数学建模算法——优劣解距离法（自用）（评价类）

数学建模算法——topsis法（优劣解距离法）（自用）

优劣解距离法的概述

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

优劣解距离法的步骤

<1>. 将原始矩阵正向化，将所有的指标转化为极大型指标，常见的四种指标如下：

指标名称	指标特点
极大型指标	越大越好
极小型指标	越小越好
中间型指标	越接近某个值越好
区间型指标	落在某个区间最好

• 极小型转化为极大型指标的公式：max-x，若所有元素均为正数，那么也可以使用1/x
• 中间值可以使用：
  M = max ⁡ { ∣ x i − x b e s t ∣ } , x i ∗ = 1 − ∣ x i − x b e s t ∣ M M = \max \{ |{x_i} - {x_{best}}|\} ,x_i^*=1 - \frac{{|{x_i} - {x_{best}}|}}{M} M=max{∣xi​−xbest​∣},xi∗​=1−M∣xi​−xbest​∣​
• 区间型：最佳区间为[a,b]
  M = max ⁡ { a − min ⁡ { x i } , max ⁡ { x i } − b } , x i ∗ = { 1 − a − x M x < a 1 a ≤ x ≤ b 1 − x − b M b < x M = \max \{ a - \min \{ {x_i}\} ,\max \{ {x_i}\} - b\} ,x_i^*=\left\{ \begin{aligned} 1& - \frac{{a - x}}{M}&x<a\\ 1& &a\le x \le b\\ 1 &- \frac{{x - b}}{M}&b<x \end{aligned} \right. M=max{a−min{xi​},max{xi​}−b},xi∗​=⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧​111​−Ma−x​−Mx−b​​x<aa≤x≤bb<x​
  <2>.正向化矩阵标准化（消除不同指标的量纲影响）
  若已经得到了n个要评价的对象，m个评价指标构成的正向化矩阵，那么将矩阵中的每一个元素除以根号下所在列（评级指标列）的各个元素的平方和:
  $$z_{ij}=\frac{x_{ij}}{\sqrt{\sum _{i=1}^n{X}_{ij}^2}}$$
  <3>.计算得分并归一化（下图引用清风建模）
  
  再进行归一化处理得出对应评分