可用于综合评估的方法还有人工神经网络法、数据包络分析法、马尔科夫模型及其耦合方法等。
人工神经网络（ANN）评价方法能够处理非线性、非局域性与非凸性的大型复杂系统，应用领域正在不断扩大，其在多指标综合评价中应用较多的是相对比较成熟的多层BP（Back Propagation）网络模型。ANN评价方法最大的优点是它较强的自适应性与学习能力，它可以通过不断的学习与适应，最终逼近最优的非线性合成模型，并且合成精度较高，无需专门构权。因此，在模式识别、预测和预报、优化问题、神经控制、智能决策和专家系统等领域应用广泛。但该方法算法复杂，只能借助于计算机进行处理，在实际的应用中，BP网络结构的设计也是人们凭经验或通过多次尝试来解决的。
数据包络分析法（DEA法）是美国著名运筹学家A.Charnes和W.W.Cooper等以相对效率概念为基础发展起来的一种效率评价方法。它实质上是以凸分析和线性规划为工具的一种评价方法。DEA法要求系统有投入与产出，因此它适合于效益类问题的评价，是一种水平评价而不是规模评价。由于该方法判别相对有效性的标准是参评单位距离“最小凸包”（最理想、最前沿的边界）的远近，所以，当“最小凸包”发生变化时，便可能导致评价结论的变化。(www.xing528.com)
马尔科夫（Markov）模型是利用Markov过程在T0时刻所处的状态为己知的条件下，过程在T＞T0所处状态与过程在t0时刻之前所处的状态无关的特征（即状态的转移是无后效性的），来对事物的动态演变进行研究。其基本的方法是利用状态之间的转移概率矩阵预测事件的发生状态及其发展变化趋势［216］。
随着综合指标评价方法的发展，许多学者从不同角度将单一方法进行了融合与改进，出现了一些耦合方法，如层析分析法与模糊综合评价法的结合、基于投影寻踪的模糊识别模式模型等。此外，就单一方法而言，也加入了新的元素，如基于熵理论的模糊综合评价法、基于主成分分析法的综合评价法改进等。随着实际问题的日益复杂和应用领域的不断拓展，整个综合指标评价体系也在不断发展与前进。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
