TOPSIS法求排序，satty近似法求权重

已于 2022-01-20 11:33:45 修改
阅读量1.2k 收藏 2
点赞数 1
分类专栏： 决策 文章标签： 算法 矩阵 线性代数
于 2022-01-20 11:31:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Rain_Hpu/article/details/122597361
版权

题目：

硕士研究生学位论文常从三个方面给予评价，即选题的意义（A）,论文的创新性（B），研究方法及撰写的规范性（C）。三个方面的重要性判断矩阵如下：
A B C
A 1 1/3 1/2
B 3 1 2
C 2 1/2 1
经专家评价,X,Y,Z,W四位同学的论文得分如表
硕士论文 A B C
X 96 85 75
Y 80 82 88
Z 87 95 80
W 86 78 93

问题

  1. 应用satty近似法计算A,B,C的权重，并检验矩阵的一致性。（已知RI=0.58）
  2. 应用线性变换规范化各属性值。
  3. 应用topsis法确定四名同学学位论文的优劣。

一、根据判断矩阵求权重

在这里插入图片描述
在这里插入图片描述
n为指标个数。每行连乘再开n次方，求和，求每一个所占的比例
求一致性：竖着每列求和，每个和与权重相乘，得到最大特征值。再求CI,CR
在这里插入图片描述

二、线性变换

在这里插入图片描述
三个指标都属于效益型，用该数除以最大值
在这里插入图片描述

三、topsis法排序

在这里插入图片描述

  1. 向量规范化。每一列数的平方的和，开根号
    在这里插入图片描述
  2. 正负理想解，画表格
    在这里插入图片描述
    3.由最后一列的值进行比较，越接近1越好。Z>X>W>Y
    在这里插入图片描述
Rain_Hpu
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Css选择器权重排序详解+权重计算
weixin_45230574的博客
11-20 1497
最详细的Css权重详解、权重排序以及如何加强权重
数学建模：用TOPSIS法解决评分排序问题（附MATLAB代码）
weixin_56529327的博客
08-13 5229
数学建模评价类模型：TOPSIS法
计算权重的方法
angying4104的博客
06-25 1005
三. 层叠和继承 继承 父元素拥有了某个css属性，子元素不需要任何条件的情况下都会拥有父元素的属性。 并不是所有的css属性都能继承，可以被继承的css属性有以下： color text- line- font- -->都是跟文字属性相关。 <!DOCTYPE html> <html lang="en"> <head> ...
权重计算方法
热门推荐
weixin_43990004的博客
06-10 3万+
AHP方法 AHP算法计算层次权重其基本步骤为将问题分解为不同的组成因素，按照因素间的相互关系或者隶属关系将因素按不同因素聚集集合，形成一个多层次的分析结构模型，并由此构建判断（或成对比较）矩阵，依据判断矩阵对层次进行单排序并检验是否通过一致性检验，最后计算某一层次所有因素对于最高层(总目标)相对重要性的权值，称为层次总排序。其流程图如图所示： 图# AHP算法计算流程 1.建立层次结构模型 将决...
TOPSIS法
mango660的博客
06-24 1万+
TOPSIS法可翻译为逼近理想解排序法，国内简称优劣解距离法 一种综合评价方法，充分利用原始数据的信息，精确地反应各评价方案之间的差距 层次分析法的局限性 评价的决策层不能太多 如果决策层数据已知，那么如何利用数据来使得评价更加准确？ TOPSIS法 栗子一： 构造计算评分的公式： 姓名 成绩 未归一化的评分 归一化评分 小明 89 （89-60）/（99-60）=0.74 0.74/2.1=0.35 小王 60 0 0 小张 74 0.36 0.17 小圆 9..
熵权法求权重python代码熵权法求权重python代码
12-25
在Python中实现熵权法求权重，可以方便地处理复杂的数据和模型。 首先，我们要理解熵权法的基本原理。熵是信息论中的一个概念，用于度量信息的混乱程度或不确定性。在熵权法中，我们计算每个指标的信息熵，然后通过...
熵权法求权重
01-09
使用熵权法求解权重，求解权重的一种方法，方便，好用
topsis加入了权重的代码_TOPSIS优劣距离法_
10-02
**TOPSIS（优劣距离法）是一种多目标决策分析方法，全称为“技术优势排序综合评价法”（Technique for Order Preference by Similarity to Ideal Solution）。该方法通过度量决策方案与理想解和反理想解的距离来评估...
TOPSIS熵值法R代码.R
04-06
topsis评价类算法+熵权法确定权重，r语言代码，可以直接代入数据进行运行，简单方便，私人编写的。
基于熵权TOPSIS法的岩爆预测
05-25
为了进行科学合理的岩爆预测,选取能够通过室内试验和现场测试获取原始数据的应力系数、脆性系数和弹性能量指数作为评价指标,通过计算指标原始数据的信息熵确定各指标权重,在此基础上,建立基于熵权TOPSIS法的岩爆预测...
AHP方法计算权重.pdf
09-11
AHP层次分析法——一致性检验以及权重计算。层次单排序以及层次总排序一致性检验说明文档。详细，注意细节。文件最后到第二行应该是B3应该是B2。
结合熵权法的topsis方法的代码.zip
09-13
熵权法(TOPSIS)是一种多准则决策分析方法，用于在多个具有不同权重的评价标准下对多个方案进行排序。在实际应用中，熵权法能够动态地计算各评价指标的权重，避免了人为设定权重的主观性。而Topsis方法（Technique ...
Topsis法代码.zip_topsis matlab_topsis代码_topsis法_决策_理想解
07-14
TOPSIS法根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价。TOPSIS法是一种逼近于理想解的排序法，该方法只要求各效用函数具有单调递增（或递减）性就行。TOPSIS法是多...
topsis_matlab优劣解距离法_topsis_
10-01
标题中的“topsis_matlab优劣解距离法_topsis_”指的是TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）方法在MATLAB环境下的应用。TOPSIS是一种多目标决策分析方法，用于处理具有相互...
综合评价方法课件-TOPSIS法及模糊评价法的理解和比较
03-17
TOPSIS法（Technique for Order of Preference by Similarity to Ideal Solution）和模糊评价法是两种常用的方法，它们都能处理多属性决策问题，但有着不同的运作机制。 TOPSIS法的核心思想是寻找与理想解（最优解...
java 权重排序算法_权重结构的加权排序算法
weixin_42208901的博客
02-26 1393
1 #include 2 #include 3 #include 4 #include 5 #define Random() (rand()%100)6 using namespacestd;7 #define MAXNUM 1089 //定义加权排序的结构10 template11 struct_sortStru12 {13 T _data1;14 T _data2;15 T _data3;16...
leetcode算法学习(17)—— 将整数按权重排序
qq_41230076的博客
06-25 747
将整数按权重排序题目描述方法一：递归思路代码方法二：字典思路代码方法三：记忆化(字典+递归)思路代码 题目描述 我们将整数 x 的 权重 定义为按照下述规则将 x 变成 1 所需要的步数： 如果 x 是偶数，那么 x = x / 2 如果 x 是奇数，那么 x = 3 * x + 1 比方说，x=3 的权重为 7 。因为 3 需要 7 步变成 1 （3 --> 10 --> 5 --> 16 --> 8 --> 4 --> 2 --> 1）。 给你三个整数 lo，
权重结构的加权排序算法
weixin_30832405的博客
02-03 1187
权重结构的加权排序算法 开始算法之前，首先介绍一下向量中的排序方式，这里使用的是STL中的std::sort排序方式，具体使用的代码如下： //定义加权排序的结构 template<typename T> struct _sortStru { T _data1; T _data2; T _data3; T _data...
层次分析法(AHP)详细原理及改进+MATLAB代码
最新发布
weixin_62616638的博客
11-16 8811
❑ 层次分析法（The analytic hierarchy process）简称AHP，在20世纪70年代初期由美国匹兹堡大学运筹学家托马斯·塞蒂（T.L. Saaty）在为美国国防部研究“根据各个工业部门对国家福利的贡献大小而进行电力分配”的课题时提出。它是一种应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。❑ 层次分析法是对一些较为复杂、较为模糊的问题做出决策的简易方法，它特别适用于那些难于完全定量分析的问题。❑ 层次分析法根据问题的性质和要达到的总目标，将问题分解为不同的组成因
topsis法求权重matlab代码
07-23
### 回答1： Topsis法是一种常用于多属性决策的分析方法，通过对每个属性的权重进行评估和确定，以便更准确地进行决策。下面是一个使用MATLAB进行TOPSIS分析的简单代码示例： 首先，假设我们有三个属性A、B和C，每个属性有5个可选项。我们需要计算每个属性的权重并将其标准化。 ```matlab % 属性矩阵 X = [1 3 5; 2 4 2; 3 5 3; 4 2 4; 5 1 1]; % 归一化 normX = X./sqrt(sum(X.^2, 1)); % 正向化 posX = max(normX) - normX; % 权重数组 weights = [0.4 0.3 0.3]; % 加权矩阵 weightX = posX .* weights; % 确定正理想解和负理想解 idealPositive = max(weightX); idealNegative = min(weightX); % 计算与正理想解和负理想解的欧几里德距离 D_positive = sqrt(sum((weightX - idealPositive).^2, 2)); D_negative = sqrt(sum((weightX - idealNegative).^2, 2)); % 计算综合评价得分 closeness = D_negative ./ (D_positive + D_negative); % 输出综合评价得分 closeness ``` 以上代码中，属性矩阵`X`中的每一列对应于一个属性的值。首先，通过将每个属性的值除以该属性值的平方和的开方来对属性矩阵进行归一化。然后，通过从归一化后的矩阵中减去每个属性值的最大值来进行正向化。接下来，通过乘以权重数组，得到加权矩阵。然后，找到正理想解和负理想解，并计算每个样本与两个解的欧几里德距离。最后，通过计算综合评价得分，将其用于排序和决策。 这是一个简单的MATLAB代码示例，可以根据实际需要进行扩展和修改。 ### 回答2： TOPSIS法（Technique for Order Preference by Similarity to Ideal Solution）是一种常用的多准则决策方法，用于评估候选方案的优劣程度。该方法根据每个候选方案与最佳和最差解的接近程度进行评价，从而确定最优解。 在MATLAB中，可以使用以下代码来实现TOPSIS法求权重： 1. 首先，需要定义输入矩阵X，其中每行表示一个候选方案，每列表示一个评价指标。 ```matlab X = [3 5 7; 4 6 8; 2 4 6; 5 7 9]; % 示例输入矩阵 ``` 2. 然后，需要对输入矩阵进行归一化处理，将各个指标的取值范围统一化到[0, 1]区间内。 ```matlab normalized_X = X ./ sqrt(sum(X.^2, 1)); ``` 3. 接下来，需要确定每个评价指标的权重。可以使用主成分分析（PCA）法来确定权重。 ```matlab [coeff, ~, latent] = pca(normalized_X); weights = latent ./ sum(latent); ``` 4. 然后，需要确定理想解和反理想解。 ```matlab ideal_solution = max(normalized_X, [], 1); worst_solution = min(normalized_X, [], 1); ``` 5. 计算每个候选方案与理想解和反理想解之间的接近度。 ```matlab d_plus = sqrt(sum((normalized_X - ideal_solution).^2, 2)); d_minus = sqrt(sum((normalized_X - worst_solution).^2, 2)); ``` 6. 最后，根据接近度计算每个候选方案的最终得分。 ```matlab score = d_minus ./ (d_plus + d_minus); ``` 通过上述步骤，就可以使用TOPSIS法获取权重并计算候选方案的得分。 请注意，上述代码仅为示例，实际应用中可能需要根据具体情况进行适当的修改和调整。 ### 回答3： TOPSIS法是一种多属性决策方法，用于确定不同属性对决策结果的重要程度。其主要步骤包括：确定决策矩阵、正向化与标准化、计算加权规范化决策矩阵、计算正负理想解、计算相对接近度，并最终得出最优方案。下面是基于MATLAB的TOPSIS法求权重的代码示例： 1.首先，我们需要输入决策矩阵data，以及每个属性的权重向量weights。假设有N个决策方案和M个属性： ```matlab data = [x1, x2, x3, ..., xn]; % 输入决策矩阵 weights = [w1, w2, w3, ..., wm]; % 输入权重向量 ``` 2.进行正向化与标准化，将数据归一化到[0, 1]之间。 ```matlab % 正向化 max_data = max(data,[],1); % 每个属性的最大值 min_data = min(data,[],1); % 每个属性的最小值 data_normalized = (data - min_data)./ (max_data - min_data); % 标准化 weights_normalized = weights./sum(weights); ``` 3.计算加权规范化决策矩阵。 ```matlab weighted_normalized_matrix = data_normalized .* weights_normalized; ``` 4.计算正负理想解。 ```matlab PIS = max(weighted_normalized_matrix,[],1); % 正理想解，取每个属性的最大值 NIS = min(weighted_normalized_matrix,[],1); % 负理想解，取每个属性的最小值 ``` 5.计算相对接近度。 ```matlab d_plus = pdist2(weighted_normalized_matrix,PIS); % 计算每个方案与正理想解之间的欧氏距离 d_minus = pdist2(weighted_normalized_matrix,NIS); % 计算每个方案与负理想解之间的欧氏距离 relative_closeness = d_minus ./ (d_plus + d_minus); % 相对接近度 = 负距离 / (正距离 + 负距离) ``` 最终，根据相对接近度，可以获得最优方案或进行决策结果排序。 这是一个简单的TOPSIS法求权重的MATLAB代码示例。根据具体的问题和数据，可能需要进行一些调整和修改。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值