(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