Topsis 优劣解距离法

Topsis 优劣解距离法

用于有具体数据评价

初步评价思路

利用已有数据，找到数据中的最大值和最小值，构造计算评分公式$\frac{x-min}{max-min}$
但是也存在一些不完善的地方：

1. 比较的对象一般要远大于两个。（例如比较一个班级的成绩）
2. 比较的指标也往往不只是一个方面的，例如成绩、工时数、课外竞赛得分等。
3. 有很多指标不存在理论上的最大值和最小值，例如衡量经济增长水平的指标：GDP增速。

TOPSIS的介绍

C.L.Hwang 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。

Topsis步骤

1.原始矩阵正向化

评价指标类型

指标名称	指标特点	例子
极大型（效益型）指标	越大（多）越好	成绩、GDP增速、企业利润
极小型（成本型）指标	越小（少）越好	费用、坏品率、污染程度
中间型指标	越接近某个值越好	水质量评估时的PH值
区间型指标	落在某个区间最好	体温、水中植物性营养物量

在评价前，需要将所有的指标转化为极大型——也叫指标正向化（转化的函数形式可以不唯一）

转化的方法

极小型指标->极大型指标

极小型指标转换为极大型指标的公式：$max-x$，如果所有的元素均为正数，那么也可以使用$\frac{1}{x}$

中间型指标->极大型指标

中间型指标：指标值既不要太大也不要太小，取某特定值最好（如水质量评估PH值） { x i } \{x_i\} {xi​}是一组中间型指标序列，且最佳的数值为$x_{best}$，那么正向化的公式如下：

M = m a x { ∣ x i − x b e s t ∣ } ， x i ~ = 1 − ∣ x i − x b e s t ∣ M M=max\{|x_i-x_{best}|\}，\tilde{x_i}=1-\frac{|x_i-x_{best}|}{M} M=max{∣xi​−xbest​∣}，xi​~​=1−M∣xi​−xbest​∣​

区间型指标->极大型指标

区间型指标：指标值落在某个区间内最好，例如人的体温在36°~37°这个区间比较好。
{ x i } \{x_i\} {xi​}是一组区间型指标序列，且最佳的区间为$[a，b]$，那么正向化的公式如下：

M = max ⁡ { a − min ⁡ { x i } , max ⁡ { x i } − b } , x ~ i = { 1 − a − x i M , x i < a 1 , a ≤ x i ≤ b 1 − x i − b M , x i > b M=\max \left\{a-\min \left\{x_{i}\right\}, \max \left\{x_{i}\right\}-b\right\}, \tilde{x}_{i}= \begin{cases}1-\frac{a-x_{i}}{M} & , x_{i}<a \\ 1 & , a \leq x_{i} \leq b \\ 1-\frac{x_{i}-b}{M}, & x_{i}>b\end{cases} M=max{a−min{xi​},max{xi​}−b},x~i​=⎩ ⎨ ⎧​1−Ma−xi​​11−Mxi​−b​,​,xi​<a,a≤xi​≤bxi​>b​

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

假设有n个要评价的对象，m个评价指标（已经正向化了）构成的正向化评价矩阵如下：
$$X=\left[\begin{array}{ccc}{x}_{11}& x_{12}& \begin{array}{cc}\cdots & x_{1m}\end{array}\\ x_{21}& x_{22}& \begin{array}{cc}\cdots & x_{2m}\end{array}\\ \begin{array}{c}⋮\\ x_{n1}\end{array}& \begin{array}{c}⋮\\ x_{n2}\end{array}& \begin{array}{c}\begin{array}{cc}\ddots & ⋮\end{array}\\ \begin{array}{cc}\cdots & x_{nm}\end{array}\end{array}\end{array}\right]$$
那么，对其标准化的矩阵记为Z，Z中的每一个元素：
$z_v=x_v/\sqrt{{\sum }_{i=1}^n{x_v}^2}$ 即：$每一个元素/\sqrt{其所在列的元素的平方和}$

标准化的方法不唯一，这个只是最常用的方法

3.计算得分并归一化

如何计算得分

只要一个指标时，构造计算评分的公式：$z=\frac{x-min}{max-min}$

变形为：$$z=\frac{x-min}{max-min}=\frac{x-min}{(max-x)+(x-min)}$$

可看作：$z=\frac{x与最小值得距离}{x与最大值的距离+x与最小值的距离}$

如何归一化

定义最大值$Z^{+}$=(${Z_1}^{+},{Z_2}^{+},{Z_3}^{+},\cdot \cdot \cdot ,{Z_m}^{+}$)
=( m a x { z 11 , z 21 , ⋯   , z n 1 } , m a x { z 12 , z 22 , ⋯   , z n 2 } , ⋯   , m a x { z 1 m , z 2 m , ⋯   , z n m } max\{z_{11},z_{21},\cdots,z_{n1}\},max\{z_{12},z_{22},\cdots,z_{n2}\},\cdots,max\{z_{1m},z_{2m},\cdots,z_{nm}\} max{z11​,z21​,⋯,zn1​},max{z12​,z22​,⋯,zn2​},⋯,max{z1m​,z2m​,⋯,znm​})

定义最小值$Z^{-}$=(${Z_1}^{-},{Z_2}^{-},{Z_3}^{-},\cdot \cdot \cdot ,{Z_m}^{-}$)
=( m i n { z 11 , z 21 , ⋯   , z n 1 } , m i n { z 12 , z 22 , ⋯   , z n 2 } , ⋯   , m i n { z 1 m , z 2 m , ⋯   , z n m } min\{z_{11},z_{21},\cdots,z_{n1}\},min\{z_{12},z_{22},\cdots,z_{n2}\},\cdots,min\{z_{1m},z_{2m},\cdots,z_{nm}\} min{z11​,z21​,⋯,zn1​},min{z12​,z22​,⋯,zn2​},⋯,min{z1m​,z2m​,⋯,znm​})

定义第i（i=1，2，…，n）个评价对象与最大值的距离${D_i}^{+}=\sqrt{{\sum }_{j=1}^m({Z_j}^{+}-z_{ij}{)}^2}$

定义第i（i=1，2，…，n）个评价对象与最小值的距离${D_i}^{-}=\sqrt{{\sum }_{j=1}^m({Z_j}^{-}-z_{ij}{)}^2}$

那么，我们可以计算得出第i（i=1，2，…，n）个评价对象未归一化的得分：$S_i=\frac{{D_i}^{-}}{{D_i}^{+}+{D_i}^{-}}$
很明显$0<S_i<1$，$且S_i越大{D_i}^{+}越小$，即越接近最大值。

我们可以将得分归一化：$\widetilde{S_i}=S_i/{\sum }_{i=1}^n{S}_i$, 这样的话${\sum }_{i=1}^n\widetilde{S_i}=1$

PS：清风老师的数模课程和其他课程比起来，质量很高，并且听起来也很有趣，让人容易接受这些知识，愿意去学习枯燥的数学模型。如果在准备数模比赛的话，强烈推荐入手！以上为个人亲身实际感受，仅供参考。