topsis算法模型和熵权法使用原理详解

这篇具有很好参考价值的文章主要介绍了topsis算法模型和熵权法使用原理详解。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

topsis模型原理:

1.topsis模型介绍

TOPSIS法(Technique for Order Preference by Similarity to 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,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。

2.适用范围

评价对象得分,且各个指标值已知。

3.模型基本步骤

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Vw1Znhvu-1655460949768)(https://pic4.zhimg.com/80/v2-bbaadad2aa8e41cb5691f339cc435af3_1440w.jpg “步骤图解”)]

  • 将原始数据矩阵正向化。也就是将那些极小型指标,中间型指标,区间型指标对应的数据全部化成极大型指标,方便统一计算和处理。
  • 将正向化后的矩阵标准化。也就是通过标准化消除量纲的影响。
  • 计算每个方案各自与最优解和最劣解的距离
  • 根据最优解与最劣解计算得分并排序

4.模型计算公式

  • 指标正向化公式

    对于极小型指标:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rNzjuStX-1655460949771)(https://www.zhihu.com/equation?tex=%5Cbegin%7Bsplit%7D+%26+%5Cquad%26x%27%3DM-x+%5Cend%7Bsplit%7D “”)]

    对于中间型指标:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FHGWEl2r-1655460949772)(https://www.zhihu.com/equation?tex=x%27%3D%5Cleft%5C%7B+%5Cbegin%7Bsplit%7D+%262%5Cfrac%7Bx-m%7D%7BM-m%7D%2C%5Cqquad+%26m%5Cle+x%5Cle%5Cfrac12%28M%2Bm%29%5C%5C+%262%5Cfrac%7BM-x%7D%7BM-m%7D%2C%26%5Cfrac12%28M%2Bm%29%5Cle+x%5Cle+M+%5Cend%7Bsplit%7D+%5Cright. “”)]

    对于区间型指标:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NQVnkKdG-1655460949772)(https://www.zhihu.com/equation?tex=x%27%3D%5Cleft%5C%7B+%5Cbegin%7Bsplit%7D+%261-%5Cfrac%7Ba-x%7D%7Ba-a%5E%2A%7D%5Cqquad+%26x%5Clt+a+%5C%5C+%261%26a%5Cle+x%5Cle+b%5C%5C+%261-%5Cfrac%7Bx-b%7D%7Bb%5E%2A-b%7D%26x%5Cgt+b+%5Cend%7Bsplit%7D+%5Cright. “”)]

  • 计算各评价指标与最优及最劣向量之间的差距

    定义第i个评价对象与最大值的距离:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TGHvbA82-1655460949772)(https://pic2.zhimg.com/80/v2-3370dbbb6e23193c50d45da0c83847d5_1440w.jpg “”)]

    定义第i个评价对象与最小值的距离:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-j9Vylh1v-1655460949773)(https://pic3.zhimg.com/80/v2-59f1f0882b99d161db15db8a2c7a5832_1440w.jpg “”)]

    其中z_j为第j个属性的权重(重要程度),指标权重可以使用熵权法或者层次分析法等方法确认。

    D+和D-值的实际意义:评价对象与最优或最劣解的距离,值越大说明距离越远,研究对象D+值越大,说明与最优解距离越远;D-值越大,说明与最劣解距离越远。最理解的研究对象是D+值越小同时D-值越大。

  • 评价对象与最优方案的接近程度

    D-值相对越大,则说明该研究对象距离最劣解越远,则研究对象越好;C值越大, 表明评价对象越优:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZAsDfONL-1655460949773)(https://pic3.zhimg.com/80/v2-b5c8920029dece882deff2c807945ce6_1440w.jpg “”)]

熵权法原理:

1.topsis模型介绍

熵权法是一种客观赋权的方法,依据的原理是指标的变异程度越小,所反映的信息量也越少,其对应的权值也应该越低。(这里的客观指的是数据本身可以给定我们的权重)

2.熵权法的计算步骤

  • 第一步:判断输入的矩阵中是否存在负数,如果有则要重新标准化到非负区间

topsis算法模型和熵权法使用原理详解

  • 第二步:计算第 j 项指标下第 i 个样本所占的比重,并将其看作相对熵计算中用到的概率。

    topsis算法模型和熵权法使用原理详解

  • 第三步:计算每个指标的信息熵,并计算信息效用值,并归一化得到每个指标的熵权。

    topsis算法模型和熵权法使用原理详解文章来源地址https://www.toymoban.com/news/detail-440394.html

到了这里,关于topsis算法模型和熵权法使用原理详解的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 数学建模学习笔记||TOPSIS&&熵权法

    目录 评价类问题介绍 TOPSIS法 算法步骤 1.统一指标类型(指标正向化) 2.标准化处理 3.确定正理想解和负理想解 4.计算距离 5.计算相对接近度(S越大越接近理想解) 熵权法 概念 过程 python代码实现 作用         声明 评价类问题介绍 目的:得知一组方案的好坏,对数据评

    2024年01月16日
    浏览(41)
  • 《零基础数学建模》——TOPSIS+熵权法

    本文大部分是对于数学建模清风老师的课程学习总结归纳而来,我的理解可能有错误,大家发现错误可以在评论区批评指正,课程地址:《数学建模清风》   TOPSIS法(Technique for Order Preference by Similarity to 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

    2023年04月09日
    浏览(40)
  • 基于熵权法的topsis分析(包含matlab源码以及实例)

                 目录 一、算法简述          1.topsis分析法          2.熵权法          3.两种算法的结合 二、算法步骤          1.判断指标类型          2.数据正向化          3.正向化矩阵标准化          4.计算概率矩阵P          5.计算各个指标的信息熵

    2024年01月16日
    浏览(40)
  • 熵权法原理及应用

    熵权法原理及应用 熵 :起源于物理学,表示物质微观热运动时的混乱程度,在信息论中是衡量系统无序程度度量值。 熵权法 :根据信息熵的定义,对于某项指标,可以用熵值来判断某个指标的离散程度,其信息熵值越小,指标的 离散程度越大 , 该指标对综合评价的 影响

    2024年02月16日
    浏览(50)
  • Python综合评价模型(八)熵权法

    熵权法是根据评价指标的变异程度(差异系数)来分配权重,评价指标变异程度越大,所赋权重就越大,并以此对评价对象进行综合评价的方法 第一步 导入第三方库和案例数据 第二步 标准化数据(min-max标准化) 使用min-max标准化方法标准化数据后,各评价指标的最大值为

    2024年02月15日
    浏览(48)
  • 【建模算法】熵权法(Python实现)

    熵权法是通过寻找数据本身的规律来赋权重的一种方法。 熵是热力学单位,在数学中,信息熵表示事件所包含的信息量的期望。根据定义,对于某项指标,可以用熵值来判断某个指标的离散程度,其熵值越小,指标的离散程度越大,该指标对综合评价的影响(权重)越大。

    2024年02月04日
    浏览(41)
  • 【赋权算法】Python实现熵权法

    在开始之前,我们先说一下信息熵的概念。 当一件事情发生,如果是意料之中,那么这个事情就并不能拿来当做茶余饭后的谈资,我们可以说这个事情并没有什么信息和价值。而当一件不可能发生的事情发生的时候,我们可能就会觉得震撼三观,这件事情太Crazy了,带来的信

    2024年02月10日
    浏览(44)
  • 数学建模之“TOPSIS数学模型”原理和代码详解

    TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)是一种多准则决策分析方法, 用于解决多个候选方案之间的排序和选择问题 。它基于一种数学模型, 通过比较每个候选方案与理想解和负理想解之间的相似性来评估其优劣。 TOPSIS方法包括以下步骤: 确定决策准则:

    2024年02月12日
    浏览(43)
  • 数学建模:熵权法

    🔆 文章首发于我的个人博客:欢迎大佬们来逛逛 构建原始矩阵 D a t a Data D a t a 形状为 m ∗ n m *n m ∗ n ,其中 m m m 为评价对象, n n n 为评价指标。 对 D a t a Data D a t a 矩阵的指标进行 正向化处理 ,得到矩阵 X X X . 计算每一个指标在每一个对象下的所占该指标的比重,然后

    2024年02月10日
    浏览(46)
  • 权重分析——熵权法

    权重分析是通过熵权法对问卷调查的指标的重要性进行权重输出,根据信息熵的定义,对于某项指标,可以用熵值来判断某个指标的离散程度,其信息熵值越小,指标的离散程度越大, 该指标对综合评价的影响(即权重)就越大,如果某项指标的值全部相等,则该指标在综合

    2024年02月16日
    浏览(46)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包