数学建模系列---Topsis优劣解距离法

最新推荐文章于 2023-09-25 17:36:31 发布

cm959

最新推荐文章于 2023-09-25 17:36:31 发布

阅读量2.2k

点赞数 1

分类专栏：数学建模文章标签：数学建模算法

本文链接：https://blog.csdn.net/moonandsunlove/article/details/118253520

版权

数学建模专栏收录该内容

6 篇文章 39 订阅

订阅专栏

一.前言

1.什么时候要用Topsis？

求解评价类问题时会用到topsis法，且题干以给出相关数据。

2.topsis与层次分析法的区别？

当决策层数据过多时，用层次分析法会特别麻烦。

层次分析法不可以利用题干给出的决策层相关数据，而topsis可以。

3.topsis的概念是什么？

先看一下百度百科的解释：

TOPSIS （Technique for Order Preference by Similarity to an Ideal Solution ）法是C.L.Hwang和K.Yoon于1981年首次提出，TOPSIS法根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价。

TOPSIS的中文名为：优劣解距离法，从其名可得两个重要信息：优劣解、距离。

那么topsis算法的核心正是这两点，举个例子：

NBA要对5名球星：科比、詹姆斯、哈登、巴特勒、杜兰特进行综合实力评估。评估的指标体系是：三分命中率罚球命中率场均助攻数场均失误数场均得分数。即用这5个指标来综合评估球员实力，虚拟数据如下：

如表所示，场均得分数该列指标有5个数据，最优解为：36，最劣解：21，若要利用topsis法对球员的场均得分数这一指标进行评分，评分的依据是：得分数距离最优解36越近，则打分越高，距离最劣解21越近，则打分越低。所以詹姆斯的评分应最高，杜兰特则最低。在此处只是简单解释topsis的原理，具体实现步骤后文会详细阐明。

二.实现步骤

假设有n个要评价的对象，m个评价指标构成的矩阵如下：

2.1 正向化评价矩阵X

对常见4种指标的说明如下表所示：

我们的评价矩阵X中的各指标可能不同属于一个指标类型，例如上面的球员数据表，场均得分数为正向（极大型）指标，场均失误数为负向（级小型）指标，那我们需要将不同类型的指标统一为正向（极大型）指标，对于不同类型的指标，对其正向化的方法不同。

极小型指标 -- >极大型指标
- max-x或者1/x（无负数时）
中间型指标 -->极大型指标
- 公式
区间型指标--极大型指标直接看清风老师的课件，如下图所示：

2.2标准化矩阵

通过上一步的处理，我们得到了矩阵Z

现在对经过正向化处理的矩阵Z进行标准化：每个元素除以该元素所在列的和。

$z_{i j}=x_{i j} / \sqrt{\sum_{i=1}^{n} x_{i j}^{2}}$

标准化的目的：消除各指标量纲的影响

2.3计算得分且归一化

思路：求出各列元素的优、劣解，然后计算各元素与之的距离，然后代入公式求得分。

先求出各列元素的优、劣解

定义最优解（最大值）为：

$Z^{+}=\left(Z_{1}^{+}, Z_{2}^{+}, \cdots, Z_{m}^{+}\right)=\left(\max \left\{z_{11}, z_{21}, \cdots, z_{n 1}\right\}, \max \left\{z_{12}, z_{22}, \cdots, z_{n 2}\right\}, \cdots, \max \left\{z_{1 m}, z_{2 m}, \cdots, z_{m m}\right\}\right)$

定义最劣解（最小值）为：

$Z^{-}=\left(Z_{1}^{-}, Z_{2}^{-}, \cdots, Z_{m}^{-}\right)=\left(\min \left\{z_{11}, z_{21}, \cdots, z_{n 1}\right\}, \min \left\{z_{12}, z_{22}, \cdots, z_{n 2}\right\}, \cdots, \min \left\{z_{1 m}, z_{2 m}, \cdots, z_{n m}\right\}\right)$

分别定义第 $i(i=1,2, \cdots, n)$ 个评价对象与最大、小值的距离为：

$D_{i}^{+}=\sqrt{\sum_{j=1}^{m}\left(Z_{j}^{+}-z_{i j}\right)^{2}}$ $D_{i}^{-}=\sqrt{\sum_{j=1}^{m}\left(Z_{j}^{-}-z_{i j}\right)^{2}}$

此时我们以求出各评价对象距离优劣解的距离，接下来利用公式来求得分 $S_{i}$

$S_{i}=\frac{D_{i}^{-}}{D_{i}^{+}+D_{i}^{-}}$

显然 $S_{i}$ 是属于【0,1】的，因为两个距离都为正值，并且可以看出距离最优值越近，则 $D_{i}^{+}$ 越小， $S_{i}$ 越大，这也正符合我们之前的分析。

接下来对 $S_{i}$ 归一化： $\tilde{S}_{i}=S_{i} / \sum^{n} S_{i}$ ，此时各得分之和等于1.

现在我们就求出了各个评价对象的评分！

三.说明

（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。所以优劣解不取理论值，而在样本范围内找max min.

cm959

关注

1
点赞
踩
17

收藏

觉得还不错? 一键收藏
0
评论
数学建模系列---Topsis优劣解距离法

一.前言 1.什么时候要用Topsis？求解评价类问题时会用到topsis法，且题干以给出相关数据。 2.topsis与层次分析法的区别？当决策层数据过多时，用层次分析法会特别麻烦。层次分析法不可以利用题干给出的决策层相关数据，而topsis可以。 3.topsis的概念是什么？先看一下百度百科的解释：TOPSIS （Technique for Order Preference ...
复制链接

扫一扫