数学建模清风课程笔记——第二章 TOPSIS法

TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)可翻译为逼近理想解排序法，国内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，其结果能够精确地反映各评价方案之间的差距。

---

评价类问题

1 TOPSIS法

TOPSIS法概念：

1. 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，其结果能够精确地反映个评价方案之间的差距。
2. 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，再针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与最劣方案之间的距离，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。

1.1 第一步：将原始矩阵正向化

所谓的正向化，就是要将所有的指标类型统一转化为极大型指标。（注意：转换的函数形式不唯一）

• 极大型指标：数值越大越好的指标，如成绩。
• 极小型指标：数值越小越好的指标，如争吵次数。

下表展示最常见的四种指标：

指标名称	指标特点	例子
极大型指标	越大越好	成绩、GDP增速、企业利润
极小型指标	越小越好	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

1.1.1 极小型指标->极大型指标

转换方法：

1. max-x
2. 如果所有的元素都是正数，也可以使用$\frac{1}{x}$。

示例如下表：

姓名	成绩	与他人争吵次数	正向化后的争吵次数
小明	89	2	1
小王	60	0	3
小张	74	1	2
小闵	99	3	0
指标类型	极大型	极小型	极大型

1.1.2 中间型指标->极大型指标

转换方法：

{$x_i$}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}|\},xi'=1-\frac{|x_{i}-x_{best}|}{M} M=max{∣xi​−xbest​∣},xi′=1−M∣xi​−xbest​∣​

示例如下：

PH值（转换前）	PH值（转换后）
6	$1-|\frac{6-7}{2}|=\frac{1}{2}$
7	$1-|\frac{7-7}{2}|=1$
8	$1-|\frac{8-7}{2}|=\frac{1}{2}$
9	$1-|\frac{9-7}{2}|=0$
$x_{best}=7$ $M=max{	6-7

1.1.3 区间型指标->极大型指标

转换方法：

{$x_i$}是一组中间型指标序列，且最佳区间为$[a,b]$，那么正向化公式如下: M = m a x { a − m i n { x i } , m a x { x i } − b } ， x i ′ = { 1 − a − x M ， x < a 1 , a ≤ x ≤ b 1 − x − b M , x > b \begin{equation} M=max\{a-min\{x_{i}\},max\{x_{i}\}-b\} \end{equation} ，x_{i}'=\begin{cases} 1-\frac{a-x}{M}，x<a \\ 1 \qquad ,a≤x≤b \\ 1-\frac{x-b}{M},x>b\end{cases} M=max{a−min{xi​},max{xi​}−b}​​，xi′​=⎩ ⎨ ⎧​1−Ma−x​，x<a1,a≤x≤b1−Mx−b​,x>b​

示例如下：

体温（转换前）	体温（转换后）
35.2	0.4286
35.8	0.8571
36.6	1
37.1	0.9286
37.8	0.4286
38.4	0
本题中， a = 36 , b = 37 , M = m a x { 36 − 35.2 , 38.4 − 37 } = 1.4 ， a=36,b=37,M=max\{36-35.2,38.4-37\}=1.4， a=36,b=37,M=max{36−35.2,38.4−37}=1.4，每个数据带入公式转换即可。

1.2 第二步：正向化矩阵标准化

目的：标准化是为了消除不同指标量纲的影响。

转换方法：

假设有n个要评价的对象，m个评价指标（已经正向化）构成的正向化矩阵如下：
$$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& \cdots & x_{1m}\\ x_{21}& x_{22}& \cdots & x_{2m}\\ ⋮& ⋮& \ddots & ⋮\\ x_{n1}& x_{n2}& \cdots & x_{nm}\end{array}\right]$$
那么，对其标准化的矩阵记作Z，Z中每一个元素：
$$z_{ij}=\frac{x_{ij}}{\sqrt{{\sum }_{i=1}^n}{x}_{ij}^2}$$
即$$\frac{每一个元素}{\sqrt{该元素所在列的元素平方和}}$$

1.3 计算得分并归一化

转换方法：

假设有n个要评价的对象，m个评价指标的标准化矩阵：
$$Z=\left[\begin{array}{cccc}{z}_{11}& z_{12}& \cdots & z_{1m}\\ z_{21}& z_{22}& \cdots & z_{2m}\\ ⋮& ⋮& \ddots & ⋮\\ z_{n1}& z_{n2}& \cdots & z_{nm}\end{array}\right]$$
定义最大值：
$$Z^{+}=(Z_1^{+},Z_2^{+},...,Z_m^{+})$$
= ( 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​})
即每一列元素中最大值构成的$1\times n$的行向量。
定义最小值：
$$Z^{-}=(Z_1^{-},Z_2^{-},...,Z_m^{-})$$
= ( 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​})
即每一列元素中最小值构成的$1\times n$的行向量。
定义第$i(i=1,2,\cdots ,n)$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$i(i=1,2,\cdots ,n)$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$i(i=1,2,\cdots ,n)$个评价对象未归一化的得分：$$S_i=\frac{D_i^{-}}{D_i^{-}+D_i^{+}}$$
很明显有$0\le S_i\le 1$，且$S_i$越大，$D_i^{-}$越大，越接近最大值。
上述计算过程整体而言可以用如下简洁语言描述出来：
$$\frac{z与最小值的距离}{z与最小值的距离+z与最大值的距离}$$

2 例题

题目：评价下表中20条河流的水质情况。
注：含氧量越高越好；PH值接近7越好；细菌总数越少越好；植物性营养物量介于10-20之间最佳。

河流	含氧量（ppm)	PH值	细菌总数(个/mL)	植物性营养物量（ppm)
A	4.69	6.59	51	11.94
B	2.03	7.86	19	6.46
C	9.11	6.31	46	8.91
D	8.61	7.05	46	26.43
E	7.13	6.5	50	23.57
F	2.39	6.77	38	24.62
G	7.69	6.79	38	6.01
H	9.3	6.81	27	31.57
I	5.45	7.62	5	18.46
J	6.19	7.27	17	7.51
K	7.93	7.53	9	6.52
L	4.4	7.28	17	25.3
M	7.46	8.24	23	14.42
N	2.01	5.55	47	26.31
O	2.04	6.4	23	17.91
P	7.73	6.14	52	15.72
Q	6.35	7.58	25	29.46
R	8.29	8.41	39	12.02
S	3.54	7.27	54	3.16
T	7.44	6.26	8	28.41
指标类型	极大型	中间型	极小型	区间型

代码求解：详情见文件夹中的topsis.m文件。
注：正向化矩阵X可以放在文章附录中。