TOPSIS理论部分
用途
TOPSIS 法是一种常用的综合评价方法,其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。
与AHP的区别及使用场景
- AHP主要缺陷是影响因素不能太多,并且构建矩阵较为麻烦。
- AHP主要是对于决策层数据未知的情况,而TOPSIS是对于决策层数据已知的情况。
指标
- 极大型指标:指标出现越多越好,对结果有正面影响。
例如,当评价一台机器质量时,生产效率为极大型指标。 - 极小型指标:指标出现越少越好,对结果有负面影响。
例如,当评价一台机器质量时,出错次数为极小型指标。
通过一个例子讲解使用方法
评价同学的综合素养,下面给出每位同学的考试成绩和争吵次数:
step1. 将所有指标正向化
- 正向化后统一转化为极大型。
- 转化公式1: t m p = m a x − x tmp = max - x tmp=max−x, t m p tmp tmp 表示转化完之后每个指标的值, m a x max max需要转化指标最大的值, x x x 表示每个指标的值。
- 转化公式2:
t
m
p
=
1
/
x
tmp = 1/ x
tmp=1/x ,前提是所有元素均为正数。
step2. 标准化处理 - 由于正向化处理后每个评估标准的量纲是不同的,成绩是“分”,争吵次数是“次”,所以要转化为统一量纲。
- 转化公式:
step3. 计算得分 - 只有一个指标
- 有n个对象,m个指标
step1:根据上述步骤构建标准化评价矩阵
step2: 定义最大值和最小值,并且根据上面规则进行评价
举个例子:
TOPSIS类别
极大型和极小型上述例子已经提到,下面解释中间型和区间型
中间型指标
step1: 老样子,先把中间型指标 --> 极大型指标
- 选取中间指标(比如水的PH=7是最好的)
- 进行正向化:
step2:将矩阵归一化
和上面例子方法是相同的
区间型
step1:正向化
- 选取区间型指标,比如人体温度为36 ~ 37度为最优
- 正向化:
step2:矩阵归一化
同上