一、TOPSIS的应用场景

Topsis法，全称为Technique for Order Preference by Similarity to an Ideal Solution，中文常翻译为优劣解距离法，该方法能够根据现有的数据，对个体进行评价排序。根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价。

下图中假设只有两个评价指标，因此是二维坐标。

TOPSIS法其中“理想解”和“负理想解”是TOPSIS法的两个基本概念。

所谓理想解是一设想的最优的解（方案），它的各个属性值都达到各备选方案中的最好的值
负理想解是一设想的最劣的解（方案），它的各个属性值都达到各备选方案中的最坏的值。

二、TOPSIS法的模型建立

主要步骤：

原始决策矩阵正向化
决策矩阵标准化
计算得分并归一化

1.对原始决策矩阵正向化

构造决策矩阵A=(aij)m×nA=\left(a_{i j}\right)_{m \times n}A=(aij)m×n，每一列是一个评价指标，每一行是一条待评价样本。

有的数据是越大越好，有的数据是靠近某个值越好，有的是在一个区间中最好，这种不同的方向和区间让分析变得混乱，为了简化分析我们将数据进行正向化处理，都让他越大越好。

最常见的四种指标：

所谓的将原始矩阵正向化，就是要将所有的指标类型统一转化为
极大型指标。

极小型指标转化为极大型指标：
使用公式
max⁡−x\max -x max−x
如果所有的元素均为正数，那么也可以使用1x\dfrac{1}{x}x1
中间型指标转化为极大型指标：
xˉi=1−∣xi−xbest ∣max⁡(∣X−xbest ∣)\bar{x}_{i}=1-\frac{\left|x_{i}-x_{\text {best }}\right|}{\max \left(\left|X-x_{\text {best }}\right|\right)} xˉi=1−max(∣X−xbest ∣)∣xi−xbest ∣
区间型指标转化为极大型指标：
M=max⁡{a−min⁡{xi},max⁡{xi}−b},x~i={1−a−xiM,xi<a1,a≤xi≤b1−xi−bM,,xi>bM=\max \left\{a-\min \left\{x_{i}\right\}, \max \left\{x_{i}\right\}-b\right\}, \tilde{x}_{i}= \begin{cases}1-\frac{a-x_{i}}{M}, & x_{i}<a \\ 1 & , a \leq x_{i} \leq b \\ 1-\frac{x_{i}-b}{M}, & , x_{i}>b\end{cases} M=max{a−min{xi},max{xi}−b},x~i=⎩⎪⎨⎪⎧1−Ma−xi,11−Mxi−b,xi<a,a≤xi≤b,xi>b
其中[a, b]是最佳区间。

2.决策矩阵标准化

标准化的目的是消除不同指标量纲的影响，常用方法有max-min标准化和Z-score标准化，本文介绍Z-score标准化。

假设有nnn个要评价的对象，mmm个要评价指标（已经正向化）构成的正向化矩阵如下：
X=[x11x12⋯x1mx21x22⋯x2m⋮⋮⋱⋮xn1xn2⋯xnm]X=\left[\begin{array}{cccc} x_{11} & x_{12} & \cdots & x_{1 m} \\ x_{21} & x_{22} & \cdots & x_{2 m} \\ \vdots & \vdots & \ddots & \vdots \\ x_{n 1} & x_{n 2} & \cdots & x_{n m} \end{array}\right] X=⎣⎢⎢⎢⎡x11x21⋮xn1x12x22⋮xn2⋯⋯⋱⋯x1mx2m⋮xnm⎦⎥⎥⎥⎤
，记对其进行标准化的矩阵为Z，Z中的每一个元素通过如下公式计算：
zij=xij/∑i=1nxij2z_{i j}=x_{i j} / \sqrt{\sum_{i=1}^{n} x_{i j}^{2}} zij=xij/i=1∑nxij2
例：下表是5位同学身体相关参数，请用TOPSIS法来对同学身体情况进行一个综合的评价。

正向化后矩阵：

得到标准化后的矩阵：

3.计算得分并归一化

假设有nnn个要评价的对象，mmm个要评价指标构成的标准化矩阵如下：
Z=[z11z12⋯z1mz21z22⋯z2m⋮⋮⋱⋮zn1zn2⋯znm]Z=\left[\begin{array}{cccc} z_{11} & z_{12} & \cdots & z_{1 m} \\ z_{21} & z_{22} & \cdots & z_{2 m} \\ \vdots & \vdots & \ddots & \vdots \\ z_{n 1} & z_{n 2} & \cdots & z_{n m} \end{array}\right] Z=⎣⎢⎢⎢⎡z11z21⋮zn1z12z22⋮zn2⋯⋯⋱⋯z1mz2m⋮znm⎦⎥⎥⎥⎤
定义最大值
Z+=(Z1+,Z2+,⋯,Zm+)=(max⁡{z11,z21,⋯,zn1},max⁡{z12,z22,⋯,zm2},⋯,max⁡{z1m,z2m,⋯,zmm})\begin{array}{rlr} Z^{+} & =\left(Z_{1}^{+}, Z_{2}^{+}, \cdots, Z_{m}^{+}\right) \\ & =\left(\max \left\{z_{11}, z_{21}, \cdots, z_{n 1}\right\}, \max \left\{z_{12}, z_{22}, \cdots, z_{m 2}\right\}, \cdots, \max \left\{z_{1 m}, z_{2 m}, \cdots, z_{m m}\right\}\right) \end{array} Z+=(Z1+,Z2+,⋯,Zm+)=(max{z11,z21,⋯,zn1},max{z12,z22,⋯,zm2},⋯,max{z1m,z2m,⋯,zmm})
定义最小值
Z−=(Z1−,Z2−,⋯,Zm−)=(min⁡{z11,z21,⋯,zn1},min⁡{z12,z22,⋯,zn2},⋯,min⁡{z1m,z2m,⋯,znm})\begin{aligned} Z^{-} &=\left(Z_{1}^{-}, Z_{2}^{-}, \cdots, Z_{m}^{-}\right) \\ &=\left(\min \left\{z_{11}, z_{21}, \cdots, z_{n 1}\right\}, \min \left\{z_{12}, z_{22}, \cdots, z_{n 2}\right\}, \cdots, \min \left\{z_{1 m}, z_{2 m}, \cdots, z_{n m}\right\}\right) \end{aligned} Z−=(Z1−,Z2−,⋯,Zm−)=(min{z11,z21,⋯,zn1},min{z12,z22,⋯,zn2},⋯,min{z1m,z2m,⋯,znm})
定义第iii个评价对象与最大值的距离Di+=∑j=1m(Zj+−zij)2D_{i}^{+}=\sqrt{\sum_{j=1}^{m}\left(Z_{j}^{+}-z_{i j}\right)^{2}}Di+=∑j=1m(Zj+−zij)2

定义第iii个评价对象与最小值的距离Di−=∑j=1m(Zj−−zij)2D_{i}^{-}=\sqrt{\sum_{j=1}^{m}\left(Z_{j}^{-}-z_{i j}\right)^{2}}Di−=∑j=1m(Zj−−zij)2

那么我们就可以计算得出第iii个评价对象未归一化的得分：Si=Di−Di++Di−S_{i}=\frac{D_{i}^{-}}{D_{i}^{+}+D_{i}^{-}}Si=Di++Di−Di−

很明显0≤Si≤10 \leq S_{i} \leq 10≤Si≤1，且SiS_iSi越大Di+D_i^+Di+越小，即越接近最大值。

最后我们可以将得分归一化：S~i=Si/∑i=1mSi\tilde{S}_{i}=S_{i} / \sum\limits_{i=1}^{m} S_{i}S~i=Si/i=1∑mSi，可以得知∑i=1mS~i=1\sum\limits_{i=1}^{m} \tilde{S}_{i} = 1i=1∑mS~i=1

建模完毕。

三、TOPSIS与（组合）赋权法结合

代码

基于熵权法对上例进行求解（matlab）。

%基于熵权法对于TOPSIS的修正
clear;clc;
load X.mat;
%获取行数列数
r = size(X,1);
c = size(X,2);
%首先，把我们的原始指标矩阵正向化
%第二列中间型--->极大型
middle = input("请输入最佳的中间值：");
M = max(abs(X(:,2)-middle));
for i=1:rX(i,2) = 1-abs(X(i,2)-middle)/M;
end
%第三列极小型--->极大型
max_value = max(X(:,3));
X(:,3) = abs(X(:,3)-max_value);
%第四列区间型--->极大型
a = input("请输入区间的下界：");
b = input("请输入区间的下界：");
M = max(a-min(X(:,4)),max(X(:,4))-b);
for i=1:rif (X(i,4)<a)X(i,4) = 1-(a-X(i,4))/M;elseif (X(i,4)<=b&&X(i,4)>=a)X(i,4) = 1;elseX(i,4) = 1-(X(i,4)-b)/M;end
end
disp("正向化后的矩阵为：");
disp(X);
%然后对正向化后的矩阵进行熵权法赋权重
tempX = X;   %代替X进行计算的辅助变量，避免X受到影响而发生改变
%测试：tempX = [1,2,3;-1,0,-6;5,-3,2];
%标准化矩阵,消除负数项，并且把数值控制在0-1区间
min = min(tempX);
max = max(tempX);
min = repmat(min,size(tempX,1),1);
max = repmat(max,size(tempX,1),1);
tempX = (tempX-min)./(max-min);
%求出矩阵的概率矩阵，即能取到该值的概率
sumX = repmat(sum(tempX),size(tempX,1),1);
pX = tempX./sumX;
%求出信息熵矩阵,信息熵越大，能获得的信息就越少
temp = pX.*mylog(pX);
n = size(tempX,1);
sum1 = sum(temp);
eX =  sum1.*(-1/log(n));
%求出信息效用值
dX = 1-eX;
%求出每个指标的熵权
wX = dX./(sum(dX));
%打印输出
disp("每个指标依次的熵权为：");
disp(wX);

数学建模——评价模型之TOPSIS相关推荐

数学建模——评价模型
文章目录一.模糊综合评价模型 1.基础知识 2.一级模糊综合评价 3.二级模糊综合评价二.灰色关联分析模型 1.灰色关联分析原理 2.灰色关联分析步骤三. Topsis(理想解法) 1.理想解法 ...
数学建模常用模型04：灰色关联分析法
数学建模常用模型04:灰色关联分析法灰色关联分析法本文所用的资料参考来源:美赛资料网:美赛资料网与灰色预测模型一样,比赛不能优先使用,灰色关联往往可以与层次分析结合使用.层次分析用在确定权重上面 ...
【数学建模】第二讲TOPSIS法
[数学建模]第二讲TOPSIS法简介:TOPIS法简称,优劣解距离法,是一种常用的综合评价方法,其能充分利用原始数据的信息,其结果能精确地反映各评价方案之间的差距. TOPSIS法可以 ...
数学建模常见模型总结
数学建模常见模型总结一.插值当已有数据量不够,需要补充,且认定已有数据可信时,通常利用函数插值方法. 常用插值方法拉格朗日插值分段线性插值 Hermite 三次样条插值克里金法 matlab ...
数学建模——支持向量机模型详解Python代码
数学建模--支持向量机模型详解Python代码 from numpy import * import random import matplotlib.pyplot as plt import num ...
数学建模——线性规划模型详解Python代码
数学建模--线性规划模型详解Python代码标准形式为: min z=2X1+3X2+x s.t x1+4x2+2x3>=8 3x1+2x2>=6 x1,x2,x3>=0 上述线性 ...
数学建模传染病模型_数学建模| 时间序列模型
1 数学建模时间序列模型 1.与实践有关系的一组数据,叫做时间序列: 2.得到时间序列的数据后,要构建模型,其中平稳时间序列的模型,是本节课重点介绍的: 3.y=at+季节性+周期性一. ...
数学建模常用模型（一）：灰色预测法
数学建模常用模型(一):灰色预测法灰色预测法是一种用于处理少量数据.数据质量较差或者缺乏历史数据的预测方法.它适用于一些非线性.非平稳的系统,尤其在短期预测和趋势分析方面有着广泛的应用.灰色预测法作 ...
数学建模——多目标规划模型（智能优化算法NSGA-II）
摘要本篇笔记对数学建模中常见的多目标规划问题提供了解法:在建立传统的多目标规划的常用模型的基础上,使用智能优化算法对多目标规划问题进行求解,通过Pareto Front直观展现非劣解的分布情况,以解 ...
数学建模优化模型简单例题_数学建模之优化模型：存储模型
点击上方「蓝字」关注我们最近,为申报市级精品课程,我为我校"数学建模与科学计算"课程录制了讲课视频,下面是3.1节优化模型的第一个例子:存储模型.敬请大家批评指正! 优化模型是数 ...

数学建模——评价模型之TOPSIS

文章目录