[数学建模]优劣解距离法(Technique for Order Preference by Similarity to an Ideal Solution)

优劣解距离法，简称TOPSIS，根据有限个评价对象与理想化目标的接近程度进行排序，是在现有的对象中进行相对优劣的评价。

分析步骤

1. 对数据进行规范化处理
2. 确定指标权重，构造权重规范化矩阵
3. 确定理想解$A^{\ast }$和反理想解$A^{-}$
4. 计算评价对象与理想解和反理想解的$n$维欧氏距离$S^{\ast }$与$S^{-}$
5. 计算评价对象与理想解的接近程度$C^{\ast }$并排序

具体操作

1. 我们将指标的类型分为效益型（属性值越大越好）、成本型（属性值越小越好）、固定型（属性值越接近定值$\alpha$越好）、偏离型（属性值越远离定值$\alpha$越好）、区间型（属性值越接近定区间$[\alpha ,\beta ]$越好）、偏离区间型（属性值越远离定区间$[\alpha ,\beta ]$越好）。
   为了消除量纲对决策结果的影响，利用下列公式对决策矩阵$D$进行处理：
   效 益 型 : r i j = a i j max ⁡ a i j 或 r i j = a i j − min ⁡ a i j max ⁡ a i j − min ⁡ a i j 成 本 型 : r i j = min ⁡ a i j a i j 或 r i j = max ⁡ a i j − a i j max ⁡ a i j − min ⁡ a i j 固 定 型 : r i j = 1 − a i j − α max ⁡ ∣ a i j − α ∣ 偏 离 型 : r i j = ∣ a i j − α ∣ − min ⁡ ∣ a i j − α ∣ max ⁡ ∣ a i j − α ∣ 区 间 型 : r i j = { 1 − max ⁡ ( α − a i j , a i j − β ) max ⁡ ( α − min ⁡ a i j , max ⁡ a i j − β ) a i j ∉ [ α , β ] 1 a i j ∈ [ α , β ] 偏