优劣解距离法（TOPSIS）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。
为什么会有这个方法？
我们知道，评价类问题常常用层次分析法处理，但层次分析法有一定的局限性，比如评价的决策层不能太多，太多的话n会很大，判断矩阵和一致矩阵差异可能会很大。当决策层中指标的数据是已知的时，就可以利用Topsis法使评价更加准确。

基本介绍

TOPSIS 法是一种常用的综合评价方法，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。 基本过程为先将原始数据矩阵统一指标类型(一般正向化处理)得到正向化的矩阵，再对正向化的矩阵进行标准化处理以消除各指 标量纲的影响，并找到有限方案中的最优方案和最劣方案，然后分别计算各评价对象与最优方案和最劣方案间的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。该方法对数据分布及样本含量没有严格限制，数据计算简单易行。

引例

这是一个宿舍的高数成绩，请你为这四名同学进行评分，该评分能合理的描述其高数成绩的高低。

名字	分数
小明	89
小李	60
小赵	74
小刘	99

想法一：

名字	分数	排名	逆序排名	评分
小明	89	2	3	3/10 = 0.3
小李	60	4	1	1/10 = 0.1
小赵	74	3	2	2/10 = 0.2
小刘	99	1	4	4/10 = 0.4

显然，只要排名不变，即使成绩变化，评分也不变。因此该方案不好。
想法二：找出最高分max，最低分min，$$计算评分公式：\frac{x-min}{max-min}$$

姓名	成绩	未归一化的评分	归一化评分
小明	89	$\frac{89-60}{99-60}=0.74$	0.74/2.1=0.35
小李	60	$\frac{60-60}{99-60}=0$	0/2.1=0
小赵	74	$\frac{74-60}{99-60}=0.36$	0.36/2.1=0.17
小刘	99	$\frac{99-60}{99-60}=1$	1/2.1=0.48

我们知道，高数卷面最高分值为100，最低分值为0，为什么不用$$\frac{x-0}{100-0}$$来计算呢？
三个原因：
（1）比较的对象一般要远大于两个。（例如比较一个班级的成绩）
（2）比较的指标也往往不只是一个方面的，例如成绩、工时数、课外竞赛得分等。
（3）有很多指标不存在理论上的最大值和最小值，例如衡量经济增长水平的指标：GDP增速。

操作方法

将原始矩阵正向化

在引例中，成绩显然是越高越好，这种类型的指标我们称之为极大型（效益型）指标。因此计算评分的公式也是按照极大型指标来给出的。但在很多时候，我们的指标不一定都是越大越好，比如人的体温，买东西花费的费用，水质评估等等，此时我们就需要将这些指标转化成极大型指标。（当然，转换公式不唯一）
最常见的四种指标：

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

极小型指标转换为极大型指标的公式：$$max-x$$
中间型指标转换为极大型指标的公式：
中间型指标：指标值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）
{$x_i$}是一组中间型序列，且最佳数值为$x_{best}$,则正向化公式：
M = m a x { ∣ x i − x b e s t ∣ } , x i ~ = 1 − ∣ x i − x b e s t ∣ M M=max\left\{ |x_i-x_{best}| \right\},\widetilde{x_i}=1- \frac{|x_i-x_{best}|}{M} M=max{∣xi​−xbest​∣},xi​ ​=1−M∣xi​−xbest​∣​
区间型指标转换为极大型指标的公式：

正向化矩阵标准化

$$z_{ij}=\frac{x_{ij}}{\sqrt{{\sum }_{i=1}^n{x}_{ij}^2}}$$

计算得分归一化

由上一步，我们将所有评判标准都转换成了极大型指标，由此得到一个标准化矩阵：
$$\left[\begin{array}{cccc}{z}_{11}& z_{12}& \dots & z_{1n}\\ z_{21}& z_{22}& \dots & z_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ z_{n1}& z_{n2}& \dots & z_{nn}\end{array}\right]$$



计算公式：
上述是未加权重的情况
如果加权重：则此处需要修改：