评价类模型-Topsis优劣解距离法★★★★★

云上西

已于 2024-07-16 10:02:50 修改

阅读量1.1k

点赞数 19

分类专栏：数学建模清风建模文章标签：数学建模 python 机器学习开发语言分类

于 2024-07-14 16:33:01 首次发布

本文链接：https://blog.csdn.net/huahua121_/article/details/140416441

版权

数学建模同时被 2 个专栏收录

41 篇文章

订阅专栏

清风建模

29 篇文章

订阅专栏

该博客为个人学习清风建模的学习笔记，部分课程可以在B站：【强烈推荐】清风：数学建模算法、编程和写作培训的视频课程以及Matlab等软件教学_哔哩哔哩_bilibili

名称	重要性	难度
Topsis优劣解距离法	★★★★★	★★

        C.L.Hwang 和 K.Yoon 于 1981 年首次提出 TOPSIS (Technique forOrder 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。

         基本过程 为先将原始数据矩阵统一指标类型（一般正向化处理）得到正向化的矩阵，再对正向化的矩阵进行标准化处理以消除各指标量纲的影响，并找到有限方案中的最优方案和最劣方案，然后分别计算各评价对象与最优方案和最劣方案间的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。该方法对数据分布及样本含量没有严格限制，数据计算简单易行。

1模型介绍

1.1引入模型

层次分析法的局限性：不适用于已知指标或指标数大于16的问题。

因此引入新的模型解决评价类问题。

从成绩排名的例子引入：

进行评分使用构造计算评分的公式：

但是此时小王的评分变成了0，不合理所以再一次进行修改：

进行这样修改的三点解释：

1.2拓展问题

新增加了一个指标，现在要综合评价四位同学，并为他们进行评分。

成绩是 越高（大）越好 ，这样的指标称为 极大型指标（效益型指标） 。

与他人争吵的次数 越少（越小）越好 ，这样的指标称为 极小型指标（成本型指标） 。

1.2.1 统一指标类型

解决方法：统一指标类型

将所有的指标转化为极大型称为指标正向化（最常用）

1.2.2标准化处理

为了 消去不同指标量纲的影响 ，需要对已经正向化的矩阵进行 标准化处理

1.2.3计算得分

最大值/最小值：每一列的最大值/最小值组合的向量

距离：欧氏距离

因此以上例子计算得分为：

在进行归一化：

2TOPSIS步骤

2.1将原始矩阵正向化

所谓的将原始矩阵正向化，就是要将所有的指标类型统一转化为 极大型指标。 （转换的函数形式可以不唯一哦 ~ ）

1、极小型指标 -> 极大型指标

2、中间型指标 -> 极大型指标

3、区间型指标 ->极大型指标

%%  第二步：判断是否需要正向化
[n,m] = size(X);
disp(['共有' num2str(n) '个评价对象, ' num2str(m) '个评价指标']) 
Judge = input(['这' num2str(m) '个指标是否需要经过正向化处理，需要请输入1 ，不需要输入0：  ']);

if Judge == 1
    Position = input('请输入需要正向化处理的指标所在的列，例如第2、3、6三列需要处理，那么你需要输入[2,3,6]： '); %[2,3,4]
    disp('请输入需要处理的这些列的指标类型（1：极小型， 2：中间型， 3：区间型） ')
    Type = input('例如：第2列是极小型，第3列是区间型，第6列是中间型，就输入[1,3,2]：  '); %[2,1,3]
    % 注意，Position和Type是两个同维度的行向量
    for i = 1 : size(Position,2)  %这里需要对这些列分别处理，因此我们需要知道一共要处理的次数，即循环的次数
        X(:,Position(i)) = Positivization(X(:,Position(i)),Type(i),Position(i));
    % Positivization是我们自己定义的函数，其作用是进行正向化，其一共接收三个参数
    % 第一个参数是要正向化处理的那一列向量 X(:,Position(i))   回顾上一讲的知识，X(:,n)表示取第n列的全部元素
    % 第二个参数是对应的这一列的指标类型（1：极小型， 2：中间型， 3：区间型）
    % 第三个参数是告诉函数我们正在处理的是原始矩阵中的哪一列
    % 该函数有一个返回值，它返回正向化之后的指标，我们可以将其直接赋值给我们原始要处理的那一列向量
    end
    disp('正向化后的矩阵 X =  ')
    disp(X)
end

2.2正向化矩阵标准化

标准化的目的是消除不同指标量纲的影响。

%% 第三步：对正向化后的矩阵进行标准化
Z = X ./ repmat(sum(X.*X) .^ 0.5, n, 1);
disp('标准化矩阵 Z = ')
disp(Z)

2.3计算得分并归一化

%% 第四步：计算与最大值的距离和最小值的距离，并算出得分
D_P = sum([(Z - repmat(max(Z),n,1)) .^ 2 ],2) .^ 0.5;   % D+ 与最大值的距离向量
D_N = sum([(Z - repmat(min(Z),n,1)) .^ 2 ],2) .^ 0.5;   % D- 与最小值的距离向量
S = D_N ./ (D_P+D_N);    % 未归一化的得分
disp('最后的得分为：')
stand_S = S / sum(S)
[sorted_S,index] = sort(stand_S ,'descend')

3代码知识

1. 将 EXCEL 中的数据导入到 Matlab, 并另存为 mat ⽂件，下次可直接 load

Matlab 中函数的编写和调用

2. magic(n) 幻方矩阵

3. sort 函数

4. zeros 和 ones 函数

3.1导入数据

%%  第一步：把数据复制到工作区，并将这个矩阵命名为X
% （1）在工作区右键，点击新建（Ctrl+N)，输入变量名称为X
% （2）在Excel中复制数据，再回到Matlab中右键，点击粘贴Excel数据（Ctrl+Shift+V）
% （3）关掉这个窗口，点击X变量，右键另存为，保存为mat文件（下次就不用复制粘贴了，只需使用load命令即可加载数据）
% （4）注意，代码和数据要放在同一个目录下哦，且Matlab的当前文件夹也要是这个目录。
clear;clc
load data_water_quality.mat
%% 注意：如果提示: 错误使用 load，无法读取文件 'data_water_quality.mat'。没有此类文件或目录。
% 那么原因是因为你的Matlab的当前文件夹中不存在这个文件
% 可以使用cd函数修改Matlab的当前文件夹
% 比如说，我的代码和数据放在了: D:第2讲.TOPSIS法（优劣解距离法）\代码和例题数据
% 那么我就可以输入命令：
% cd 'D:第2讲.TOPSIS法（优劣解距离法）\代码和例题数据'

3.2. magic(n)幻方矩阵

幻方矩阵每一列的和都相等

A = magic(5)

输出结果：

A =

    17    24     1     8    15
    23     5     7    14    16
     4     6    13    20    22
    10    12    19    21     3
    11    18    25     2     9

3.3 sort函数

% sort(A)若A是向量不管是列还是行向量，默认都是对A进行升序排列。sort(A)是默认的升序，而sort(A,'descend')是降序排序。
% sort(A)若A是矩阵，默认对A的各列进行升序排列
% sort(A,dim)
% dim=1时等效sort(A)
% dim=2时表示对A中的各行元素升序排列
%sort(A,2)
% A = [2,1,3,8]
% Matlab中给一维向量排序是使用sort函数：sort（A），排序是按升序进行的，其中A为待排序的向量；
% 若欲保留排列前的索引，则可用 [sA,index] = sort(A,'descend') ，排序后，sA是排序好的向量，index是向量sA中对A的索引。
% sA  =  8     3     2     1
% index =  4     3     1     2

3.4函数定义

% function [输出变量] = 函数名称(输入变量）  
% 函数的中间部分都是函数体 函数名与文件名一致
% 函数的最后要用end结尾
% 输出变量和输入变量可以有多个，用逗号隔开
% function [a,b,c]=test(d,e,f)
%     a=d+e;
%     b=e+f;
%     c=f+d;
% end
% 自定义的函数要单独放在一个m文件中，不可以直接放在主函数里面（和其他大多数语言不同）

3.5. zeros和ones函数

%zeros函数用法: zeros(3)  zeros(3,1)  ones(3)
%三行一列都为0

4模型拓展

每个指标的权重不一致：

因此引出拓展模型：带权重的TOPSIS

5总结

Topsis优劣解距离法适用于评价类问题，拿到问题先根据层次分析法中部分内容将评价指标转换为原始矩阵；在原始矩阵的基础上，判定评价指标属于极大型、极小型、中间型、区间型中的哪一类，然后正向化到极大型，生成正向化矩阵；在正向化矩阵基础上标准化，再根据计算公式计算得分并且归一化。

拓展：Topsis模型可以不默认权值。