数学建模：2.优劣解距离法（TOPSIS法）

（以下有大量的个人理解，可能有所偏差）

 一、

  上一节学过的层次分析法存在一定的局限性，主要体现在：

（1）如果n（事物）太多，判断矩阵和一致矩阵差异可能会很大。

（2）判断矩阵通常为人为填写，主观性太大，如果决策层中指标的数据是已知的，我们需要采用新的方法

二、

 应用该模型前需要注意一些事项

（1）##是越高（大）越好，这样的指标称为极大型指标（效益型指标）。
         ##越少（越小）越好，这样的指标称为极小型指标（成本型指标）。

（2） 将所有的指标转化为极大型称为指标正向化（最常用）。之所以要转换为极大指标，是因为“好”对应 一个较大数值，所有的统一起来，在求评分时，“好”可以在总的评分上凸显出来，从而让真正“好”的事物评分占优势

三、

  模型的应用过程：

   （1）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。

 有四种常见得指标：极大型指标，极小型指标，中间型指标，区间型指标

极小型指标转换为极大型指标的公式：max-x

 （2）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，也就是为了让不同单位的指标，在某种程度上进行相加。

（3） 计算得分并进行归一化处理，从而得到排名，求出最优解

得分计算过程中需要求评价对象与最大值，与最小值之间的欧氏距离

未归一化的得分计算公式：

四、基于熵权法对Topsis模型的修正

   在实际过程中，每项指标对总评分的贡献实际上是有所不同的,因此我们需要考虑实际情况计算权重。层次分析法计算权重有很强的主观性。因此我们采用熵权法。

熵权法的计算步骤：

（1） 判断输入的矩阵中是否存在负数，如果有则要重新标准化到非负区间
（后面计算概率时需要保证每一个元素为非负）

重新标准化公式为：

（2）计算第j项指标下第i个样本所占的比重，并将其看作相对熵计算中用到的概率

 实际上的意思就是对每一列单独进行归一化

（3）计算每个指标的信息熵，并计算信息效用值，并归一化得到每个指标的熵权

j的个数就是指标的个数，求出熵权的个数也是指标的个数 

该熵权体现在以下的求解

最后求得分即可

 仅记录一些自己学习过程中的心得与理解，许多概念并没有详细展开