数学建模—TOPSIS法

数学建模—TOPSIS法

定义

​ TOPSIS法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，其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。

​ 那如何计算指标呢？

​ 那么我们假设只有一个指标计算得分，例如

姓名	成绩
小王	99
小陈	100
小李	60
小明	72

将此数据转化为矩阵
$$\left[\begin{array}{lccc}{z}_{11}& z_{12}& \cdots & z_{1m}\\ z_{21}& z_{22}& \cdots & z_{2m}\\ ⋮& ⋮& \ddots & ⋮\\ z_{n1}& z_{n2}& \cdots & z_{nm}\end{array}\right]$$

topsis中参数的定义

定义最大值
z + = （ z 1 + , z 2 + , . . . , z m + ） = ( max ⁡ { z 11 , z 21 , . . . , z n 1 } , max ⁡ { z 12 , z 22 , . . . , z n 2 } , . . . , max ⁡ { z 1 m , z 2 m , . . . , z n m } ) z^+=\text{（}z_{1}^{+},z_{2}^{+},...,z_{m}^{+}\text{）}=\left( \max \left\{ z_{11},z_{21},...,z_{n1} \right\} ,\max \left\{ z_{12},z_{22},...,z_{n2} \right\} ,...,\max \left\{ z_{1m},z_{2m},...,z_{nm} \right\} \right) \\ z+=（z1+​,z2+​,...,zm+​）=(max{z11​,z21​,...,zn1​},max{z12​,z22​,...,zn2​},...,max{z1m​,z2m​,...,znm​})
定义最小值
z − = （ z 1 − , z 2 − , . . . , z m − ） = ( min ⁡ { z 11 , z 21 , . . . , z n 1 } min ⁡ { z 12 , z 22 , . . . , z n 2 } , . . . , min ⁡ { z 1 m , z 2 m , . . . , z n m } ) z^-=\text{（}z_{1}^{-},z_{2}^{-},...,z_{m}^{-}\text{）}=\left( \min \left\{ z_{11},z_{21},...,z_{n1} \right\} \min \left\{ z_{12},z_{22},...,z_{n2} \right\} ,...,\min \left\{ z_{1m},z_{2m},...,z_{nm} \right\} \right) z−=（z1−​,z2−​,...,zm−​）=(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
$$D_i^{+}=\sqrt{\sum \begin{array}{c}m\\ j=1\end{array}{\left(Z_j^{+}-z_{ij}\right)}^2}$$
定义第i（i=1，2，… ，n）个评价对象与最小值的距离
$$D_i^{-}=\sqrt{\sum \begin{array}{c}m\\ j=1\end{array}{\left(Z_j^{-}-z_{ij}\right)}^2}$$
那么，我么可一计算得出第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，S越大D+越小，即最接近最大值

那我们举个例子

姓名	成绩	与同学发生吵架的次数	正向化吵架次数
小明	89	2	1
小王	60	0	3
小张	74	1	2
小陈	99	3	0
指标类型	级大型	极小型	极大型

先对指标矩阵进行标准化，标准化处理的计算公式

假设有n个要评价的对象，m个评价指标（经过正向化）构成的正向化矩阵如下：
$$X=\left[\begin{array}{lccc}{z}_{11}& z_{12}& \cdots & z_{1m}\\ z_{21}& z_{22}& \cdots & z_{2m}\\ ⋮& ⋮& \ddots & ⋮\\ z_{n1}& z_{n2}& \cdots & z_{nm}\end{array}\right]$$
那么，对其标准化的矩阵记为Z，Z中的每一个元素：
$$m_{ij}=z_{ij}/\sqrt{\sum \begin{array}{c}n\\ i=1\end{array}{x}_{ij}^2}$$
那么通过matlab：
$$\left[\begin{array}{lc}89& 1\\ 60& 3\\ 74& 2\\ 99& 0\end{array}\right]⟹\left[\begin{array}{lc}0.5437& 0.2673\\ 0.3665& 0.8018\\ 0.4520& 0.5345\\ 0.6048& 0\end{array}\right]$$
代码如下：

x = [89,1;60,3;74,2;99,0]
[n,m]=size(x)
x./repmat(sum(x.*x).∧0.5,n,1)
%关于repmat函数的使用，在博主的matlab使用中已经提过

那如何计算该例子得分呢？

姓名	成绩	与同学发生吵架的次数
小明	0.5437	0.2673
小王	0.3665	0.8018
小张	0.4520	0.5345
小陈	0.6048	0

最大值：[0.6048,0.8018] 最小值：[0.3665,0]

根据matlab可计算

姓名	D+	D-	未归一化的的得分	归一化后的得分	得分
小明	0.5380	0.3206	0.3734	0.1857	3
小王	0.2382	0.8018	0.7709	0.3834	1
小张	0.3078	0.5413	0.6375	0.3170	2
小陈	0.8018	0.2382	0.2291	0.1139	4

代码：

x = [89 1;6,3;74,2;99,0]
[n,m] = size(x)
Z = x./repmat(sum(x.*x).∧0.5,n,1)
D_P = sum([(z-repmat(max(z),n,1)).∧2],2).∧0.5 %D+
D_N = sum([(z-repmat(min(z),n,1)).∧2],2).∧0.5 %D-

计算步骤

第一步：将原始矩阵正向化

极小型—> 极大型 max-x

中间型—>极大型

区间型—>极大型

第二步：正向化矩阵标准化

注：例题中有说明

第三步：计算得分并归一化

注：例题中有说明

作业题：

注：下期会进行讲解