TOPSIS算法

TOPSIS（Technique for Order Preference by Similarity to Ideal Solution)

即逼近理想解排序法，或优劣解距离法

---

目录

1 TOPSIS算法的优势

2 引例

 3 算法步骤

3.1 第一步：原始矩阵正向化

3.1.1 极小型转到极大型

3.1.2 中间型到极大型

 3.1.3 区间型转极大型

 3.2 第二步：标准化（消除量纲）

3.3 第三步：归一化

---

1 TOPSIS算法的优势

这里对照层次分析法局限性来看

1. 层次分析法中决策层不能太多，不然N太大，判断矩阵和一致性矩阵差异会很大，而且平均随机一致性指标RI的表格中n最多也只有15。
2. 层次分析法中的数据是“专家”给出的，会有很强的主观性（从层次分析法的笔记可以看出来）。TOPSIS算法一般用于题目给好了数据，或者数据来的很客观，然后根据客观数据进行评价。

2 引例

 我们给出四个人的成绩与对应的排名：

 如果要依据排名进行评分的话，排名当然是越小越好，但是评分是越大越好，所以我们进行一个修正。

修正方法很简单捏，如上图所示， 评分其实就是归一化。

但是不难发现一个问题：

 即使小王和清风成绩发生了变化，评分也不会改变，也就是说刚刚的算法与成绩相关性不强。

那么我们不妨这样来评分：

 我们用每个人的成绩减去最小的成绩，得到一组新的数，但是数字太大了，我们再除以最大值减去最小值，这样子所有的数字就都存在于0到1之间了，最后归一化：

 但是这样子会出现一个问题，最后一名的评分永远是0，第一名的评分永远是1，无论他的成绩怎么变化，评分都不变，我们不妨设想一种这样子的解决办法：

 我们不使用样本最高分与最低分，我们用100和0，这样子得到如图：

 但是不难发现这种方法的问题：

1. ⭐核心问题：不一定存在理论上的最大与最小，例如GDP增速。
2. 比较对象中只有第一名和最后一名得分不变，其余都会变。
3. 指标也往往不是一个方面，倘若指标大于两个，不变的情况就更少了（现在不理解没关系，接着看）。

现在我们加一个指标：

 可以看出两个指标有明显的区别：

成绩是越高越好，即极大型指标（效益型指标）

而与他人争吵的次数越少越好，即极小型指标（成本型指标）

那么为了方便处理，我们来统一一下类型：

即指标正向化（论文里用到的话要写明方法）

现在我们可以直接把成绩和争吵次数相加，然后计算得分嘛？

显然不可以，量纲都不一样，所以接下来我们消去量纲（标准化）：

 即用元素除以所在列的元素平方和开根号

标准化后如下：

 但是如何计算得分呢？

我们先来看一下只有一个指标的时候

也就是所谓的优劣解距离

那我们类比一下：

假设矩阵n行m列，我们现在只要明确最小值是什么，最大值是什么，x与最小值的距离，x与最大值的距离就好。

 n个要评价的对象就是n行，m个评价的指标就是m列，那怎么定义最小值呢？

原来只有一个指标时，最小值就是那一列里面最小的，那现在我们把它拓展一下：

 我们把每列的最小值都拿出来，组成一个向量，这个就是我们的新的最小值（最大值同理）

那怎么定义x与最小值的距离呢？

比如我们取第i行，那第i个指标与最小值的距离，不就是欧氏距离嘛

 注意到这里默认权重是相同的

 从这里不难看出，想让成绩改变而得分不变，只有当正好每列最大值/最小值出现再同一行时才可能，而随着指标的增加，这种情况发生的概率会越来越小。

好的那么我们回到原来的问题：如何计算得分

 结果如下：

 

 

 3 算法步骤

3.1 第一步：原始矩阵正向化

最常见的四种指标：

而正向化就是统一成越大越好就行，转换形式不唯一

 

3.1.1 极小型转到极大型

 不过有0的话也没办法取倒数，这里主要是想说明转化方式不止一种。

 

3.1.2 中间型到极大型

 什么意思捏：

这样会让所有的数据都限制在0到1上

而越接近xbest就越好，我们就想让正向化之后的数据越大，那你看，如果Xi越接近Xbest，那样是不是绝对值会越小，那么再来一步极小型转极大型就可以了，即：

 

 例如：

 

 3.1.3 区间型转极大型

 与刚刚类似：

 距离区间越近得分越高，与刚刚思路一致，我们来看一个例子：

 

 

 3.2 第二步：标准化（消除量纲）

 

3.3 第三步：归一化

 关于权重问题，可以用层次分析法来确定权重，即带权重的TOPSIS方法。