学习day2 数学建模 TOPSIS

TOPSIS

基本步骤

1. 将原始矩阵正向化 （转换为极大型指标）
2. 正向矩阵标准化 （消除量纲的影响）
3. 计算得分并归一化

将原始矩阵正向化

现实生活中主要是这么几种指标，为了适合使用TOPSIS，都需要转换成极大型指标。

转换规则如下：

极小值指标：用最大值减去属性值即可。
中间值指标：自己选定一个最优中间值，计算出离中间值的距离与最大距离的占比。
区间型指标：选定一个最佳区间，算出离双端的最大距离，计算出离最近一端所占的比值。

如：

身高为中间值指标，设取的中间值为165。M=175-165=10。B的转换值为$1-\frac{|164-165|}{10}=0.9$。
体重为区间型指标，设区间为[90,100]。M=120-100-20。B的转换值为$1-\frac{|80-90|}{20}=0.5$。

正向矩阵标准化

主要是为了消除量纲的影响，比如：1000km和38℃，如果不进行标准化，1000km的影响会远大于38℃。

标准化公式为：
$$Z_{ij}=\frac{x_{ij}}{\sqrt{{\sum }_{i=1}^n{x}_{ij}^2}}$$

也就是每个元素 除以 该列所有元素的平方合开根号。
比如A的颜值：
$$\frac{9}{\sqrt{9^2+8^2+6^2}}\approx 0.669$$

计算得分并归一化

计算得分：

取每列的最大值和最小值分别组成$Z^{+}$和$Z^{-}$，也就是最好的点和最差的点。

计算每个点到最好的和最差点的欧式距离$D_i^{+}$和$D_i^{-}$。

计算得分$S_i=\frac{D_i^{-}}{D_i^{+}+D_i^{-}}$

进行归一化转换成百分比：

进行归一化的主要目的是为了转换成百分比。

$$\widetilde{S_i}=\frac{S_i}{{\sum }_{i=1}^n{S}_i}\ast 100$$

也就是每个元素除以每列的和。

比如：

上图中$Z^{+}=(0.669,0.919,0.976,0.894)$，$Z^{-}=(0.446,0,0,0)$

A的颜值：
$$D_i^{+}=\sqrt{(0.669-0.669{)}^2+(0.919-0{)}^2+(0.976-0{)}^2+(0.894-0{)}^2}=1.611$$
$$D_i^{-}=\sqrt{(0.446-0.669{)}^2+(0-0{)}^2+(0-0{)}^2+(0-0{)}^2}=0.223$$
$$S_i=\frac{0.223}{0.223+1.611}=0.122$$

同理计算出其他的，进行归一化：
$$\widetilde{S_i}=\frac{0.122}{0.122+0.624+0.622}=8.9\%$$