在的方向。解决方法是统一处理指标方向：反向指标先做1 - x再进物元，权重脚本和数据脚本里的指标顺序保持一致。代码上可以用一行方向向量自检，确保每个指标的方向在数据准备阶段就被显式标记出来，而不是留在脑子里。

5.2 现象：不报错，但关联度全是负的，或者等级顺序完全颠倒

这个现象多半是经典域和节域的包含关系写反了。比如经典域下限小于节域下限，或者某个经典域的上下限写反，MATLAB 不会给出任何警告。这种属于典型的「程序正确但数据错误」，比程序崩溃更麻烦。解决方法是把 2.2 节的三条assert断言直接放在数据脚本末尾，每次运行自动检查。血泪经验：宁可多跑一次断言，也不要等到论文图表做完才发现全盘数据不可信。

5.3 现象：换了一批百分制数据，结果被某个数值大的指标绑架

物元分析的距是绝对量，量纲不同会直接碾压其他指标。比如可靠性是 0~1 的小数，成本是 0~100 的元，成本指标的距会比可靠性大两个数量级，加权后的综合关联度几乎只看成本。解决方法是进入物元计算前统一量纲，最常见的做法是线性缩放：x = (x - x_min) / (x_max - x_min)，把每个指标都映射到 0~1，经典域也随之换算。不要只在脚本里改一个指标，必须整列整列地做归一化。

5.4 现象：某个对象的量值正好落在两个等级的边界上，判定结果飘忽不定

等号归属是物元分析 matlab 实现里的黑匣子问题。(x - a) * (x - b) <= 0这个条件把所有边界点都算进了本等级，边界处关联度为零，而相邻等级也计算了同样的边界点，两边得分可能接近到小数点后三位。解决方法是明确一个边界策略：要么把边界计入上一级，要么把边界计入下一级，不要两边都算。我习惯是把区间右侧端点留给下一级，代码里改成(x <= b)的判断加上一个极小的eps偏移，让边界点永远只属于一个等级。改完之后要重新跑一遍校验数据，确保结果稳定。

5.5 现象：结果里出现 NaN 或 Inf，但不知道是哪一行算坏的

NaN 的来源基本就两类：进入ext_rel的 x 本身带缺失值，或者分母除零。前者会被主脚本一路带过去，后者通常发生在经典域和节域重合的指标上。排查方法是在ext_rel的循环里临时加打印，输出 i、denom和rho_ab，定位到具体指标；更快的办法是在主脚本计算前加isnan(x0)检查，直接锁定数据表里哪一列是坏的。不要等到结果出来再猜，物元计算的中间变量就那么几个，逐层打印一遍，五分钟内就能找到问题。

6. 用随机数据验证代码后再落地：一个值得长期保留的习惯

拿到任何一个新写的物元分析脚本，我都建议先做一组「已知答案」的验证，而不是拿真实数据直接跑。做法很简单：构造一组量值，让每个指标都落在「优」经典域的中点附近，理论上它应该被判成优；再构造一组全部落在「差」区间中点的样本，理论上应该判成差。如果脚本输出和预期不符，说明关联函数、权重或经典域里至少有一个地方站不住脚。

% verify_extension.m % 构造三个理想样本：分别落在优、良、差经典域中点 x_ideal_1 = zeros(1, n); x_ideal_2 = zeros(1, n); x_ideal_3 = zeros(1, n); for i = 1:n x_ideal_1(i) = (classic(1,1,i) + classic(1,2,i)) / 2; x_ideal_2(i) = (classic(2,1,i) + classic(2,2,i)) / 2; x_ideal_3(i) = (classic(4,1,i) + classic(4,2,i)) / 2; end % 对每个理想样本跑主流程，断言判定等级 % 这里直接复用 main_evaluation.m 的逻辑，只需替换 x0 % assert(pred == 1); assert(pred == 2); assert(pred == 4);

逻辑说明：理想样本的量值取各区间的中点，是最容易被正确分类的数据。如果连中点都判错，说明权重方向、经典域顺序或者关联函数有一个是错的。跑通这三个断言之后，再把真实数据放进去，才算有底。

参数说明：验证脚本里的断言阈值要根据物元函数的具体实现微调，重点不是数值精度，而是等级编号是否稳定。如果一个理想样本每次都判成同一个等级，即使和预期差一级，也说明代码是确定性的，问题大概率只在区间划分上。

早年我用一套别人给的物元脚本跑某图像处理 Demo 的评估，输出结果看起来非常合理，直到我用理想样本验证才发现经典域的上下限整体颠倒，之前的分析结论全得推翻重来。从那以后，我每新建一个评价脚本，第一件事就是写验证样本，让它把每个等级都碰一遍。这个习惯救回过好几次因为换了数据就全盘崩掉的评价项目。希望帮到你。

本文还有配套的精品资源，点击获取