TOPSIS法
TOPSIS法(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,这种方法通过构造评价问题的正理想解和负理想解,即各指标的最优解和最劣解,通过计算每个方案到理想方案的相对贴近度,即靠近正理想解和远离负理想解的程度,来对方案进行排序,从而选出最优方案。
方法和原理
设多属性决策方案集为 D = { d 1 , d 2 , . . . , d m } \boldsymbol{D=\{d_1,d_2,...,d_m \}} D={ d1,d2,...,dm},衡量方案优劣的属性变量为 x 1 , x 2 , . . . , x n \boldsymbol{\ x_1\ ,\ x_2\ ,...\ ,x_n} x1 , x2 ,... ,xn,这时方案集 D \boldsymbol{D} D中的每一个方案 d i ( i = 1... m ) \boldsymbol{\ d_i(i=1...m)} di(i=1...m)的 n \boldsymbol{n} n个属性值构成的向量是 { a i 1 , . . . , a i n } \boldsymbol{\{ a_{i1},...,\ a_{in}\}} { ai1,..., ain},它作为 n \boldsymbol{n} n维空间中的一个点,能唯一表征方案 d i \boldsymbol{\ d_i} di,这些方案的属性共同构成决策矩阵。
基本概念
正理想解
正理想解 C ∗ \boldsymbol{C^*} C∗是一个方案集 D \boldsymbol{D} D中不存在的虚拟的最佳方案,它的每个属性值都是决策矩阵中该属性值的最优解。
负理想解
负理想解 C 0 \boldsymbol{C^0} C0则是虚拟的最差方案,它的每个属性值都是决策矩阵中该属性的最差值。
方法
在 n \boldsymbol{n} n维空间中,将方案集 D \boldsymbol{D} D中的各备选方案 d i \boldsymbol{d_i} di与正理想解 C ∗ \boldsymbol{\ C^*} C∗和负理想解 C 0 \boldsymbol{\ C^0} C0的距离进行比较,既靠近正理想解又远离负理想解的方案就是方案集 D \boldsymbol{D} D中的最优方案;并可以据此来排定各备选方案的优先序。
原理
用TOPSIS法求解多属性决策问题的概念简单,只要在属性空间定义适当的距离测度就能通过欧氏距离来计算备选方案与理想解的距离。
即用正理想解,又用负理想解的原因是仅仅使用正理想解时有时会出现某两个备选方案与正理想解的距离相同的情况,为了区分这两个方案的优劣,引入负理想解,并计算这两个方案与负理想解的距离,与正理想解距离相同的方案离负理想解远的为优。
TOPSIS算法步骤
- 用向量规划化的方法求得规范决策矩阵。设多属性决策问题的决策矩阵 A = ( a i j ) m × n \boldsymbol{A=(a_{ij})_{m\times n}} A=(aij)m×n,规范化决策矩阵 B = ( b i j ) m × n \boldsymbol{B=(b_{ij})_{m\times n}} B=(bij)m×n,其中 b i j = a i j ∑ i = 1 m a i j 2 ( i = 1 , 2 , . . . , m ; j = 1 , 2 , . . . , n ) \boldsymbol{b_{ij}=\frac{a_{ij}}{\sqrt{\sum_{i=1}^ma_{ij}^2}}(i=1,2,...,m;j=1,2,...,n)} bij=∑i=1maij2aij(i=1,2,...,m;j=1,2,...,n)
- 构成加权规范阵