【数学模型】TOPSIS

文章目录

回顾：层次分析法的一些局限性  

一、模型介绍

1.1 引例：

一个简单的想法：

一个较好的方法：

1.2 增加指标：

统一指标类型 

标准化处理

计算得分

二、TOPSIS的介绍

第一步：将原始矩阵正向化

第二步：正向化矩阵标准化

第三步：计算得分并归一化

三、拓展：添加权重

 *熵权法对TOPSIS模型的修正

度量信息量的大小

信息熵的定义 

熵权法的计算步骤

熵权法背后的原理

四、代码实现

*熵权法加权

---

TOPSIS法（Technique for Order Preference by Similarity to Ideal Solution）可翻译为逼近理想解排序法，国内常简称为优劣解距离法。

TOPSIS 法是一种常用的综合评价方法，其能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。

回顾：层次分析法的一些局限性  

1. 评价的决策层不能太多，太多的话n会很大，判断矩阵和 一致矩阵差异可能会很大。

我们上面提到过的RI指标也只到了15：

n	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15
R	0	0	0.52	0.89	1.12	1.26	1.36	1.41	1.46	1.49	1.52	1.54	1.56	1.58	1.59

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？ 

该方法仍具有较强的主观性，判断/比较矩阵的构造在一定程度上是凭感觉决定的，一致性检验只是检验 感觉 有没有自相矛盾得太离谱。 

---

如果题目中有已经提供了的数据，那就暗示我们不要用层次分析法了，我们可以通过分析这些数据内在的特征来进行建模。这就是TOPSIS方法应用于评价类问题与层次分析法不同之处。

---

一、模型介绍

1.1 引例：

坤坤宿舍共有四名同学，他们第一学期的高数成绩如下表所示：

姓名	成绩
坤坤	89
菜菜	60
小徐	74
鸡哥	99

请为这四名同学进行评估，该评分能合理的描述其高数水平的高低。

一个简单的想法：

姓名	成绩	等级level	排名	评分
坤坤	89	2	3	3/10=0.3
菜菜	60	4	1	1/10=0.1
小徐	74	3	2	2/10=0.2
鸡哥	99	1	4	4/10=0.4

可见，鸡哥成绩最高，最后评估得分0.4也是最高的。

但该方法存在一些问题：哪怕菜菜只得了0分，他的评价分数也是0.1，只与鸡哥差0.3分。

一个较好的方法：

我们构造评分公式：

其中，最高成绩max：99，最低成绩min：60。

则有：

姓名	成绩	归一化前的评分	归一化后的评分
坤坤	89	(89-60)/(99-60) = 0.74	0.74/2.1 = 0.35
菜菜	60	(60-60)/(99-60) = 0	0
小徐	74	(74-60)/(99-60) = 0.36	0.36/2.1 = 0.17
鸡哥	99	(99-60)/(99-60) = 1	1/2.1 = 0.48

这样的话，菜菜考得再低，鸡哥考得再高，评分还是不变的。

其实，按卷子满分是max:100，最低min：0。

姓名	成绩	归一化前的评分	归一化后的评分
坤坤	89	0.89	0.28
菜菜	60	0.60	0.19
小徐	74	0.74	0.23
鸡哥	99	0.99	0.30

这样显然更合理一些，菜菜最后的评分也不是0分了。

但是，我们依然选择max：99，最低成绩min：60，而不是max:100，最低min：0。原因如下：

• 比较的对象一般要远大于两个，例如比较一个班级的成绩。
• 比较的指标也往往不只是一个方面的，例如成绩、工时数、课外竞赛得分等。
  • 菜菜的成绩是0，但也许他的其它项就把评分弥补回来了。
• 有很多指标不存在理论上的最大值和最小值，例如衡量经济增长水平的指标：GDP增速。

评分的公式：