数学建模【TOPSIS法】

一、TOPSIS法简介

 TOPSIS全称为Technique for Order Preference by Similarity to Ideal Solution，逼近理想解排序法。

简单来说，就是将需要排序的对象转化为空间中的一个点（不一定是二维，也不一定是三维，和评价指标个数相关），有了这些点，计算这些点和理想中最优的点以及理想中最差的点的距离，然后来判断次序。

二、适用赛题

客观评估类型题目，这类题目提供了足够的评价指标和数据。在数据已知的情况下，评价指标的类型差异较大（数值、比值、百分比，且有正面指标也有负面指标）

模型特点

• 充分利用原始数据，求解结果能反映各方案与理想方案差异程度
• 在评价指标较多时避免了主观性造成的复杂过程
• 数据计算简单易行，无需数据检验

三、模型流程

四、流程解析

1.数据预处理

因为在当前指标数据中，并不都是越大越好，而且不同指标的单位不同、数量级不同，使得求点与点距离时对结果影响程度不同，所以使用TOPSIS法求不同点与理想解的距离，先要进行数据预处理。

这里将指标数据划分成三类

• 效益型属性：越大越好的属性，例如科研经费
• 成本型属性：越小越好的属性，例如延毕率
• 区间型属性：在某一区间内最好，过大或过小都不好，例如生师比

不同的类型有不同的处理方法

• 效益型属性无需处理
• 成本型属性，在代码求解时求正理想解时对其取最小值，求负理想解时对其取最大值（正负理想解在后面会讲到）
• 区间型属性，根据数据与最优区间的差异进行处理

所以需要立即处理的只有区间型属性

则有：

翻译下来就是

• 在最优属性区间内（最好的情况），值设为1；超出了可接受的范围，直接设为0
• 不在最优属性区间内、但是在还可接受的范围内，按公式改为0到1的值

在处理完区间型数据后，进行向量规范化

• 三个属性都用相同公式进行变换
• 规范化后的数值，同一属性值（评价指标）的平方和为1

得到规范化后的矩阵，因为不同指标的重要性不同，需要加权处理

• 与层次分析法的两两比较不同，TOPSIS法直接给每个指标加上权重（查文献、资料）
• 因为TOPSIS法充分利用了数据的差异，只要权重设置得不是太离谱，对结果影响不会太大

2.求解距离

TOPSIS法是求每个点到最优和最差理想解的距离

那么正理想解（最优）的各个指标是数据中最优的，负理想解（最差）的各个指标就是数据中最差的

然后求解每个点到正负理想解的距离

3.排序

有了距离就可以求得综合评价指数

• 显然，距离正理想解越近、距离负理想解越远越好
• 按综合评价指数从大到小排序，即为所求。

至此，求解完成。