【Matlab数学建模】TOPSIS（优劣解距离法）

一、问题引入

  先分析一下层次分析法的不足。

  ① 平均随机一致性指标RI的表格中，n最大为15。那么n太大的话，无法进行一致性检验。

  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?

二、极大型指标构造计算评分

  ① 第一步：求最大最小值。

  ② 第二步：带入构造计算评分的公式$\frac{x-min}{max-min}$。

  ③ 第三步：进行归一化。

  代码演示：

function res = func(a)
	mnmx = minmax(a);
	res = (a - mnmx(1)) / (mnmx(2) - mnmx(1));
	res = res / sum(res);
end

  （注：上面的评分规则是不正确的，只是用来抛砖引玉，正确的评分规则见下文“三、标准化”）

  但是有时候评分不是越大越好，而是越小越好，或者越接近某个值越好，越接近某个区间越好。那就要把这些指标转换成极大型。这个过程叫做正向化。

  但是不同指标的量纲是不一样的，为了消除量纲带来的影响，我们需要进行标准化。

  下面先介绍标准化，在介绍正向化。

三、标准化

  例如对于m个要评价的对象，n个评价指标的正向化矩阵：
$$X=\left(\begin{array}{cccc}{x}_{11}& x_{12}& \cdots & x_{1n}\\ x_{21}& x_{22}& \cdots & x_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ x_{m1}& x_{m2}& \cdots & x_{mn}\end{array}\right)$$
  将标准化后的矩阵记作Z，则Z中的每一个元素满足:
$$z_{ij}=\frac{x_{ij}}{\sqrt{\sum _{i=1}^m{x}_{ij}^2}}$$
  用代码描述为：

function Z = func(X)
	[m, ~] = size(X);
	Z = X ./ repmat(sum(X .^ 2) .^ 0.5, m, 1);
end

  接下来对标准化矩阵求解各指标得分：
$$Z=\left(\begin{array}{cccc}{z}_{11}& z_{12}& \cdots & z_{1n}\\ z_{21}& z_{22}& \cdots & z_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ z_{m1}& z_{m2}& \cdots & z_{mn}\end{array}\right)$$
$$\begin{gathered} 令Z_j^{+}=\max (z_{1j},z_{2j},\cdots ,z_{mj}) \\ {Z}_j^{-}=\min (z_{1j},z_{2j},\cdots .z_{mj}) \end{gathered}$$
$$\begin{gathered} D^{+}=(Z_1^{+},Z_2^{+},\cdots ,Z_j^{+}) \\ {D}^{-}=(Z_1^{-},Z_2^{-},\cdots ,Z_j^{-}) \end{gathered}$$
$$D_i^{+}=\sqrt{\sum _{j=1}^n(Z_j^{+}-z_{ij}{)}^2}$$
$$\begin{gathered} D_i^{-}=\sqrt{\sum _{j=1}^n(Z_j^{-}-z_{ij}{)}^2} \\ 未归一化的评分S_i=\frac{D_i^{-}}{D_i^{+}+D_i^{-}} \end{gathered}$$
  代码描述为：

function S = func(Z)

	ZP = sum((repmat(max(Z), size(Z, 1), 1) - Z) .^ 2, 2) .^ 0.5;
	ZN = sum((repmat(min(Z), size(Z, 1), 1) - Z) .^ 2, 2) .^ 0.5;
	
	S = ZN / (ZP + ZN);
	S = S ./ sum(S);
	
end

  长度还能再凹一下：

function S = func(Z)
	S = 1 ./ (1 + sum((repmat(max(Z), size(Z, 1), 1) - Z) .^ 2, 2) .^ 0.5 ./ sum((repmat(min(Z), size(Z, 1), 1) - Z) .^ 2, 2) .^ 0.5);
	S = S ./ sum(S);
end

四、正向化

① 极小型

  非常简单： x i ~ = m a x { x } − x i \widetilde{x_i} = max\{x\} - x_i xi​ ​=max{x}−xi​

function res = func(x)
	res = max(x) - x;
end

② 中间型

  设最佳取值为$x_{best}$，则正向化公式如下：
M = m a x { ∣ x − x b e s t ∣ } M = max\{|x - x_{best}|\}\\ M=max{∣x−xbest​∣}
$$\widetilde{x_i}=1-\frac{|x_i-x_{best}|}{M}$$

function res = func(x, x_best)
	dis = abs(x - x_best);
	res = 1 - dis / max(dis);
end

④ 区间型

  设最佳区间为$[a,b]$，则正向化公式如下：
M = m a x { a − min ⁡ { x i } , max ⁡ { x i } − b } M = max\{a - \min\{x_i\}, \max\{x_i\} - b\} M=max{a−min{xi​},max{xi​}−b}
$$\widetilde{x_i}=\{\begin{array}{r}1-\frac{a-x_i}{M},x_i<a\\ 1,a\le x_i\le b\\ 1-\frac{x_i-b}{M},x_i>b\end{array}$$

function res = func(x, ab)
	
	l = x < ab(1);
	other = ab(1) <= x & x <= ab(2);
	g = ab(2) < x;
	
	M = max([ab(1) - min(x), max(x) - ab(2)]);
	
	res(l) = 1 - (ab(1) - x(l)) / M;
	res(other) = 1;
	res(g) = 1 - (x(g) - ab(2)) / M;
	
end