综合评价与决策

topsis法

数据标准化的方法

min-max标准化（离差标准化）：

对于效益型属性： $x^{\ast }=\frac{x-min}{max-min}$

对于成本型属性： $x^{\ast }=\frac{max-x}{max-min}$

对于区间型属性，给定最优区间为$[x_0,x_1]$，$x^{{}^{\prime }}$为无法容忍下界，$x^{{}^{\prime \prime }}$为无法容忍上界，则：
$$x^{\ast }=\{\begin{array}{llc}1-\frac{x_0-x}{x_0-x^{{}^{\prime }}},& & x^{{}^{\prime }}\le x<x_0\\ 1,& & x_0\le x\le x_1\\ 1-\frac{x-x_1}{x^{{}^{\prime \prime }}-x_1},& & x_1<x\le x^{{}^{\prime \prime }}\\ 0,& & else\end{array}$$
这种标准化有非常好的实际意义，但是碰到新的数据如果超出原本的max和min，则需要全部重新计算

z-score标准化（标准差标准化）：

$$x^{\ast }=\frac{x-\bar{x}}{\sigma }$$

z-score标准化方法没什么具体意义，就是为了去量纲比较，但它有超出取值范围的离群数据的情况

向量标准化：

在比较中不同方案的同意属性值记为$(x_1,x_2,...,x_n)$，那么向量标准化就是：
$$x_i^{{}^{\prime }}=\frac{x_i}{\sqrt{{\sum }_{i=1}^n{x}_i^2}},i=1,2,...n.$$
也就是变成了$(x_1^{{}^{\prime }},x_2^{{}^{\prime }},...x_n^{{}^{\prime }})$.

同样的，向量标准化也没有什么意义，只是为了去量纲比较。

评价决策方法汇总

topsis法

处理打分排名问题。通过相对贴进度进行计算，经典方法

数据包络分析

在效率方面的量化，处理是否有效问题

灰色关联分析

处理打分排名问题。也是计算相对贴近度，国人提出，根据比赛斟酌使用

秩和比综合评价法

处理打分排名问题。国人提出，根据比赛斟酌使用

熵权法

处理打分排名问题。权重是完全客观确定的。可用于客观确定权重。

层次分析法

处理打分排名问题。权重是主观方式确定的。