【笔记-自用】美赛建模笔记-第二讲-TOPSIS法

TOPSIS法的概念

• TOPSIS法的全称为Technique for Order Preference by Similarity to Ideal Solution.国内简称优劣解距离法。
• TOPSIS法是一种综合评价方法，利用原始数据的信息，精确反映各评价方案之间的差距。

指标

通过单个或多个指标来评估比较对象的得分，从而得出优劣。
指标分为四类：

指标	意义
效益型指标	也称极大型指标，数值越大越好，比如成绩，GDP，绩点
成本型指标	也称极小型指标，数值越小越好，比如犯罪次数，河流里的重金属离子浓度
中间型指标	越趋近于某个值越好，比如最适温度，最适Ph值
区间型指标	数值落在某个区间越好，比如正常体温

步骤

step1 原始数据的处理

化为矩阵

比较对象为行，指标为列。

正向化

指标	正向化方式
成本型指标	$$max-x$$
中间型指标	先比较算出所有点到最佳点的最大距离，记为$M$，${\tilde{x}}_i$用公式一计算
区间型指标	先计算出所有点到区间最大值或最小值（设区间为[a,b]）的最大距离，${\tilde{x}}_i$用公式二计算

公式一：
$${\tilde{x}}_i=1-\frac{|x_i-x_{best}|}{M}$$
公式二：
$${\tilde{x}}_i=\{\begin{array}{ll}1-\frac{|a-x_i|}{M}& x_i<a\\ 1& a\le x\le b\\ 1-\frac{|x_i-b|}{M}& x_i>b\end{array}$$

下面展示公式二中 LaTeX分段函数代码。

$$\tilde{x}_i=\begin{cases}
1-\frac{|a-x_i|}{M} &x_i<a \\
1 & a\le x\le b \\%此处的\le小于等于符 \ge大于等于符
1-\frac{|x_i-b|}{M} & x_i>b
\end{cases}$$

正向化的意义

极小型指标不能与极大型指标一起运算，一起运算的结果是错误的，将成本型指标、中间型指标、区间型指标正向化，可以避免错误的得分结果。

step2 标准化处理

标准化意义

为消去不同量纲的影响

标准化操作

设有$n$个评价对象，$m$个指标。
对每一列（共$m$列）：将元素除以一个数，这个数为 一列的所有平方和开根。公式为$$Z_{ij}=\frac{x_{ij}}{\sqrt{{\sum }_{i=1}^n{x}_{ij}^2}}$$
计算后得出一个标准化的矩阵

计算得分

1. 找出每一列的$Z_j^{+}$与$Z_j^{-}$（相当于分别为每列最大值和最小值凑成的一个向量）
2. 计算距离（类比于多维欧拉公式）：$$D_i^{+}=\sqrt{\sum _{j=1}^m(Z_j^{+}-Z_{ij}{)}^2}$$ $$D_i^{-}=\sqrt{\sum _{j=1}^m(Z_j^{-}-Z_{ij}{)}^2}$$
3. 计算得分$$S_i=\frac{D_i^{-}}{D_i^{+}+D_i^{-}}$$
4. 将得分归一化

拓展

指标若有权重，则先用层次分析法算出权重，再在距离公式里乘上${\omega }_j$(每个指标的权重)
like$$D_i^{+}=\sqrt{\sum _{j=1}^m{\omega }_j(Z_j^{+}-Z_{ij}{)}^2}$$