数学建模笔记二，优劣解距离法TOPSIS（评价类问题）

建模小白的自学分享之路

注：本文是对数学建模的学习笔记，来源于清风“数学建模算法讲解”

一.TOPSIS介绍

TOPSIS可翻译为理想解排序法，国内常称为优劣解距离法。TOPSIS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。其结果能精确的反映各评价方案之间的差距。

引入

对于上次提到的层次分析法，我们可以用它来得到各评价方案的得分以及评价方案用的指标的指标权重。但是层次分析法是有局限性的。
一，决策层不能过多，太多的话，n会很大，就会发现，判断矩阵和一致矩阵差异会比较大。
二，决策层的数据一旦被给定，此时，我们再通过判断矩阵来得到指标权重 [通过层次分析法可以得到决策层数据和指标权重] ，会变得难以避免主观判断，评价会有一定的偏差
三，再就是层次分析法始终都存在较多的主观性，难以摆脱。

二.一个指标的评价

这里给出一个小例子。[一个指标是可以直接得出评价的。但是我们所处理的问题往往是多个指标的问题（像一个指标，往往也用不了这么麻烦，直接排序就好了）。这里的例子就是引出对于问题的解决。旨在找到对于方案(也可以进一步理解为对象)评价的一个新指标，要尽可能的满足反映全部信息和评价要求]

姓名	数学成绩
清风	99
小王	60
小张	74
小明	89

上述表格来源于课程课件。我们对这种单一指标评价的话，可以直接采取排名的方式来做一个新指标评价系统。我们先放上一个排名来看看效果。

姓名	数学成绩	排名
清风	99	1
小王	60	4
小张	74	3
小明	89	2

1. 优化

直观上看上去好像没什么问题。但这是名次的排名，一旦把指标的种类扩展出去，比如这是GDP之类的，他就没有那么直观的可以看出“评价数值的分量”。也就是说我们更希望它可以随着实际数据而正相关。在这里的排名，我们可以采取倒置的办法。比如把第一名变为第四名。按照价值给分。

姓名	数学成绩	排名	修正后	评分
清风	99	1	4	4/10=0.4
小王	60	4	1	1/10=0.1
小张	74	3	2	2/10=0.2
小明	89	2	3	3/10=0.3

但随之而来了另一个问题，他不能实际反映原数据的大小。比如说，我们只要在不影响排名的情况下，可以随意修改成绩。如把99改成90并不影响新指标。我们自然希望它可以显示更多信息。所以，我们需要对我们的方法进行一定的修改。
关于具体方法的引入推导这里不再赘述。直接给出
可以看到，这里我们所得到的，基本是符合我们的要求的。

2.补充

但这里可能会有些不同的声音。比如说，这里可不可以直接用满分和零分代替max,min。这样更简便。
但是事实上是不可行的。主要取决于以下方面。
一，可能有些人想要优化是因为数据中在最大值和最小值上是1和0，不是很合理。但是这是因为我们给定的数据一般是多人的。对于得到的数据而言，往往这两个数据起不到决定性作用。
二，再就是我们之前提到过的问题，数据类型是很重要的。类似于工时数等，不存在理论上的最值。
三，往往我们需要评价的方案有多个指标。而一个方案基本上是不会同时占据所有指标的最值的。比如，一个人数学好，那他体育可能没那么好。这样子，在最终的成绩上显示的就是他的得分的“分量”了

三.多个指标下的综合评价

首先，我们从一个指标的情况中可以看到，指标类型和数目往往是起到关键作用的。所以我们先来搞清楚指标类型有哪些。

1.指标类型

对于指标类型，主要分为四类。

对于一组数据里如果同时有几种指标的话，我们是难以量化评价的。因为评价的标准不一样。
比如，

方案	收入（万元）	成本（万元）
A	750	20
B	500	10

很明显，我们看这组数据的时候，收入是极大型指标，而成本是极小型指标。所以我们难以直接的得到我们想要的评价信息。这时候，我们往往就需要统一转化。我们往往把他们都转化成极大型指标。也就是我们要把原始矩阵正向化。
这边用一些课件内容中的案例给大家，讲解一下如何正向化。【正向化的方法和函数不一定完全一致】

2.标准化处理

我们正向处理完之后，对于数据而言，我们要得到的是一个新的指标来评价各个方案，我们可以理解为得分，但不同种的数据他们实际类型也不一样。具体来讲就是量纲是不用的。也就是单位不一致。所以，我们需要再对这些数据进行一定的标准化处理。使他们在统一的量纲里。这里给出标准化处理的计算公式
其实就是对每一列进行求平方和然后开方求占比的操作。

3.计算得分

对于得分的计算，我们可以仿照对于一个指标的情况下的讨论，来进行延拓。【下图的例子都是课件内容】
这里面的距离都是欧式距离。就是多维空间两点之间距离公式。可以用二维空间公式进行对比。我们是通过对多维空间中距离大小的判断来判断实际数据的大小，也就是通过距离判断“得分”。课件内容比较详细。在此不一一赘述。【初学者如果看不懂，可以结合着对于距离的理解再仔细看看】

四.TOPSIS方法总结

1.方法步骤

1.将原始矩阵正向化。（统一数据类型）
2.将正向化矩阵标准化。（统一量纲）
3.计算得分

2.补充说明

我们之前讲了，正向化的方法可以有很多，其实标准化的方法也有很多。具体哪一种方法并没有太大的差别。这里采用的是用的较多的方法。
再就是归一化与标准化的一些说明。

3.模型扩展

仔细看过过程可能会有这样的一个疑问，在我们的例子中，我们是将不同的数据组直接运算，好像没有关心他们的权重问题。在我们的例子中，是默认了权重都是1.那么对于实际权重，我们可以采取层析分析法和熵权法进行赋值。关于熵权法的内容会在之后的笔记里分享