TOPSIS法笔记（优劣解距离法）

省东

已于 2022-09-12 21:38:22 修改

阅读量265

点赞数

分类专栏：数学建模文章标签：算法线性代数矩阵 matlab

于 2022-09-12 21:35:58 首次发布

本文链接：https://blog.csdn.net/m0_61294299/article/details/126822802

版权

数学建模专栏收录该内容

2 篇文章 0 订阅

订阅专栏

一、概述

C.L.Hwang 和K.Yoon 于1981年首次提出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。

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。

二、四种常见指标

三、TOPSIS法的步骤

3.1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为极大型指标。

3.1.1极小型指标转化为极大型指标

①常用公式： $\max -x$ .

②如果所有元素均为正数，那么也可以使用 $\frac{1}{x}$ .

3.1.2中间型指标转化为极大型指标

$\left\{ x_i \right\}$ 是一组中间型指标序列，且最佳的数值为 $x_{best}$ ，那么正向化公式为： $M=\max \left\{ \left| x_i-\left. x_{best} \right| \right. \right\} ,\widetilde{x_i}=1-\frac{\left| x_i-\left. x_{best} \right| \right.}{M}$ .

3.1.3区间型指标转化为极大型指标

$\left\{ x_i \right\}$ 是一组区间型指标序列，且最佳的区间为 $\left[ a,b \right]$ ，那么正向化的公式如下： $M=\max \left\{ a-\min \left\{ x_i \right\} ,\max \left\{ x_i \right\} -b \right\} ,\widetilde{x_i}=\begin{cases} 1-\frac{a-x_i}{M},x_i<a\\ 1 ,a\leqslant x_i\leqslant b\\ 1-\frac{x_i-b}{M}\,\,,x_i>b\\\end{cases}$ .

3.2正向化矩阵标准化

3.3计算得分并归一化

四、模型推广（带权重的TOPSIS）

4.1计算权重

有n个要评价的对象，m个评价指标的标准化矩阵： $Z=\left[ \begin{matrix} z_{11}& z_{12}& \cdots& z_{1m}\\ z_{21}& z_{22}& \cdots& z_{2m}\\ \vdots& \vdots& \ddots& \vdots\\ z_{n1}& z_{n2}& \cdots& z_{nm}\\\end{matrix} \right]$ ，可以使用层次分析法给这m个评价指标确定权重： $\sum_{j=1}^m{\omega _j}=1$ .

注：层次分析法的主观性过强，推荐使用熵权法进行客观赋值。

4.2计算得分

省东

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
TOPSIS法笔记（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。
复制链接

扫一扫