TOPSIS法模型

        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