清风数学建模--TOPSIS

第一步：将原始矩阵正向化

常见的四种指标有：

指标名称	指标特点	例子
极大型（效益型）	越大（多）越好	成绩、GDP增速、企业利润
极小型（成本型）	越小（少）越好	费用、坏品率、污染程度
中间型	越接近某个值越好	水质量评估时的PH值
区间型	落在某个区间最好	体温、水中植物性营养物量

所谓将原始矩阵正向化，就是要将所有的指标类型统一转化成极大型指标。

极小型—>极大型

$max-x$
如果所有的元素均为正数，那么也可以使用$\frac{1}{x}$

中间型指标—>极大型指标

中间型指标：指标既不要太大也不要太小，取某特定值最好（如水质量评估PH值）
{$x_i$}是一组中间型指标序列，且最佳的数值为$x_{best}$,那么正向化的公式如下：
$$M=\max |x_i-x_{best}|,x_i=1-\frac{|x_i-x_{best}|}{M}$$

PH值（转换前）	PH值（转换后）
6	$1-\frac{7-6}{2}=\frac{1}{2}$
7	$1-\frac{7-7}{2}=1$
8	$1-\frac{8-7}{2}=\frac{1}{2}$
9	$1-\frac{9-7}{2}=0$

$$\begin{gathered} x_{best}=7 \\ M=\max |6-7|,|7-7|,|8-7|,|9-7|=2 \end{gathered}$$

区间型指标–>极大型指标

区间型指标：指标值落在某个区间内最好。
$x_i$是一组区间型指标序列，且最佳的区间为$[a,b]$,那么正向化的公式如下:
$$\begin{gathered} M=\max (a-\min x_i,\max x_i-b) \\ {x}_i=\{\begin{array}{rcl}1-\frac{a-x_i}{M}& & x_i<a\\ 1& & a\le x_i\le b\\ a-\frac{x_i-b}{M}& & x_i>b\end{array} \end{gathered}$$

体温（转换前）	体温（转换后）
35.2	0.4286
35.8	0.8571
36.6	1
37.1	0.9286
37.8	0.4286
38.4	0

$$\begin{gathered} a=36,b=37 \\ M=\max (36-35.2,38.4-37)=1.4 \end{gathered}$$

第二步：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
假设有$n$个要评价的对象，$m$个评价指标（已经正向化了）构成的正向化矩阵如下：
$$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& \cdots & x_{1m}\\ x_{21}& x_{22}& \cdots & x_{2m}\\ ⋮& ⋮& \ddots & ⋮\\ x_{n1}& x_{n2}& \cdots & x_{nm}\end{array}\right]$$
那么，对其标准化的矩阵记为$Z$，Z中的每一个元素：$$\begin{gathered} z_{ij}=x_{xij}/\sqrt{\sum _{i=1}^n{x}_{ij}^2} \\ (每一个元素/\sqrt{其所在列的元素的平方和}) \end{gathered}$$

第三步：计算的得分并归一化

假设有$n$个要评价的对象，$m$个评价指标的标准化矩阵：
$$Z=\left[\begin{array}{cccc}{z}_{11}& z_{12}& \cdots & z_{1m}\\ z_{21}& z_{22}& \cdots & z_{2m}\\ ⋮& ⋮& \ddots & ⋮\\ z_{n1}& z_{n2}& \cdots & z_{nm}\end{array}\right]$$
定义最大值
$Z^{+}=(Z_1^{+},Z_2^{+},\cdots ,Z_m^{+})=(\max (z_{11},z_{21},\cdots ,z_{n1}),\max (z_{12},z_{22},\cdots ,z_{n2}),\cdots ,\max (z_{1m},z_{2m},\cdots ,z_{nm}))$
定义最小值
$Z^{-}=(Z_1^{-},Z_2^{-},\cdots ,Z_m^{-})=(\min (z_{11},z_{21},\cdots ,z_{n1}),\min (z_{12},z_{22},\cdots ,z_{n2}),\cdots ,\min (z_{1m},z_{2m},\cdots ,z_{nm}))$
定义第$i(i=1,2,\cdots ,n)$个评价对象与最大值的距离$D_i^{+}=\sqrt{{\sum }_{j=1}^m(Z_j^{+}-z_{ij}{)}^2}$
定义第$i(i=1,2,\cdots ,n)$个评价对象与最小值的距离$D_i^{-}=\sqrt{{\sum }_{j=1}^m(Z_j^{-}-z_{ij}{)}^2}$
那么我们可以计算出第$i$个评价对象未归一化的得分:$S_i=\frac{D_i^{-}}{D_i^{-}+D_i^{+}}$
很显然$0\le S_i\le 1$,且$S_i越大D_i^{+}越小，即越接近最大值。$

带权重的TOPSIS

假设有$n$个要评价的对象，$m$个评价指标的标准化矩阵：
$$Z=\left[\begin{array}{cccc}{z}_{11}& z_{12}& \cdots & z_{1m}\\ z_{21}& z_{22}& \cdots & z_{2m}\\ ⋮& ⋮& \ddots & ⋮\\ z_{n1}& z_{n2}& \cdots & z_{nm}\end{array}\right]$$
定义最大值
$Z^{+}=(Z_1^{+},Z_2^{+},\cdots ,Z_m^{+})=(\max (z_{11},z_{21},\cdots ,z_{n1}),\max (z_{12},z_{22},\cdots ,z_{n2}),\cdots ,\max (z_{1m},z_{2m},\cdots ,z_{nm}))$
定义最小值
$Z^{-}=(Z_1^{-},Z_2^{-},\cdots ,Z_m^{-})=(\min (z_{11},z_{21},\cdots ,z_{n1}),\min (z_{12},z_{22},\cdots ,z_{n2}),\cdots ,\min (z_{1m},z_{2m},\cdots ,z_{nm}))$
定义第$i(i=1,2,\cdots ,n)$个评价对象与最大值的距离$D_i^{+}=\sqrt{{\sum }_{j=1}^m{\omega }_j(Z_j^{+}-z_{ij}{)}^2}$
定义第$i(i=1,2,\cdots ,n)$个评价对象与最小值的距离$D_i^{-}=\sqrt{{\sum }_{j=1}^m{\omega }_j(Z_j^{-}-z_{ij}{)}^2}$
那么我们可以计算出第$i$个评价对象未归一化的得分:$S_i=\frac{D_i^{-}}{D_i^{-}+D_i^{+}}$
很显然$0\le S_i\le 1$,且$S_i越大D_i^{+}越小，即越接近最大值。$

可以使用层次分析法给这$m$个评价指标确定权重：
$$\sum _{j=1}^m{\omega }_j=1$$

由于层次分析法的主观性太强了，更推荐使用熵权法来进行客观赋值。