TOPSIS算法（优劣解距离法）的使用举例与matlab实现

一、算法的提出

 
​　　C.L.Hwang和K.Yoon在1981年首次提出TOPSIS (Technique for Order Preference by Similarity to an Ideal Solution)算法，直接即逼近理想解排序法，国内通常称之为优劣解距离法。
 
　　相比较于层次分析法AHP与模糊综合评价法，TOPSIS算法能够充分利用原始数据的信息，并能更精确反映出各个状况/方案之间的优劣与差距。
 
　　​TOPSIS算法的基本过程为先将原始数据矩阵（决策矩阵）进行正向化处理得到正向化矩阵，再进行标准化处理消除各指标量纲的影响。再通过AHP或其他方法得到各个因素之间的权重向量，构造出新的加权决策矩阵。
　　
　　然后在所有的数据中找到最优和最劣方案，计算各个评价对象相对于最优方案与最劣方案的欧氏距离，最终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。
 
　　TOPSIS算法对数据的分布及含量等没有严格限制，且数据易处理计算简单，思路清晰，因而被广泛使用。

二、TOPSIS算法的一般步骤

注意：下列的交标含义请仔细辨别，交标含义并未相同含义贯穿始终。
如果有不清楚的地方可以在评论区指出，有人指出后我再修改交标含义。

1.形成决策矩阵

设共有$n$个评价对象，每个评价对象含有$m$个参数指标。将$n$个评价对象的参数指标排列得到$n\times m$矩阵，即决策矩阵：
$$\left[\begin{array}{cccc}{x}_{11}& x_{12}& \dots & x_{1m}\\ x_{21}& x_{22}& \dots & x_{2m}\\ \dots & \dots & \ddots & \dots \\ x_{n1}& x_{n2}& \dots & x_{nm}\end{array}\right]$$

2.计算加权决策矩阵

（1）指标正向化处理

常见的四种指标（即评价对象的$m$个参数指标所属类型）

指标类型	指标特点	举例
极大型指标（效益型）	越大越好	成绩、利润
极小型指标（成本型）	越小越好	成本、费用
中间型指标	越接近某个值越好	人体所处环境温度
区间型指标	落在某个区间最好	体温、饮用水中的矿物质含量

为了后续处理，我们需要将所有类型的指标转换为极大值指标，且需要将所有指标类型统一转换为各自对应的正向化指标，准换的方式可以不一样，下面给出一些转换公式的参考。

a.极大值指标正向化

$$x_i^{\prime }=\frac{x_i-x_{min}}{x_{max}-x_{min}}$$

b.极小型指标极大正向化

$$x_i^{\prime }=\frac{x_{max}-x_i}{x_{max}-x_{min}}$$

c.中间型指标极大正向化

$$x_i^{\prime }=1-\frac{|x_i-x_{best}|}{|x_i-x_{best}{|}_{max}}$$

d.区间型指标极大正向化

设最佳区间为$[a,b]$，且记
M = max ⁡ { a − min ⁡ { x i } , max ⁡ { x i } − b } M=\max\{a-\min\{x_i\},\max\{x_i\}-b\}