TOPSIS优劣解距离法--代码部分

TOPSIS优劣解距离法–代码部分

下面要介绍的是TOPSIS的代码书写方法，TOPSIS总体分为三步：
1、矩阵正向化
2、正向化矩阵标准化
3、计算评分并归一化
下面根据这三步开始我们的代码编写：

第一步：导入数据

把数据复制到工作区，并将这个矩阵命名为x
① 在工作区右键，点击新建（ctrl+n），输入变量名称X
② 在Excel中复制数据，再回到X变量中粘贴数据
③ 右键X另存为，保存为mat文件，以后调用X只需要用load命令即可加载数据（这里我保存的mat文件命名为X.mat）
④ 代码和数据需要放在同一个目录下哦

第二步：判断是否需要正向化，并进行正向化

[n,m]=size(X);
disp(['共有num2str(n)'个评价对象'个评价对象'num2str(m)'个评价指标']
%用向量的方法拼接并输出字符串
Judge=input(['这'num2str(m)'个指标是否经过正向化处理，需要请输入1，不需要请输入0：']);
%使用input函数，来给Judge赋值
if Judge==1
	Position=input('请输入需要正向化处理的指标所在的列，例如第2、3、6三列需要处理，那么你输入[2,3,6]:');
	%使用input函数确定需要正向化处理的位置
	disp('请输入需要处理的这些列的标准类型（1：极小型，2：中间型，3：区间型）')
	Type=input('例如：第2列是极小型，第3列是区间型，第6列是中间型，就输入[1,3,2]:');
	%使用intput函数确定需要处理列的指标类型
	%需要注意的是Position和Type是相同维度的行向量
	for i=1:size(Position,2)%这里得出的是循环次数，也就是每一个需要正向化的列都做一次循环
		X(:,Position(i))=Positivization(X(:,Position(i)),Type(i),Position(i));
	%Positivization是我们自己定义的函数，其作用是进行正向化，一共接受3个参数
	%第一个参数就是要正向化处理的那一列向量X(:,Position(i))
	%第二个参数是对应的这一列的指标类型（1：极小型，2：中间型，3：区间型）
	%第三个参数是告诉函数我们正在处理的是原始矩阵中的哪一列
	%该函数有一个返回值，它返回正向化之后的指标那一列，我们可以直接给我们原始要处理的列向量进行赋值
	end
	disp('正向化后的矩阵X=')
	disp(X)
end

接下来开始定义我们的Positivization函数，函数不可以直接放在主函数中，和大多数语言不同，函数需要在matlab中单独定义一个m文件，并且函数文件需要和主函数放在同一个目录，也就是同一个文件夹当中。首先定义三种指标的转化函数：
极小型转化为极大型：Min2Max
$$max-x$$

%function[输出变量]=函数名（输入变量）
%函数最后需要用end结尾
function[posit_x]=Min2Max(x)
	posit_x=max(x)-x;
end

中间型转化为极大型：Mid2Max
$$M=max|x_i-x_{best}|,x_i^{\ast }=1-\frac{|x_i-x_{best}|}{M}$$

function[posit_x]=Mid2Max(x,best)
	M=max(abs(x-best));
	posit_x=1-abs(x-best)/M;
end

区间型指标转化为极大型指标:Inter2Max
M=max{a-min{x_i},max{x_i}-b}
$$X_i^{\ast }=\{\begin{array}{rcl}1-\frac{a-x}{M}& & x<a\\ 1& & a\le x\le b\\ 1-\frac{x-b}{M}& & x>b\end{array}$$

function[posit_x]=Inter2Max(x,a,b)
	r_x=size(x,1);%表示列向量的行数（row of x)，来找到循环的次数
	M=max([a-min(x),max(x)-b]);
	posit_x=zeros(r_x,1) %将posit_x初始化为一个全为0的列向量
	for i=1:r_x
		if x(i)<a
			posit_x(i)=1-(a-x(i)/M;
		elseif x(i)>b
			posit_x(i)=1-(x(i)-b)/M;
		else
			posit_x(i)=1;
		end
	end
end

接下来开始写Positivization函数：

%function[输出变量]=函数名（输入变量）
%函数最后需要用end结尾
%输出变量和输入变量可以有多个，中间用逗号隔开
function[posit_x]=Positivization(x,type,i)%这里定义函数参数，其中均为形参
%posit_x表示正向化后的列向量
%x表示需要正向化处理的指标对应的原始列向量
%type表示指标的类型（1：极小型，2：中间型，3：区间型）
%i表示正在处理的是原矩阵中的哪一列
	if type==1 %极小型
		disp(['第'num2str(i)'列是极小型，正在正向化'])
		posit_x=Min2Max(x);%调用Min2Max函数来进行正向化
		disp(['第'num2str(i)'列极小型正向化处理完毕'])
		disp('~~~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~')
	elseif type==2%中间型
		disp(['第'num2str(i)'列是中间型'])
		best=input('请输入最佳的值：');
		posit_x=Mid2Max(x,best);
		disp(['第'num2str(i)'列中间型正向化处理完毕'])
		disp('~~~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~')
	elseif type==3 %区间型
		disp(['第'num2str(i)'列是区间型'])
		a=input('请输入区间的上界');
		b=input('请输入区间的下界');
		posit_x=Inter2Max(x,a,b);
		disp(['第'num2str(i)'列区间型正向化处理完毕'])
		disp('~~~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~')
	end
end
	

第三步：对正向化后的矩阵进行标准化

Z=X./repmat(sum(X.*X).^0.5,n,1);
disp('标准化矩阵Z='）
disp(Z)

第四步：计算与最大值的距离和与最小值的距离，并计算出得分

D_P=sum([(Z-repmat(max(Z),n,1)).^2],2).^0.5;%D+与最大值的距离
D_N=sum([(Z-repmat(min(Z),n,1)).^2],2).^0.5;%D-与最小值的距离
S=D_N./(D_P+D_N);%未归一化的得分
disp('最后的得分为：')
stand_S=S/sum(S)
[sortde_s,index]=sort(stand_S,'descend')
%这里使用sort函数进行排序，sort函数默认升序排列，加入参数'descend'为降序排列
%返回值sortde_s为降序排列后的矩阵，index为排列后的序号。