TOPSIS(优劣解距离法)

TOPSIS(优劣解距离法)

1.首先讲述一下优劣解距离法的原理。

     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，其结果能精确反应各评价方案之间的差距。
     下面我们来举例一个小例子，如何用TOPSIS法来评定一个人是不是值得恋爱。比如，现在有4个人，他们分别为Terry，xiaofang,smike,jerry.以下为根据他们身边的好朋友对他们的评价得分：

姓名	好友评价得分
Terry	99
xiaofang	60
smike	89
jerry	74

一个十分简单的想法，我们直接根据他们的分数进行排名，根据排名进行打分，分数越高，那么他就越值得恋爱。但注意，要使用修正后的排名，毕竟分数要越大越好。

姓名	好友评价得分	排名	修正后排名	得分
Terry	99	1	4	4/10=0.4
xiaofang	60	4	1	1/10=0.1
smike	89	2	3	3/10=0.3
jerry	74	3	2	2/10=0.2

但是我们还得思考一下，这么搞是不是有点不对，你想想，我们只需要在排名不变的情况下，可以任意修改好友评价得分，那么评分也不会改变！

所以，我们不能直接评价，要构造计算评分的公式：(x-min)/(max-min）

姓名	成绩	未归一化的评分	归一化的评分
Terry	99	(99-60)/(99-60)=1	1/2.1=0.48
xiaofang	60	(60-60)/(99-60)=0	0/2.1=0
smike	89	(89-60)/(99-60)=0.74	0.74/2.1=0.35
jerry	74	(74-60)/(99-60)=0.36	0.36/2.1=0.17

很显然，一个指标是不能说明一个人是否值得与他恋爱，那么我们增加一个指标看看。

姓名	好友评分	恋爱次数
Terry	99	0
xiaofang	60	10
smike	89	2
jerry	74	3

好友评分越大越好，这样的指标我们称其为极大型指标。
恋爱次数越少越好，这样的指标我们称其为极小型指标。
所以，我们必须的统一指标类型，将所有的指标转化为极大型，即指标正向化。
极小型指标转极大型：max-x
中间型指标转极大型：M=max{|xi-xbest|},xi’=1-|xi-xbest|/M,xbest是最佳数值
区间型指标转极大型：最佳区间为[a,b]，正向化公式：M=max{a-min(xi),max(xi)-b}
---- 1-(a-xi)/M xi<a
xi’= 1 a<=xi<=b
----- 1-(xi-b)/M xi>b

将所有指标正向化处理后，我们还不能忽略量纲的影响，要注意，指标的量纲可能是不同的。所以我们得进行标准化处理。
好了，那么到了这个时候我们怎么计算得分呢？
现在回到我们构造的公式来看（x-min)/(max-min），我们做一下变形：
(x-min)/[(max-x)+(x-min)],看成（x与最小值的距离）/[（x与最大值的距离）+（x与最小值的距离）]。
类比一下：

那么例子中的矩阵[99 10;60 0;89 8;74 7]变成标准化矩阵!

最大值【0.6048 0.6852】，最小值【 0.3665 0】
现在计算D_p与D_n向量

D_p=[0;0.7254;0.1500;0.2661]
D_n=[0.7524;0;0.5761;0.4872]
未归一化得分S=D_n/(D_p+D_n)

姓名	D+	D-	为归一化的得分	归一化后的得分	排名
Terry	0	0.7524	1	0.4084	1
xiaofang	0.7524	0	0	0	4
smike	0.1500	0.5761	0.7934	0.3240	2
jerry	0.2661	0.4872	0.6555	0.2677	3

所以说，xiaofang我们觉得他是一个海王，不值得恋爱。当然，这里的权重设置均相等，大家可以设置不同权重的指标自己进行综合比较。

二.下面为代码实现部分（全部）
1.主代码

clear;clc
%输入数据X


%%  第二步：判断是否需要正向化
[n,m] = size(X);
disp(['共有' num2str(n) '个评价对象, ' num2str(m) '个评价指标']) 
Judge = input(['这' num2str(m) '个指标是否需要经过正向化处理，需要请输入1 ，不需要输入0：  ']);

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，那么你需要输入[2,3,6]： '); %[2,3,4]
    disp('请输入需要处理的这些列的指标类型（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]：  '); %[2,1,3]
    % 注意，Position和Type是两个同维度的行向量
    for i = 1 : size(Position,2)  %这里需要对这些列分别处理，因此我们需要知道一共要处理的次数，即循环的次数
        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，其一共接收三个参数
    % 第一个参数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，我们可以将其直接赋值给我们原始要处理的那一列向量
    end
    disp('正向化后的矩阵 X =  ')
    disp(X)
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最小值的距离，并算出得分
D_P = sum([(Z - repmat(max(Z),n,1)) .^ 2 ],2) .^ 0.5;   % D+ 与最大值的距离向量
D_N = sum([(Z - repmat(min(Z),n,1)) .^ 2 ],2) .^ 0.5;   % D- 与最小值的距离向量
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)
[sorted_S,index] = sort(stand_S ,'descend')

2.函数（自定义函数以及正化函数）

function [posit_x] = Positivization(x,type,i)
% 输入变量有三个：
% x：需要正向化处理的指标对应的原始列向量
% type： 指标的类型（1：极小型， 2：中间型， 3：区间型）
% i: 正在处理的是原始矩阵中的哪一列
% 输出变量posit_x表示：正向化后的列向量
    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函数来正向化
        disp(['第' num2str(i) '列极小型正向化处理完成'] )
        disp('~~~~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~~')
    elseif type == 2  %中间型
        disp(['第' num2str(i) '列是中间型'] )
        best = input('请输入最佳的那一个值： ');
        posit_x = Mid2Max(x,best);
        disp(['第' num2str(i) '列中间型正向化处理完成'] )
        disp('~~~~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~~')
    elseif type == 3  %区间型
        disp(['第' num2str(i) '列是区间型'] )
        a = input('请输入区间的下界： ');
        b = input('请输入区间的上界： '); 
        posit_x = Inter2Max(x,a,b);
        disp(['第' num2str(i) '列区间型正向化处理完成'] )
        disp('~~~~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~~')
    else
        disp('没有这种类型的指标，请检查Type向量中是否有除了1、2、3之外的其他值')
    end
end

function [posit_x] = Min2Max(x)
    posit_x = max(x) - x;
     %posit_x = 1 ./ x;    %如果x全部都大于0，也可以这样正向化
end

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

function [posit_x] = Inter2Max(x,a,b)
    r_x = size(x,1);  % row of x 
    M = max([a-min(x),max(x)-b]);
    posit_x = zeros(r_x,1); 
    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