学习笔记-TOPSIS法

模型介绍

C.L.Hwang 和 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

内容引出

鉴于层次分析法的局限性引出topsis法，即

1，决策层目标不能太多，n太大导致判断矩阵与一致矩阵相差太大

2，如果决策层中指标的数据是已知的，那么我们如何利用这些数据来使得

评价的更加准确呢？

注意点

（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。

具体步骤

第一步：将原始矩阵正向化

最常见的四种指标：

所谓的将原始矩阵正向化，就是要将所有的指标类型统一转化为极大型指标。（转换的函数形式可以不唯一哦~ ）

极小型指标 → 极大型指标

中间型指标 → 极大型指标

区间型指标 → 极大型指标

第二步：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

第三步：计算得分并归一化

带权重的TOPSIS

当然：层次分析法的主观性太强了，更推荐大家使用熵权法来进行客观赋值。