数学建模之TOPSIS法
TOPSIS法(Technique for Order Preference by Similarity to an Ideal Solution )可以理解为逼近理想解排序法,国内也称作优劣解距离法。该方法只要求各效用函数具有单调递增(或递减)性就行。TOPSIS法是多目标决策分析中一种常用的有效方法。
举个例子:一个寝室四个人的高数成绩如下:
在这种情况下,我们如何确定权重(评分)呢?归一化!
归一化:是一种无量纲处理手段,使物理系统数值的绝对值变成某种相对值关系。简化计算,缩小量值的有效办法。
那么你可能也听说过标准化这个词
标准化:当几种参数的单位不一致时,使用标准化去除量纲。
这里我们采用的构造方式为(x−minmax−min)\genfrac (){1pt}{1}{x-min}{max-min}(max−minx−min) ,缩小量值,然后归一化,让他们评分相加为1.
我们为什么采用这样的评分标准:
- 首先一般评价的对象一般远超于2个。
- 比较的指标也往往不是一个方面。
- 有很多指标不存在理论上的最大最小值,例如GDP增速。
当我们增加一个指标时:
成绩属于极大型指标(效益性指标),属于越大越好。
争吵属于极小型指标(成本型指标),属于越小越好。
此时,我们需要把两种指标转化为相同方向。(统一指标类型)
将所有指标正向化处理,极小型指标转化极大型指标公式max−xmax-xmax−x
此时我们可以发现,争吵次数与成绩是两种不同单位的指标参数,所以我们利用标准化来去除量纲的影响。
假设有n个要评价的对象,m个指标参数(都已经正向化),构成的正向化矩阵为:X = [x11...x1mx21...x2m.........xn1...xnm]\begin{bmatrix} x_{11} & ... & x_{1m} \\ x_{21} & ... & x_{2m} \\ ... & ... & ... \\ x_{n1} & ... & x_{nm} \\ \end{bmatrix}⎣⎢⎢⎡x11x21...xn1............x1mx2m...xnm⎦⎥⎥⎤,那么标准化后的矩阵记为Z,Z中的每一个元素:zij=xij/∑i=1nxij2z_{ij}= x_{ij}/\sqrt{\displaystyle\sum_{i=1}^nx_{ij}^2}zij=xij/i=1∑nxij2,经过变换:
[891603742990]\begin{bmatrix} 89 &1 \\ 60 &3\\ 74&2\\ 99&0 \\ \end{bmatrix}⎣⎢⎢⎡896074991320⎦⎥⎥⎤ =====>[0.54370.26730.36650.80180.45200.53450.60480]\begin{bmatrix} 0.5437 &0.2673 \\ 0.3665 &0.8018\\ 0.4520&0.5345\\ 0.6048&0 \\ \end{bmatrix}⎣⎢⎢⎡0.54370.36650.45200.60480.26730.80180.53450⎦⎥⎥⎤ 相关代码:清风数学建模
1.类比只有一个指标的计算得分
假设有n个要评价的对象,m个指标指标的标准化矩阵:Z=[z11...z1mz21...z2m.........zn1...znm]Z = \begin{bmatrix} z_{11} & ... & z_{1m} \\ z_{21} & ... & z_{2m} \\ ... & ... & ... \\ z_{n1} & ... & z_{nm} \\ \end{bmatrix}Z=⎣⎢⎢⎡z11z21...zn1............z1mz2m...znm⎦⎥⎥⎤,我们定义每一指标的最大值Zi+Z^+_iZi+ ,最小值Zi−Z^-_iZi−,定义第i(i=1,2,3…n)个评价对象与最大值的距离 Di+=∑j=1m(Zi+−zij)2D_i^+= \sqrt{\displaystyle\sum_{j=1}^m(Z_i^+-z_{ij})^2}Di+=j=1∑m(Zi+−zij)2,第i(i=1,2,3…n)个评价对象与最小值的距离 Di−=∑j=1m(Zi−−zij)2D_i^-= \sqrt{\displaystyle\sum_{j=1}^m(Z_i^--z_{ij})^2}Di−=j=1∑m(Zi−−zij)2,那么评价对象未归一化的得分:Si=Di−Di−+Di+S_i =\tfrac{D_i^-}{D_i^-+D_i^+}Si=Di−+Di+Di−,明显可以看出SiS_iSi一定是在0到1之间,即Di+D_i^+Di+这个最大距离越小,SiS_iSi越大,即越接近最大值。这也是为什么TOPSIS也叫做优劣解距离法
2.解题步骤
第一步:将原始矩阵正向化
最常见的四种指标:
如何极小型转化极大型:
- max - x:最大值减去当前x
- 如果所有元素都为正数,直接变成倒数1x\tfrac{1}{x}x1
如何中间型转化极大型:
设中间型为xbestx_{best}xbest,那么未归一化得分公式为M=max(∣xi−xbest∣)M = max(|x_i-x_{best}|)M=max(∣xi−xbest∣),xi~=1−∣xi−xbest∣M\widetilde{x_i}=1-\tfrac{|x_i-x_{best}|}{M}xi=1−M∣xi−xbest∣
如何区间型转化极大型:
是指值落在某个区间内最好,设区间为[a,b],有M=max(a−min(xi),max(xi)−b)M = max(a-min(x_i),max(x_i)-b)M=max(a−min(xi),max(xi)−b)
xi~={1−a−xM,x<a1,a<=x<=b1−x−bM,x>b\widetilde{x_i} = \begin{cases} 1- \tfrac{a-x}{M} ,x < a \\ 1 ,a <= x <= b\\ 1- \tfrac{x-b}{M} ,x > b \end{cases}xi=⎩⎪⎨⎪⎧1−Ma−x,x<a1,a<=x<=b1−Mx−b,x>b
第二步: 将正向化转换成标准化:假设有n个要评价的对象,m个指标参数(都已经正向化),构成的正向化矩阵为:X=[x11...x1mx21...x2m.........xn1...xnm]X = \begin{bmatrix} x_{11} & ... & x_{1m} \\ x_{21} & ... & x_{2m} \\ ... & ... & ... \\ x_{n1} & ... & x_{nm} \\ \end{bmatrix}X=⎣⎢⎢⎡x11x21...xn1............x1mx2m...xnm⎦⎥⎥⎤,那么标准化后的矩阵记为Z,Z中的每一个元素:
zij=xij/∑j=1mxij2z_{ij}= x_{ij}/\sqrt{\displaystyle\sum_{j=1}^mx_{ij}^2}zij=xij/j=1∑mxij2每一个元素/其所在列的平方和每一个元素/\sqrt{其所在列的平方和}每一个元素/其所在列的平方和
第三步: 计算得分并归一化。
这就是TOPSIS的流程~
补充:基于熵权法对TOPSIS模型的修正
由于层次分析法的主观性影响太大,所以我们利用熵权法(一种客观客观赋权的方法)。
什么是熵权法:
按照信息论基本原理的解释,信息是系统有序程度的一个度量,熵是系统无序程度的一个度量;如果指标的信息熵越大,该指标提供的信息量越大,在综合评价中所起作用理当越大,权重就应该越高。因此,可利用信息熵这个工具,计算出各个指标的权重,为多指标综合评价提供依据。
这里的信息熵我们看作是方差,方差越大,波动程度越大,意味着权重也就越大。
越可能发生的事情,信息量越小;
越不可能发生的事情,信息量就越大。
熵权法的计算步骤
1.判断输入的矩阵中是否存在负数,如果有则要重新标准化到非负区间(后面计算概率时要保证每一个元素为非负数)
Z(ij)=x(ij)−min(x(ij))max(x(ij))−min(x(ij))Z_(ij) = \tfrac{x_(ij)-min(x_(ij))}{max(x_(ij))-min(x_(ij))}Z(ij)=max(x(ij))−min(x(ij))x(ij)−min(x(ij))
2.计算第j项指标下第i个样本所占的权重,并将其看作相对熵计算所用到的概率。
Z~=[z~11...z~1mz~21...z~2m.........z~n1...z~nm]\widetilde Z = \begin{bmatrix} \widetilde z_{11} & ... &\widetilde z_{1m} \\ \widetilde z_{21} & ... &\widetilde z_{2m} \\ ... & ... & ... \\ \widetilde z_{n1} & ... &\widetilde z_{nm} \\ \end{bmatrix}Z=⎣⎢⎢⎡z11z21...zn1............z1mz2m...znm⎦⎥⎥⎤
pij=z~ij/∑i=1nz~ijp_{ij} = \widetilde z_{ij}/\sqrt{\displaystyle\sum_{i=1}^n\widetilde z_{ij}}pij=zij/i=1∑nzij
保证了每一个概率之和相加为1.
3.计算每个指标的信息熵,并计算信息效用值,并归一化得到每一个指标的熵权。对于第j个指标而言,其信息熵的计算公式为:
ej=−1lnn∑i=1npijln(pij)e_j = - \tfrac{1}{lnn}\sum_{i=1}^np_{ij}ln(p_{ij})ej=−lnn1i=1∑npijln(pij)
eje_jej越大,所代表第j个指标的信息熵越大,信息熵越大他本身所包含的信息量就越少,就像前面例子所说,每次考试都考第一名高考一定会考上清华,毋庸置疑,大家是一定相信的,所以包含的信息相对少;而吊车尾突然考上清华,大家就会猜测,他是怎么考上的呢?这里包含的信息量就相对大。
信息效用值:dj=1−ejd_j = 1 - e_jdj=1−ej信息效用值越大,其对应所含的信息就越多。将信息效用值进行归一化,我们就能得到每一个指标的熵权:Wj=dj/∑j=1mdj(j=1,2,3...)W_j = d_j /\displaystyle\sum_{j=1}^md_j (j = 1,2,3...)Wj=dj/j=1∑mdj(j=1,2,3...)
熵权法的依据原理
指标的变异程度越小,所反映的信息量也越少,其对应的权值也相应越低。
数学建模之TOPSIS法相关推荐
- 数学建模(2)--TOPSIS法
数学建模--TOPSIS法 概括 概括 TOPSIS (Technique for Order Preference by Similarity to an Ideal Solution )法是C.L ...
- 数学建模之topsis法(c语言实现)
1.步骤 (1).数据的标准化处理: (2).选出最优方案和最劣方案: (3).计算出各个对象和最优以及最劣之间的距离: (4).再使用Dbest/(Dbest+Dwors)计算出各对象的评分,值越小 ...
- 数学建模——层次分析法Python代码
数学建模--层次分析法Python代码 import numpy as np class AHP: """ 相关信息的传入和准备 """ d ...
- 【Matlab】数学建模_变异系数法
[Matlab]数学建模_变异系数法 1.基本思想 2.数据集介绍 3.文件结构 4.详细代码及注释 5.运行结果 6.结果说明 1.基本思想 变异系数法通常用于解决数据分布不同的问题.它是一个用于测 ...
- 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】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]---2.Topsis优劣距离法
一.有关excel数据的导入 ①可以直接在工作区将矩阵的元素直接复制粘贴过去,并创建一个变量X来存储代表这个矩阵 ②右击这个变量,另存为一个.mat文件,下次再用的时候,代码区直接 load wat ...
- 数学建模 --- 层次分析法(AHP模型)
层次分析法 评价类问题 该问题思路 选出相关指标,求各个指标之间的权重 和 对某个指标而言各个选择权重(分而治之思想) 计算每个方案的得分 层次分析法 层次分析法第一步 --- 层次结构图 层次分析法 ...
- 数学建模之主成分分析法
评价方法大体可分为两类,其主要区别在确定权重的方法上.一类是主观赋权法,多数采取综合咨询评分确定权重,如综合指数法,模糊综合评价法,层次分析法,功效系数法等.另一类是客观赋权,根据各指标间相关关系或各 ...
- 数学建模层次分析法例题及答案_斩获国际特等奖!兰理工数学建模团队为百年校庆献礼...
近日,2019年美国大学生数学建模竞赛(MCM-ICM)成绩正式公布. 兰州理工大学数学建模团队再创佳绩,分别获得国际特等奖(Outstanding Winner)1项.一等奖(Meritorious ...
最新文章
- BF算法优化-------KMP算法
- 浙大版《C语言程序设计(第3版)》题目集 练习2-17 生成3的乘方表 (15 分)
- 在Hinton看来是“宇宙答案”GPT-3,到LeCun这里却“对世界一无所知”
- 用CSS制作圆角框的方法一,二
- 女儿问了我一个问题:什么是抽象?
- 《TCP/IP详解》之二:流式数据交互
- dos c语言显示符号图案,在DOS命令行窗口中显示出用各种字符拼凑出来的各种图案的实现方法,如本人头像...
- 比Postman更好用!在国产接口调试工具Apipost中使用Mock
- 南京理工大学计算机专业考研,2020南京理工大学计算机考研初试科目、参考书目、复试详情汇总...
- 开源经济模型 MAKRO
- 计算机组装与维修blos,计算机组装与维护标准教程 设置bios参数.pptx
- windows server 试用激活 及 设置用户数
- 灰度重心法提取中心线遇到的问题
- ppt插入html,如何在PPT中嵌入网页?
- keil4出现目标未被创建,keil 目标未创建
- 我是江西人 (二)江右商帮
- Codeforces Round #731 (Div. 3)(ABCDEFG)
- python如何调用函数计算出成绩的不及格率_(求excle公式:95分以上为优、94分-85分为良、84分-75分为中、74分-60分为合格、60分以下为不合格)excel成绩及格率...
- 「文化」是企业最后的倔强
- 代码重构的力量:如何衡量重构成功