去模块化模型1：TOPSIS去模块化讲解

目录

标题1 TOPSIS基础模型

标题二MATLAB代码及运行结果

---

标题1 TOPSIS基础模型

TOPSIS（Technique for Order of Preference by Similarity to Ideal Solution）是一种多属性决策分析方法，用于评估多个候选方案的优劣。它基于两个关键概念：理想解和负理想解。

TOPSIS的基础模型包括以下步骤：

1. 确定决策矩阵：将所有候选方案的属性值组成一个决策矩阵，其中每一行代表一个候选方案，每一列代表一个属性。

2. 归一化决策矩阵：对决策矩阵进行归一化处理，将每个属性的值映射到[0, 1]的范围内。常用的归一化方法有线性归一化和标准化。

3. 确定权重向量：根据决策者的主观判断或者客观数据，确定每个属性的权重。权重向量的和应为1。

4. 确定理想解和负理想解：根据属性的性质，确定理想解和负理想解。对于指标越大越好的属性，理想解为每个属性的最大值，负理想解为每个属性的最小值。对于指标越小越好的属性，理想解为每个属性的最小值，负理想解为每个属性的最大值。

5. 计算正负理想解之间的欧氏距离：对于每个候选方案，计算其与理想解和负理想解之间的欧氏距离。

6. 计算接近程度：根据欧氏距离，计算每个候选方案与理想解的接近程度。接近程度越大，表示候选方案越优。

7. 排序：根据接近程度，对候选方案进行排序，确定最优方案。

TOPSIS方法的优点是简单易懂，适用于多属性决策问题。然而，它也有一些限制，如对权重的确定较为主观，对属性值的归一化方法的选择可能影响结果等。因此，在使用TOPSIS方法时需要注意这些问题。

标题二MATLAB代码及运行结果

代码：

% 输入数据矩阵
X = [3 4 2; 5 2 1; 1 3 4; 2 1 5];

% 权重向量
W = [0.4 0.3 0.3];

% 归一化矩阵
X_norm = X ./ sqrt(sum(X.^2));

% 理想解和负理想解
ideal_solution = max(X_norm);
negative_ideal_solution = min(X_norm);

% 计算距离
D_positive = sqrt(sum((X_norm - ideal_solution).^2, 2));
D_negative = sqrt(sum((X_norm - negative_ideal_solution).^2, 2));

% 计算相对接近度
C = D_negative ./ (D_positive + D_negative);

% 排序并输出结果
[~, rank] = sort(C, 'descend');
disp(rank);

 

运行结果：