标签：指标 frac TOPSIS min 优劣 建模 large max
文章目录
TOPSIS简介
TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)可翻译为逼近理想解排序法，国内常简称为优劣解距离法。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。主要用来评价优劣。
步骤
第一步 将原始矩阵正向化
| 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 |
1、极小型指标→极大型指标
-
m a x − x max-x max−x
-
若所有元素均为正数，也可以用 1 x \large \frac 1x x1
2、中间型指标→极大型指标
{ x i j } \{x_{ij}\} {xij}是一组中间型指标序列，且最佳的数值为 x m a x x_{max} xmax，那么正向化公式如下：
M = m a x { ∣ x i − x m a x } \large M=max\{|x_i-x_{max}\} M=max{∣xi−xmax}
x i ‾ = 1 − ∣ x i − x m a x ∣ M \large \overline{x_i}=1-\frac {|x_i-x_{max}|}{M} xi=1−M∣xi−xmax∣
如下表：
M
=
m
a
x
{
∣
6
−
7
∣
,
∣
7
−
7
∣
,
∣
8
−
7
∣
,
∣
9
−
7
}
=
2
\large M=max\{|6-7|,|7-7|,|8-7|,|9-7\}=2
M=max{∣6−7∣,∣7−7∣,∣8−7∣,∣9−7}=2
3、区间型指标→极大型指标
{ x i j } \{x_{ij}\} {xij}是一组区间型指标序列，且最佳的数值为 [ a , b ] [a,b] [a,b]，那么正向化公式如下：
M
=
m
a
x
{
a
−
m
i
n
{
x
i
}
,
m
a
x
{
x
i
}
−
b
}
\large M=max\{a-min\{x_i\},max\{x_i\}-b\}
M=max{a−min{xi},max{xi}−b}
如下表：
a = 36 , b = 37 \large a=36,b=37 a=36,b=37
M
=
m
a
x
{
36
−
35.2
,
38.4
−
37
}
=
1.4
\large M=max\{36-35.2,38.4-37\}=1.4
M=max{36−35.2,38.4−37}=1.4
第二步 正向化矩阵标准化
例如 89 ( 8 9 2 + 6 0 2 + 7 4 2 + 9 9 2 ) = 0.5437 \Large \frac {89}{\sqrt(89^2+60^2+74^2+99^2)}=0.5437 ( 892+602+742+992)89=0.5437
第三步 计算得分并归一化
只有一个指标的时候，计算评分公式为 x − m i n m a x − m i n \large \frac {x-min}{max-min} max−minx−min，变形后 = x − m i n ( m a x − x ) + ( x − m i n ) \large =\frac {x-min}{(max-x)+(x-min)} =(max−x)+(x−min)x−min
即 x 与 最 小 值 的 距 离 x 与 最 大 值 的 距 离 + x 与 最 小 值 的 距 离 \Large \frac {x与最小值的距离}{x与最大值的距离+x与最小值的距离} x与最大值的距离+x与最小值的距离x与最小值的距离
假设有n个要评价的对象，m个评价指标的标准化矩阵
Z = [ z 11 z 12 ⋯ z 1 m z 21 a 22 ⋯ z 2 m ⋮ ⋮ ⋱ ⋮ z n 1 z n 2 ⋯ z n m ] \large Z=\begin{bmatrix} {z_{11}}&{z_{12}}&{\cdots}&{z_{1m}}\\ {z_{21}}&{a_{22}}&{\cdots}&{z_{2m}}\\ {\vdots}&{\vdots}&{\ddots}&{\vdots}\\ {z_{n1}}&{z_{n2}}&{\cdots}&{z_{nm}}\\ \end{bmatrix} Z=⎣⎢⎢⎢⎢⎡z11z21⋮zn1z12a22⋮zn2⋯⋯⋱⋯z1mz2m⋮znm⎦⎥⎥⎥⎥⎤
定义最大值 Z + = ( Z 1 + , Z 2 + , … , Z m + ) = ( m a x { z 11 , z 21 , … , z n 1 } , m a x { z 12 , z 22 , … , z n 2 } , … , m a x { z 1 m , z 2 m , … , z n m } ) Z^+=(Z_1^+,Z_2^+,…,Z_m^+)=(max\{z_{11},z_{21},…,z_{n1}\},max\{z_{12},z_{22},…,z_{n2}\},…,max\{z_{1m},z_{2m},…,z_{nm}\}) Z+=(Z1+,Z2+,…,Zm+)=(max{z11,z21,…,zn1},max{z12,z22,…,zn2},…,max{z1m,z2m,…,znm})
定义最小值
Z − = ( Z 1 − , Z 2 − , … , Z m − ) = ( m i n { z 11 , z 21 , … , z n 1 } , m i n { z 12 , z 22 , … , z n 2 } , … , m i n { z 1 m , z 2 m , … , z n m } ) Z^-=(Z_1^-,Z_2^-,…,Z_m^-)=(min\{z_{11},z_{21},…,z_{n1}\},min\{z_{12},z_{22},…,z_{n2}\},…,min\{z_{1m},z_{2m},…,z_{nm}\}) Z−=(Z1−,Z2−,…,Zm−)=(min{z11,z21,…,zn1},min{z12,z22,…,zn2},…,min{z1m,z2m,…,znm})
定义第 i ( i = 1 , 2 , … , n ) i(i=1,2,…,n) i(i=1,2,…,n)个评价对象与最大值的距离 D i + = ( ∑ j = 1 m ( Z j + − z i j ) 2 ) D_i^+=\sqrt(\sum_{j=1}^m(Z_j^+-z_{ij})^2) Di+=( ∑j=1m(Zj+−zij)2)
定义第 i ( i = 1 , 2 , … , n ) i(i=1,2,…,n) i(i=1,2,…,n)个评价对象与最大值的距离 D i − = ( ∑ j = 1 m ( Z j − − z i j ) 2 ) D_i^-=\sqrt(\sum_{j=1}^m(Z_j^--z_{ij})^2) Di−=( ∑j=1m(Zj−−zij)2)
从而我们可以计算得到第 i ( i = 1 , 2 , … , n ) i(i=1,2,…,n) i(i=1,2,…,n)个评价对象未归一化的得分： S i = D i − D i + + D i − \large S_i=\frac {D_i^-}{D_i^++D_i^-} Si=Di++Di−Di−
很明显 0 ≤ S i ≤ 1 0≤S_i≤1 0≤Si≤1，且 S i S_i Si越大 D i + D_i^+ Di+越小
例如下表：
带权重的TOPSIS
- 权重可以用层次分析法或者熵权法来确定（层次分析法更主观，熵权法更客观）
标签：指标,frac,TOPSIS,min,优劣,建模,large,max 来源： https://blog.csdn.net/Yumi_FC/article/details/118996863
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。