【数学建模】2 TOPSIS优劣解距离法
目录
- 1 简介
- 2 引入的目的
- 3 简单例子引入Topsis法
- 3.1 问题-单个指标
- (1)解决的思路(最简单的)
- (2)改进思路
- (3)解释构造评分公式
- 3.2 拓展问题-增加指标个数
- (1)问题
- (2)指标正向化
- (3)标准化处理
- (4)计算每个对象的综合得分
- 4 算法步骤
- 4.1 第一步-将原始矩阵正向化
- 4.2 第二步-正向化矩阵标准化
- 6 例题
- 6.1 题目
- 6.2 代码实现
- Topsis.m
- Positivization.m
- Min2Max.m
- Mid2Max.m
- Inter2Max.m
- 7 源码和数据下载
1 简介
Topsis法(Technique for Order Preference by Similarity to Ideal solution)可翻译为逼近理想解排序法,国内常简称为优劣解距离法
Topsis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,其结果能够精确的反映评价方案之间的差距。
基本过程
为先将原始数据矩阵统一指标类型(一般正向化处理)得到正向化的矩阵,再对正向化的矩阵进行标准化处理以消除各指标量纲的影响,并找到有限方案中的最优方案和最劣方案,然后分别计算各评价对象与最优方案和最劣方案间的距离,获得各评价对象与最优方案的相对接近程度,以此作为评价优劣的依据。该方法对数据分布及样本含量没有严格限制,数据计算简单易行。
2 引入的目的
因为层次分析法有局限
3 简单例子引入Topsis法
3.1 问题-单个指标
小明同宿舍共有四名同学,他们第一个学习的高数成绩如下表所示。请你为四名同学进行评分,该评分能合理的描述其高数成绩的高低。
(1)解决的思路(最简单的)
修正排名,原先的排名是越小越优秀,现在修改成排名越大越优秀。
但是这种方法有不合理之处:可以随便修改成绩,只要保证排名不变,那么评分就不会改变。如下图。成绩变了,但是排名没有变化。所以这种方式没有反映出元素的所有相关信息。
(2)改进思路
改变构造评分的方式,利用如图所示的公式。
(3)解释构造评分公式
对为什么使用上面的公式去构造评分作出解释
3.2 拓展问题-增加指标个数
(1)问题
现在增加一个指标,现在要综合评价四位同学,并为他们进行评价
(2)指标正向化
显然两个指标是相反的指示。那选择一种方法让其指标大小指示一样的程度。就需要统一指标类型,方法叫指标正向化。
(3)标准化处理
为了消除不同指标量纲的影响,需要对已经正向化的矩阵进行标准化处理。不同指标量纲是指如下图中的成绩单位是分,超级次数单位是1,那不能一块求和。所以为了能让两个指标想加,需要进行对指标数据进行标准化处理。
数学符号来表示标准化(可写进论文)
以上的公式表示,每一项元素除以把这一列所有元素平方后求和。其实原理类似求各这一列的占比,但并不是求占比的公式啊。不理解的看看旁边代码,更能明白。
(4)计算每个对象的综合得分
根据以上标准化后,得到这样的指标表
需要把两个指标的数值相加后,利用以下公式去计算每个人的得分。
n个人,m个指标计算得分的数学符号表示(可写进论文)
计算过程如下
(5)归一化得分
归一化得分后,根据得分大小就可以得到最终多个指标的排名大小了。
4 算法步骤
4.1 第一步-将原始矩阵正向化
(1)极小型转化为极大型
(2)中间型转化为极大型
(3)区间型转化为极大型
4.2 第二步-正向化矩阵标准化
4.3 第三步-计算得分归一化
5 模型拓展
如果每个指标,对应每个对象的权重不一样,那计算指标得分的公式需要有一个权重表示 ω\omegaω j
计算指标得分的公式如下
那这个Topsis就叫带权重Topsis。那这个权重的确定,可以通过层次分析法来确定。
6 例题
6.1 题目
含氧量是一个极大型,PH是一个中间型。细菌总数是极小型。植物性营养物量是一个区间型
6.2 代码实现
Topsis.m
%% 第一步:把数据复制到工作区,并将这个矩阵命名为X
% (1)在工作区右键,点击新建(Ctrl+N),输入变量名称为X
% (2)在Excel中复制数据,再回到Excel中右键,点击粘贴Excel数据(Ctrl+Shift+V)
% (3)关掉这个窗口,点击X变量,右键另存为,保存为mat文件(下次就不用复制粘贴了,只需使用load命令即可加载数据)
% (4)注意,代码和数据要放在同一个目录下哦,且Matlab的当前文件夹也要是这个目录。
clear;clc
load data_water_quality.mat
%% 注意:如果提示: 错误使用 load,无法读取文件 'data_water_quality.mat'。没有此类文件或目录。
% 那么原因是因为你的Matlab的当前文件夹中不存在这个文件
% 可以使用cd函数修改Matlab的当前文件夹
% 比如说,我的代码和数据放在了: D:第2讲.TOPSIS法(优劣解距离法)\代码和例题数据
% 那么我就可以输入命令:
% cd 'D:第2讲.TOPSIS法(优劣解距离法)\代码和例题数据'
% 也可以看我更新的视频:“更新9_Topsis代码为什么运行失败_得分结果怎么可视化以及权重的确定如何更加准确”,里面有介绍
%% 第二步:判断是否需要正向化
[n,m] = size(X);
disp(['共有' num2str(n) '个评价对象, ' num2str(m) '个评价指标'])
Judge = input(['这' num2str(m) '个指标是否需要经过正向化处理,需要请输入1 ,不需要输入0: ']);
if Judge == 1Position = input('请输入需要正向化处理的指标所在的列,例如第2、3、6三列需要处理,那么你需要输入[2,3,6]: '); %[2,3,4]disp('请输入需要处理的这些列的指标类型(1:极小型, 2:中间型, 3:区间型) ')Type = input('例如:第2列是极小型,第3列是区间型,第6列是中间型,就输入[1,3,2]: '); %[2,1,3]% 注意,Position和Type是两个同维度的行向量for i = 1 : size(Position,2) %这里需要对这些列分别处理,因此我们需要知道一共要处理的次数,即循环的次数X(:,Position(i)) = Positivization(X(:,Position(i)),Type(i),Position(i));% Positivization是我们自己定义的函数,其作用是进行正向化,其一共接收三个参数% 第一个参数是要正向化处理的那一列向量 X(:,Position(i)) 回顾上一讲的知识,X(:,n)表示取第n列的全部元素% 第二个参数是对应的这一列的指标类型(1:极小型, 2:中间型, 3:区间型)% 第三个参数是告诉函数我们正在处理的是原始矩阵中的哪一列% 该函数有一个返回值,它返回正向化之后的指标,我们可以将其直接赋值给我们原始要处理的那一列向量enddisp('正向化后的矩阵 X = ')disp(X)
end
%% 第三步:对正向化后的矩阵进行标准化
Z = X ./ repmat(sum(X.*X) .^ 0.5, n, 1);
disp('标准化矩阵 Z = ')
disp(Z)
%% 第四步:计算与最大值的距离和最小值的距离,并算出得分
D_P = sum([(Z - repmat(max(Z),n,1)) .^ 2 ],2) .^ 0.5; % D+ 与最大值的距离向量
D_N = sum([(Z - repmat(min(Z),n,1)) .^ 2 ],2) .^ 0.5; % D- 与最小值的距离向量
S = D_N ./ (D_P+D_N); % 未归一化的得分
disp('最后的得分为:')
stand_S = S / sum(S)
[sorted_S,index] = sort(stand_S ,'descend')
% A = magic(5) % 幻方矩阵
% M = magic(n)返回由1到n^2的整数构成并且总行数和总列数相等的n×n矩阵。阶次n必须为大于或等于3的标量。
% sort(A)若A是向量不管是列还是行向量,默认都是对A进行升序排列。sort(A)是默认的升序,而sort(A,'descend')是降序排序。
% sort(A)若A是矩阵,默认对A的各列进行升序排列
% sort(A,dim)
% dim=1时等效sort(A)
% dim=2时表示对A中的各行元素升序排列
% A = [2,1,3,8]
% Matlab中给一维向量排序是使用sort函数:sort(A),排序是按升序进行的,其中A为待排序的向量;
% 若欲保留排列前的索引,则可用 [sA,index] = sort(A,'descend') ,排序后,sA是排序好的向量,index是向量sA中对A的索引。
% sA = 8 3 2 1
% index = 4 3 1 2
Positivization.m
% function [输出变量] = 函数名称(输入变量)
% 函数的中间部分都是函数体
% 函数的最后要用end结尾
% 输出变量和输入变量可以有多个,用逗号隔开
% function [a,b,c]=test(d,e,f)
% a=d+e;
% b=e+f;
% c=f+d;
% end
% 自定义的函数要单独放在一个m文件中,不可以直接放在主函数里面(和其他大多数语言不同)
function [posit_x] = Positivization(x,type,i)
% 输入变量有三个:
% x:需要正向化处理的指标对应的原始列向量
% type: 指标的类型(1:极小型, 2:中间型, 3:区间型)
% i: 正在处理的是原始矩阵中的哪一列
% 输出变量posit_x表示:正向化后的列向量if type == 1 %极小型disp(['第' num2str(i) '列是极小型,正在正向化'] )posit_x = Min2Max(x); %调用Min2Max函数来正向化disp(['第' num2str(i) '列极小型正向化处理完成'] )disp('~~~~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~~')elseif type == 2 %中间型disp(['第' num2str(i) '列是中间型'] )best = input('请输入最佳的那一个值: ');posit_x = Mid2Max(x,best);disp(['第' num2str(i) '列中间型正向化处理完成'] )disp('~~~~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~~')elseif type == 3 %区间型disp(['第' num2str(i) '列是区间型'] )a = input('请输入区间的下界: ');b = input('请输入区间的上界: '); posit_x = Inter2Max(x,a,b);disp(['第' num2str(i) '列区间型正向化处理完成'] )disp('~~~~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~~')elsedisp('没有这种类型的指标,请检查Type向量中是否有除了1、2、3之外的其他值')end
end
% % 注意:代码文件仅供参考,一定不要直接用于自己的数模论文中
% % 国赛对于论文的查重要求非常严格,代码雷同也算作抄袭
Min2Max.m
function [posit_x] = Min2Max(x)posit_x = max(x) - x;%posit_x = 1 ./ x; %如果x全部都大于0,也可以这样正向化
end
Mid2Max.m
function [posit_x] = Mid2Max(x,best)M = max(abs(x-best));posit_x = 1 - abs(x-best) / M;
end
Inter2Max.m
function [posit_x] = Inter2Max(x,a,b)r_x = size(x,1); % row of x M = max([a-min(x),max(x)-b]);posit_x = zeros(r_x,1); %zeros函数用法: zeros(3) zeros(3,1) ones(3)% 初始化posit_x全为0 初始化的目的是节省处理时间for i = 1: r_xif x(i) < aposit_x(i) = 1-(a-x(i))/M;elseif x(i) > bposit_x(i) = 1-(x(i)-b)/M;elseposit_x(i) = 1;endend
end
7 源码和数据下载
TOPSIS法(优劣解距离法)例子源码和拓展资料
【数学建模】2 TOPSIS优劣解距离法相关推荐
- 【数学建模】Topsis优劣解距离法
内容来自这篇 https://blog.csdn.net/weixin_43819566/article/details/112342602 评价方法大体上可分为两类,其主要区别在确定权重的方法上.一 ...
- 数学建模常用算法—优劣解距离法(TOPSIS)
解决问题 建模比赛中最基础的模型之一,其主要用于解决评价类问题(例如:选择哪种方案最好.哪位运动员或者员工表现的更优秀),用于确定各个方案层的最终得分. 优点 TOPSIS 法是一种常用的综合评价方法 ...
- 数学建模学习笔记——优劣解距离法(评价类)
- 数学建模学习笔记(二)——Topsis优劣解距离法
(续上篇文章)层次分析法的局限 上一篇文章中,层次分析法有这样的局限 评价决策层不能太多: 数据是已知的的话,便无法使用层次分析法进行精确的分析评价: 因此,为对这些情况做出更为精准的分析,我们可以使 ...
- TOPSIS(优劣解距离法)【附Python实现代码及可视化代码】
目录 一.指标正向化 1.极小型指标->极大型指标 2.中间型指标->极大型指标 3.区间型指标->极大型指标 二.标准化处理 三.计算得分并归一化(不带权重) 四.计算得分并归一化 ...
- topsis(优劣解距离法)在matlab上的实现
TOPSIS 模型是 Hwang 和 Yoon 于 1981 年首次 提出,它是一种根据有限评价对象与理想化目标接 近程度进行排序的方法,通过计算评价对象的最优 值和最劣值来进行排序,当评价对象与最优 ...
- TOPSIS 优劣解距离法
目录 举例介绍 TOPSIS步骤 第一步将原始矩阵正向化 极小型指标-->极大型指标 中间型指标->极大型 区间型-->极大型 第二步正向化矩阵标准化 第三步计算得分并归一化 TOP ...
- 数学建模笔记 Topsis和熵权法
Topsis法(Technique for Order Preference by Similarity to Ideal Solution)可翻译为逼近理想解排序法,国内常简称为优劣解距离法. ...
- 数学建模二:TOPSIS法(优劣解距离法) 附代码详解
数学建模二:TOPSIS法(优劣解距离法)附代码详解 TOPSIS法(优劣解距离法)用于评价类问题. 层次分析法因为受限于一致性检验指标的数量,最多只能选择15个准则或方案.同时层次分析法也难以处理已 ...
- 数学建模——TOPSIS法(优劣解距离法)学习笔记(一)
一.TOPSIS方法 TOPSIS法(Technique for Order Preference by Similarity to Ideal Solution) 可翻译为逼近理想解排序法,国内常简 ...
最新文章
- Oracle11gR2 数据库客户端PL/SQL中文乱码的问题
- Struts2学习第七课 ActionSupport
- lazada发货_Lazada怎么发货?最全Lazada发货流程及注意事项!值得收藏!
- 高手请进关于RAID和热备
- cefsharp49显示html,CefSharp-cefshar
- Centos7安装Docker教程
- MySQL越高版本越快吗_MySQL性能优化的最佳20+条经验
- mysql查看连接数命令_Mysql 查看连接数,状态
- python定义变量类型_一、python基础之数据类型与变量
- 数据分析案例:商场客户分群
- python之配置日志的几种方式
- 六、Linux企业级YUM软件管理
- select vue 获取name_在vue的组件中获取select2插件的值
- 安全管理:为软件供应链部署零信任方法
- 华为盒子m330能生鸿蒙吗,不仅能看片 教你怎么玩转华为M330盒子
- swagger注解说明_齐全的swagger注解介绍
- mybatis数据库字段增加
- mhdd测试硬盘软件,mhdd硬盘检测工具
- 受众引擎亮相百度世界 联盟产品进入3.0时代
- matlab plotyy 横坐标,MATLAB中plotyy函数详解:matlab双Y轴作图
热门文章
- 孤城内,秋风秋雨抛荒了谁的一怀若水情思?
- 用 java 安装 mockserver,Mock Server实践
- c语言粗大误差程序框图,《粗大误差C语言程序.doc
- 记录一下postman汉化踩过的坑
- 计算机网络实验教程钱德沛_计算机网络实验教程完成版.pdf
- 发票上的计算机字体,发票代码和发票号码是什么字体
- ScmTools(CAD自动标注插件)v2.0官方版
- graphpad 中文版使用手册
- 网易云下载的音频.ncm格式如何转换成MP3格式
- 畅捷通魔方MP70初体验