Matlab实现——结合AHP or 熵权法的TOPSIS评判模型

最新推荐文章于 2024-09-02 14:06:43 发布

就是莫世冰。

最新推荐文章于 2024-09-02 14:06:43 发布

阅读量7.5k

点赞数 8

分类专栏：数学建模算法评价类模型文章标签：算法 matlab 数据建模

本文链接：https://blog.csdn.net/jiushiabingbing/article/details/118540848

版权

数学建模同时被 3 个专栏收录

3 篇文章 2 订阅

订阅专栏

算法

3 篇文章 0 订阅

订阅专栏

评价类模型

3 篇文章 0 订阅

订阅专栏

本文介绍了如何运用TOPSIS和熵权法来评估河流水质，相较于AHP，熵权法减少了主观性影响。首先，文章阐述了TOPSIS的基本原理和步骤，包括正向化处理、标椎化处理以及评分计算。接着，详细解释了熵权法计算权重的过程，强调了信息熵在确定指标权重中的作用。最后，通过实例展示了如何应用这两种方法对水质数据进行综合评价。

摘要由CSDN通过智能技术生成

前言

在前面的《利用Matlab实现AHP评判模型》一文中，我们有讨论到AHP的一些缺点，例如主观性过强、判断矩阵的填写需要专家填写难以实现以及缺乏数据支撑等。所以在这里我不然而然地就联想到了结合熵权法的TOPSIS算法。接下来本人将陈述我对该算法的理解及看法，并且利用Matlab实现该算法

提示：本文学习数据由“清风老师”提供。

一、思维导图

老样子，我们沿着思维导图学习这一算法。在这里先留个大概印象，我们再一个个往里填叭。
在这里插入图片描述

二、TOPSIS

2.1 关于TOPSIS

L.Hwang 和 K.Yoon 于1981年首次提出 TOPSIS (Technique for Order Preference by Similarity to an Ideal Solution)。TOPSIS 法是一种常用的组内综合评价方法，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。基本过程为基于归一化后的原始数据矩阵，采用余弦法找出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。

笔者刚学习这一模型，看这简介的时候就想：“这不比AHP要香？”有原始数据支撑，并且对于样本n种没有严格的限制，如果是AHP，n的取值就得小于15了，大于15，一次性检验就无法正常的进行了。

废话不多说，上数据叭。
eg：评价下表中20条河流的水质情况（其中，含氧量越高越好，河流PH值越接近7越好，细菌总数越少越好，植物性营养物质介于10~20之间最佳）
在这里插入图片描述

2.2 正向化处理

判断各组数据的类型，进而对各组数据进行正向化处理，即是将各组数据的判断指标统一为极大型判断指标，以至于我们可以从一方面评判这些数据，一般都是转化为极大型指标。类型有级小型、中间型以及区间型等，相应的处理过程如下：

级小型数据转化为极大型数据
相应处理公式：

如数据中的细菌总数便是属于级小型数据，max=54，处理得：
中间型数据转化为极大型数据
相应处理公式：

如数据中的PH值，越靠近中间值7越好，即属于中间型指标。对河流PH值这一列数据处理得：
区间型数据转化为极大型数据
相应处理公式：

其中M：
如数据中的植物性营养物质量，位于区间[10,20]最佳，即属于中间型数据，同样是按着公式对这一列数据进行正向化处理。

综上，即可得正向化矩阵D：
在这里插入图片描述

2.3 进行标椎化处理

然后我们在对正向化矩阵进行标椎化处理，进而得到标椎化矩阵Z。
处理公式如下：
在这里插入图片描述
（注意：标椎化的公式是不唯一的，还有其它的标椎化过程。）
即可得到标准矩阵如下：

2.4 对各个目标（决策、方案等）进行评分

这一环节包括D+、D-、Wi、Si的计算。
D+即为第i个目标对最大值（第i条河流对最好的“河流标准）的距离，D-为第i个目标对最小值的距离。
即计算公式如下：

其中，

相反，Z+ 则为标椎化矩阵各列的最大值。Wi 则为各个评判指标的权重，通过AHP或者熵权法进行计算。
通过上面的计算，我们即可得到未经过归一化处理的评分 Si：
对评分进行归一化处理

故，最终我们可以通过评分的大小来评估这20条河流水质的优劣情况。

三、熵权法

对于权重 Wi 的求解，可以用层次分析法或者熵权法来求解，AHP的方法在《利用Matlab实现AHP评判模型》一文中有详细的讲解，故这里不再加以赘述。这里利用熵权法对河流水质各指标的权重进行评估。

3.1 定义

按照信息论基本原理的解释，信息是系统有序程度的一个度量，熵是系统无序程度的一个度量；根据信息熵的定义，对于某项指标，可以用熵值来判断某个指标的离散程度，其信息熵值越小，指标的离散程度越大，该指标对综合评价的影响（即权重）就越大，如果某项指标的值全部相等，则该指标在综合评价中不起作用。因此，可利用信息熵这个工具，计算出各个指标的权重，为多指标综合评价提供依据。