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
![](https://i-blog.csdnimg.cn/blog_migrate/9840b05229351a0ba7e5b65d73a791f4.png)
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?
![](https://i-blog.csdnimg.cn/blog_migrate/b11a22abf0c55a6a2f56de7dbf6edbb0.png)
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:
![](https://i-blog.csdnimg.cn/blog_migrate/059f635c600bfc8298e271ad7acc0c81.png)
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
![](https://i-blog.csdnimg.cn/blog_migrate/54a603143fc9ca59e7931d40b6c9b34b.png)
中间型指标 → 极大型指标
![](https://i-blog.csdnimg.cn/blog_migrate/81c4e9cb78d7f6e2c2bc7e1ac7b6f53b.png)
区间型指标 → 极大型指标
![](https://i-blog.csdnimg.cn/blog_migrate/7ca0222164f014038b4e3ac1e9555e72.png)
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
![](https://i-blog.csdnimg.cn/blog_migrate/c2245752d954c175841892c10ae261cd.png)
第三步:计算得分并归一化
![](https://i-blog.csdnimg.cn/blog_migrate/e0b28e033b91efda67b27cf5ff8d5ee7.png)
带权重的TOPSIS
![](https://i-blog.csdnimg.cn/blog_migrate/3583ee1c6892ea0c7880d4b518117810.png)
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。