用Numpy实现TOPSIS法_topsis矩阵标准化处理计算-CSDN博客

本文链接：https://blog.csdn.net/Anne_Aust/article/details/130426954

文章介绍了Topsis方法在决策分析中的应用，包括构建决策矩阵，统一为效益型矩阵，进行归一化和模一化处理，使用信息熵法确定属性权重，以及计算正负理想解、欧式距离和接近度，以辅助复杂决策问题的解决。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、构建决策矩阵D

决策矩阵指的是方案 $A{i_{}}^{}$ 对属性 $X_{j}$ 的取值，假设方案有m个，属性值有n个， $D=(d_{ij})_{mxn}$ 称为决策矩阵；

效益型属性的属性值越大，对决策的重要程度就越高；费用型属性与此相反，在进行统一时，只需将效益型的属性取倒数即可。本例中对第一类属性取了对数；

D=np.array([[1/25,9,7],[1/18,7,7],[1/12,5,5]])

实现标准化有三种方法：归一化、最大化和模一化；Topsis方法中主要使用的是归一化模一化，下面是归一化和模一化的具体原理；

归一化：

Numpy代码（文章中使用到的代码都是在jupyter notebook中书写的）

#标准化-归一化
n = len(D)
std_matrix = np.zeros((n, n))
for i in range(n):
    std_matrix[:,i] = D[:,i] / sum(D[:,i])#第i列的所有元素，相当于对数组进行缩放

模一化：

在Numpy中求解该矩阵时，可以将D转置为D_T，然后将D_T与D相乘，再进行开根号，这样得到的矩阵的对角线元素就是分母，然后按列为单位再进行相除；

D_T=np.transpose(D)
temp=pow(np.dot(D_T,D),1/2)# 相加开根号
for i in range(n):
    r[:,i]=D[:,i]/temp[i,i]
r

各方案关于属性 $X_{j}$ 的熵为

e=-1/np.log(len(std_matrix))*sum(std_matrix*np.log(std_matrix))#计算信息熵
e

定义区分度为

f=1-e
w=f/sum(f)#计算权重
w

V=np.zeros((n,n))
for i in range(n):
    V[:,i]=r[:,i]*w[i]
V

Vpos = np.max(V,axis=0)
Vpos
Vneg = np.min(V,axis=0)
Vneg

#欧式距离的算法
Spos=np.linalg.norm(V-Vpos,axis=1)
Spos
Sneg=np.linalg.norm(V-Vneg,axis=1)
Sneg

#计算相对接近度
Cpos=Sneg/(Spos+Sneg)
Cpos=Cpos/sum(Cpos)
Cpos

源代码下载链接