数学建模-TOPSIS优劣解距离法原理笔记

这里是根据清风数学建模视频课程整理的笔记，我不是清风本人。想系统学习数学建模的可以移步B站搜索相关视频

TOPSIS简介

​ TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)可翻译为逼近理想解排序法，国内常简称为优劣解距离法。TOPSIS 法是一种常用的综合评价方法，能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。主要用来评价优劣。

---

步骤

第一步 将原始矩阵正向化

指标名称	指标特点	例子
极大型（效益型）	指标 越大（多）越好	成绩、GDP增速、企业利润
极小型（成本型）	指标 越小（少）越好	费用、坏品率、污染程度
中间型指标	越接近某个值越好	水质量评估时的PH值
区间型指标	落在某个区间最好	体温、水中植物性营养物

1、极小型指标→极大型指标

• $max-x$​

• 若所有元素均为正数，也可以用$\frac{1}{x}$​​

2、中间型指标→极大型指标

{ x i j } \{x_{ij}\} {xij​}​​是一组​中间型指标序列，且最佳的数值为$x_{max}$，那么正向化公式如下：

M = m a x { ∣ x i − x m a x } \large M=max\{|x_i-x_{max}\} M=max{∣xi​−xmax​}​

$\overline{x_i}=1-\frac{|x_i-x_{max}|}{M}$​​

如下表：

M = m a x { ∣ 6 − 7 ∣ , ∣ 7 − 7 ∣ , ∣ 8 − 7 ∣ , ∣ 9 − 7 } = 2 \large M=max\{|6-7|,|7-7|,|8-7|,|9-7\}=2 M=max{∣6−7∣,∣7−7∣,∣8−7∣,∣9−7}=2

3、区间型指标→极大型指标

{ x i j } \{x_{ij}\} {xij​}​是一组区间型指标序列，且最佳的数值为$[a,b]$​，那么正向化公式如下：

M = m a x { a − m i n { x i } , m a x { x i } − b } \large M=max\{a-min\{x_i\},max\{x_i\}-b\} M=max{a−min{xi​},max{xi​}−b}

如下表：

$a=36,b=37$​

M = m a x { 36 − 35.2 , 38.4 − 37 } = 1.4 \large M=max\{36-35.2,38.4-37\}=1.4 M=max{36−35.2,38.4−37}=1.4​​

第二步 正向化矩阵标准化

例如$\frac{89}{\sqrt{(}89^2+60^2+74^2+99^2)}=0.5437$​

第三步 计算得分并归一化

只有一个指标的时候，计算评分公式为$\frac{x-min}{max-min}$​，变形后$=\frac{x-min}{(max-x)+(x-min)}$​

即$\frac{x与最小值的距离}{x与最大值的距离+x与最小值的距离}$

假设有n个要评价的对象，m个评价指标的标准化矩阵

$$Z=\left[\begin{array}{cccc}{z}_{11}& z_{12}& \cdots & z_{1m}\\ z_{21}& a_{22}& \cdots & z_{2m}\\ ⋮& ⋮& \ddots & ⋮\\ z_{n1}& z_{n2}& \cdots & z_{nm}\end{array}\right]$$​

定义最大值 Z + = ( Z 1 + , Z 2 + , … , Z m + ) = ( m a x { z 11 , z 21 , … , z n 1 } , m a x { z 12 , z 22 , … , z n 2 } , … , m a x { z 1 m , z 2 m , … , z n m } ) Z^+=(Z_1^+,Z_2^+,…,Z_m^+)=(max\{z_{11},z_{21},…,z_{n1}\},max\{z_{12},z_{22},…,z_{n2}\},…,max\{z_{1m},z_{2m},…,z_{nm}\}) Z+=(Z1+​,Z2+​,…,Zm+​)=(max{z11​,z21​,…,zn1​},max{z12​,z22​,…,zn2​},…,max{z1m​,z2m​,…,znm​})

定义最小值

Z − = ( Z 1 − , Z 2 − , … , Z m − ) = ( m i n { z 11 , z 21 , … , z n 1 } , m i n { z 12 , z 22 , … , z n 2 } , … , m i n { z 1 m , z 2 m , … , z n m } ) Z^-=(Z_1^-,Z_2^-,…,Z_m^-)=(min\{z_{11},z_{21},…,z_{n1}\},min\{z_{12},z_{22},…,z_{n2}\},…,min\{z_{1m},z_{2m},…,z_{nm}\}) Z−=(Z1−​,Z2−​,…,Zm−​)=(min{z11​,z21​,…,zn1​},min{z12​,z22​,…,zn2​},…,min{z1m​,z2m​,…,znm​})

定义第$i(i=1,2,\dots ,n)$个评价对象与最大值的距离$D_i^{+}=\sqrt{(}{\sum }_{j=1}^m(Z_j^{+}-z_{ij}{)}^2)$

定义第$i(i=1,2,\dots ,n)$个评价对象与最大值的距离$D_i^{-}=\sqrt{(}{\sum }_{j=1}^m(Z_j^{-}-z_{ij}{)}^2)$

从而我们可以计算得到第$i(i=1,2,\dots ,n)$个评价对象未归一化的得分：$S_i=\frac{D_i^{-}}{D_i^{+}+D_i^{-}}$

很明显$0\le S_i\le 1$，且$S_i$越大$D_i^{+}$越小​

例如下表：

带权重的TOPSIS

• 权重可以用层次分析法或者熵权法来确定（层次分析法更主观，熵权法更客观）