TOPSIS算法

TOPSIS模型引入

举例

topsis是一种综合评价类算法，主要思路还是通过实现对一些选取后的指标所得到的结果，对指标的结果进行的一种综合评价。其中指标有多个，比较的对象也远远大于两个。有些指标也不存在最大值和最小值。
指标分为两种，极大型和极小型，即极大型的指标越大越好，极小型的指标数值越小越好。
例如，如果要评价一个人的综测，那么可以把指标分为几大类，这里举例成考试成绩，参加竞赛获得的奖项，参加社团活动，出观众次数，实践学时，旷课次数。那么这些指标中，前面四项都是极大型指标，即越多越好；最后一项是极小型指标，即越少越好。因此，若班级里有30名学生，对他们30人的综测进行评价，则需要把每个指标的得分进行加和，得到的最终结果才能起到一个正确评价的作用。

评分的计算和统一指标类型

构造评分公式：$\frac{x-min}{max-min}$

统一指标类型：因为上述例子里有一个是极小型指标，即旷课次数，则需要经过一个指标正向化，才能把指标的类型都统一为极大型指标，这样在最后归一化的时候才能一致。（到时候要写论文里面）
极小型->极大型的公式：max-x

标准化处理

还是上面那个例子，如果上述的旷课次数进行正向化后，想要进一步进行评判，那么此时并不能直接将所有的指标进行一个加和，因为他们的量纲不同，即有些是成绩，有些是次数，因此需要将指标进行标准化，都变成一个百分比的形式，这样才差不多。现在假设四个指标，若有四个评价对象，那么标准化应该如下处理。

构造正向化矩阵

X=$\left[\begin{array}{cccc}x1& x2& x3& x4\\ y1& y2& y3& y4\\ ⋮& ⋮& ⋮& ⋮\\ z1& z2& z3& z4\end{array}\right]$
其中x1-z1是四名同学，x1-x4是四个指标的得分。

进行标准化

将上述矩阵通过该公式进行标准化，所得结果即为标准化矩阵。
计算得分时，可用公式


其中的Di+是欧氏距离，通过计算每个指标和最大最小值做差的平方作和再开根号得到z与最小值距离和z与最大值距离，之后套用上述公式即可得到评价的评分。

评分归一化

将上述套用公式后的得分进行整理，即每个人的每个指标都会对应一个评分，那么因此结果就是未进行归一化的得分。再通过归一化，得到归一化的得分。

不同指标的正向化

指标大致分为四大类，即极大型指标，极小型指标，中间型指标（数值越靠近某个值越好），区间型指标（数值越靠近某个区间越好）其中中间型和区间型转化为极大型的指标过程如下：

基础拓展

上述计算结果均是在每个指标所获得的权重相同的情况下进行的，因此不具有一致性，故可以考虑用层次分析法（最好还是别考虑了）来通过自己假设的方式定下每个指标的权重，那么新增加的权重矩阵如下：

其中wj就是每个指标的权重向量。

代码部分

等一段时间再写。