优劣解距离法（TOPSIS法）的原理简析_实例应用_代码

首先先要明确一些概念

1. 指标的类型

指标名称	指标特点
极大型指标	越大越好
极小型指标	越小越好
中间性指标	越接近某个值越好
区间型指标	落在某个区间最好

比如说：
极大型指标：成绩、GDP增速、企业利润等
极小型指标：费用、坏品率、污染程度
中间性指标：水质量评估时的PH
区间型指标：体温
在利用TOPSIS方法进行计算时一般要将所有指标正向化，即将所有类型的指标都化为极大型指标
2. 归一化处理
归一化处理可以将有量纲的表达式转化为无量纲的表达式，一般的公式为$z_{i,j}=\frac{a_{i,j}}{{\sum }_{i=1}^n{a}_{i,j}}$,即将每个元素除以该列元素之和，使得新得到的矩阵满足列和为一
比如下面的矩阵，归一化后化为
$\left(\begin{array}{ccc}1& 3& 5\\ 2& 2& 4\\ 2& 5& 1\end{array}\right)\to \left(\begin{array}{ccc}0.2& 0.3& 0.5\\ 0.4& 0.2& 0.4\\ 0.4& 0.5& 0.1\end{array}\right)$

3.标准化处理
标准化处理与归一化处理作用类似，都是为了消除量纲的影响。标准化的方法有很多，在这里我们选择其中较为简单的一种
$z_{i,j}=\frac{x_{i,j}}{\sqrt{{\sum }_{i=1}^n{x}_{i,j}}}$,即用当前元素除以根下每列元素的平方和
比如下面的矩阵，标准化完后为
$\left(\begin{array}{ccc}2& \sqrt{3}& 4\\ 3& 2& 4\\ \sqrt{3}& 3& 0\end{array}\right)\to \left(\begin{array}{ccc}0.5& 0.43& 0.5\\ 0.75& 0.5& 0.5\\ 0.43& 0.75& 0\end{array}\right)$

TOPSIS算法步骤

第一步：将原始矩阵正向化

转化的函数形式可以不唯一

1. 极小转化为极大
   $max-x$,如果元素全为正数，也可以使用$\frac{1}{x}$

2. 中间型转化为极大
   假设 { x i } \{x_i\} { xi​}一组中间型指标序列，$x_{best}$为最佳数值，那么正向化公式为
   x i ′ = 1 − ∣ x i − x b e s t ∣ M , 其 中 M = m a x { ∣ x i − x b e s t ∣ } x_i'=1-\frac{\vert{x_i-x_{best}}\vert}{M},其中M=max\{\vert x_i-x_{best}\vert\} xi′​=1−M∣xi​−xbest​∣​,其中M=max{ ∣xi​−xbest​∣}
   如下例
   其中$x_{best}=7$, M = m a x { ∣ 6 − 7 ∣ , ∣ 7 − 7 ∣ , ∣ 8 − 7 ∣ , ∣ 9 − 7 ∣ } = 2 M=max\{|6-7|,|7-7|,|8-7|,|9-7|\}=2 M=max{ ∣6−7∣,∣7−7∣,∣8−7∣,∣9−7∣}=2

3. 区间型转化为极大
   假设最佳区间为$[a,b]$,则正向化的公式如下

x i ′ = { 1 − a − x i M x i < a 1 a ≤ x i ≤ S M 1 − x i − b M x i > b x_i'=\left\{ \begin{array}{rcl} 1-\frac{a-x_i}{M} & & {x_i<a}\\ 1 & & {a\le x_i \le S_M}\\ 1-\frac{x_i-b}{M}& & {x_i>b}\\ \end{array} \right. xi′​=