上一节我们讲述了层次分析法的模型与代码,也提出了层次分析法的一些局限性。
接着我们来讲述TOPSIS法,TOPSIS法(Technique for Order Preference by Simillarity 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,其结果能精确的反映各评价方案之间的差距。
我们依然是以一个小例子来引出TOPSIS法的思想。
很简单的我们可以以这四名同学的成绩高低的排名来进行评分。
通过归一化的排名评分可以简单的达到我们的目的。
但这样的想法也有一些不合理之处。
从中可以看出只要排名不变动,最低名和最高名的成绩就算随意改动,他们两的评分就不会改变,这样我们的评分与成绩的相关性就会变差,我们的评分不能完全体现出他们的成绩。
有同学可能问为什么不采取我们第二种构造计算评分的方法,这样小王的分数还能好看一点。原因主要有3点,但我认为主要原因主要是在第三点上。
这样我们就得到了我们构造计算评分的公式。
为了方便计算评分,我们往往需要统一指标类型。再进行下一步的处理。
以上就是TOPSIS法的基本思想,从中可以看出增加了一个指标之后,最后清风的得分反而是最低的了。然后我将给出TOPSIS法的基本步骤。
最后我们再拓展一下我们的模型,为什么我们再最后计算得分时清风的得分反而是最低的,是因为我们把指标的权重默认了相同,而在实际情况中不同指标间的权重可能是不同的,类比我们上节的层次分析法模型,在最后计算得分时需要乘上不同指标对应的权重。
而在这里,我们使用层次分析法给指标确定权重时的主观性太强了,在后面我们会使用熵权法来进行客观的赋值。
最后,我将给出我的TOPSIS法的matlab代码,同时进行过了优化,可以让用户选择是否加入指标的权重计算。。
%% 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Matlab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
%% 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) '个评价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==1
Position=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]: ');
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]: ');
% 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(:,Postion(i)) = Positivization(X(:,Position(i)),Type(i),Postion(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)) X(:,n)表示取第n列的全部元素
% 第二个参数是对应这一列的指标类型(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
end
disp('正向化后的矩阵 X= ')
disp(X)
end
%% 让用户判断是否需要增加权重
disp('请输入是否需要增加权重向量,需要输入1,不需要输入0 ')
Judeg = input('请输入是否需要增加权重 ');
if Judge == 1
disp(['如果你有3个指标,你就需要输入3个权重,例如它们分别为0.25,0.25,0.5,则你需要输入[0.25,0.25,0.5]']);
weigh = input(['你需要输入' num2str(m) '个权数。' '请以行向量的形式输入这' num2str(m) '个权重:' ]);
OK = 0; %用来判断用户的输入格式是否正确
while OK == 0
if abs(sum(weigh) - 1)<0.000001 && size(weigh,1) == 1 && size(weigh,2) == m %这里注意浮点数的运算是不精确的
OK = 1;
else
weigh = input('你输入的有误,请重新输入权重行向量:');
end
end
else
weigh = ones(1,m) ./ m; %如果不需要加权重就默认权重都相同,即都为1/m
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] .* repmat(weigh,n,1) ,2) .^ 0.5; %D+与最大值的距离向量
D_N=sum([(Z - repmat(min(Z),n,1)) .^ 2] .* repmat(weigh,n,1) ,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')
% 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
% 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~~~~~~~~~~~~~~~~~~~~')
else
disp('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
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
function[posit_x] = Mid2Max(x,best)
M = max(abs(x-best));
posit_x = 1 - abs(x-best) / M;
end
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);
% 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_x
if x(i) < a
posit_x(i) = 1-(a-x(i))/M;
elseif x(i) > b
posit_x(i) = 1-(x(i)-b)/M;
else
posit_x(i) = 1;
end
end
end