改进的TOPSIS算法-利用拉格朗日计算权重
1 TOPSIS方法
1981年由Yoon开发的TOPSIS方法尝试选择与正理想最大值具有最短距离,和负理想最大值有最远距离的候选方案。正理想最大值使效益评价准则最大化,使成本评价准则最小化,而负理想最大值使成本评价准则最大化,使效益评价准则最小化[9]。
首先得到由候选方案和评价准则组成的决策矩阵,其中为第m个候选方案的第n个评价准则。对矩阵做归一化处理:
其中为第个候选方案的第个评价准则。然后,将归一化决策矩阵的列乘以相关联的权重,以获得加权判决矩阵:
其中是第j个评价准则的权重值。
确定正理想最大值和负理想最大值。表示正理想最大值,表示负理想最大值。定义如下:
其中,为正向评价准则集合,即其中的评价准则尽量使得效益评价准则最大化,使成本评价准则最小化,则为负向评价准则集合,即其中的评价准则尽量使得效益评价准则最小化,使成本评价准则最大化。
接下来,分别获取最优解以及最劣解。基于欧氏距离、和分别从正理想最大值和负理想最大值中得出:
最后,计算每个候选方案与正理想最大值的距离C:
其中,表示第个候选方案与正理想最大值的距离。根据对候选方案进行排序,具有较高的候选方案更重要,应给予更高的优先级。
2、提出的方法
TOPSIS计算权重方法:
其中,
r
j
∗
=
{
(
m
a
x
i
r
i
j
∣
j
∈
J
)
o
r
(
m
i
n
i
r
i
j
∣
j
∈
J
′
)
}
r_j^{*}=\{(max_ir_{ij}|j\in J )or(min_ir_{ij}|j\in J^{'} )\}
rj∗={(maxirij∣j∈J)or(minirij∣j∈J′)},J是正向特征,$J^{’} $反之。
建立拉格朗日模型: