数学建模各类常用的算法（三）

TOPSIS综合评价模型

基本思想

        TOPSIS模型是根据评价对象与理想化目标的接近程度进行排序的方法，是一种距离综合评价方法。基本思路是通过假定正、负理想解，测算各样本与正、负理想解的距离，得到其与理想方案的相对贴近度
基本步骤
        指标同向化、标准化并得到权重；得到加权后的规范化矩阵；确定正、负理想解；计算各样本距离正、负理想解的距离；计算各评价对象与最优方案的贴近程度
优点
        避免了数据的主观性，不需要目标函数，不用通过检验，而且能够很好的刻画多个影响指标的综合影响力度。对于数据分布及样本量、指标多少无严格限制，既适于小样本资料，也适于多评价单元、多指标的大系统,较为灵 活、方便。
缺点
        需要的每个指标的数据，对应的量化指标选取会有一定难度。不确定指标的选取个数为多少适宜，才能够去很好刻画指标的影响力度。必须有两个以上的研究对象才可以进行使用
适用范围
        Topsis法被广泛用于企业管理、市场营销、投资决策等领域。主要适用于评价指标相对较多，指标间相互独立。
改进方法
       在 TOPSIS 当中，默认了各个评价指标所占的权重相同，但在实际的评价过程当中由于各种主观客观因素的影响， 导致每一个评价指标所占的权重是有差异的;
1. 主观权重——层次分析法（ AHP)
2. 客观权重——熵权法

 参考案例

数据来源：蓝奏云

% TOPSIS法
clc;
clear;
data=xlsread('D:\matlab\dataset\TOPSIS.xlsx');
% 标准化  标准化处理后数据为data1
data1=data;
for j=1:size(data1,2)
    data1(:,j)=data(:,j)./sqrt(sum(data(:,j).^2));
end
% 得到信息熵
[m,n]=size(data1);
p=zeros(m,n);
for j=1:n
    p(:,j)=data1(:,j)/sum(data1(:,j));
end
for j=1:n
    E(j)=-1/log(m)*sum(p(:,j).*log(p(:,j)));
end
% 计算权重
w=(1-E)/sum(1-E);
% 得到加权重后的数据
% w=[0.3724,0.1003,0.1991,.1991,.0998,0.0485]; %使用求权重的方法求得
R=data1*w';
% 得到最大值和最小值距离
r_max=max(R);  %每个指标的最大值
r_min=min(R);  %每个指标的最小值
d_z=sqrt(sum([(R -repmat(r_max,size(R,1),1)).^2],2));% d+向量
d_f=sqrt(sum([(R -repmat(r_min,size(R,1),1)).^2],2));% d-向量
sum(data,2); %对列求和
% 得到得分
s=d_f./(d_z+d_f);
Score=100*s/max(s);
for i=1:length(Score)
    fprintf('第%d个投标者百分制评分为：%d\n',i,Score(i));
end

代码解读 

1.读取数据

 data=xlsread('D:\matlab\dataset\TOPSIS.xlsx');

2.数据标准化

data1=data;
for j=1:size(data1,2)
    data1(:,j)=data(:,j)./sqrt(sum(data(:,j).^2));
end

3.得到信息熵

[m,n]=size(data1);
p=zeros(m,n);
for j=1:n
    p(:,j)=data1(:,j)/sum(data1(:,j));
end
for j=1:n
    E(j)=-1/log(m)*sum(p(:,j).*log(p(:,j)));
end

4.计算权重并计算权重数据

% 计算权重
w=(1-E)/sum(1-E);
% 得到加权重后的数据
% w=[0.3724,0.1003,0.1991,.1991,.0998,0.0485]; %使用求权重的方法求得
R=data1*w';

5.得到最大值和最小值距离

% 得到最大值和最小值距离
r_max=max(R);  %每个指标的最大值
r_min=min(R);  %每个指标的最小值
d_z=sqrt(sum([(R -repmat(r_max,size(R,1),1)).^2],2));% d+向量
d_f=sqrt(sum([(R -repmat(r_min,size(R,1),1)).^2],2));% d-向量

6.计算得分

% 得到得分
s=d_f./(d_z+d_f);
Score=100*s/max(s);
for i=1:length(Score)
    fprintf('第%d个投标者百分制评分为：%d\n',i,Score(i));
end

运行结果 

第1个投标者百分制评分为：100
第2个投标者百分制评分为：3.643856e+01
第3个投标者百分制评分为：5.850145e+01
第4个投标者百分制评分为：0