综合评价理想解法(TOPSIS解法)

这篇具有很好参考价值的文章主要介绍了综合评价理想解法(TOPSIS解法)。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。

综合评价理想解法(TOPSIS解法)

问题的理想解法,理想解法亦称为 TOPSIS 法,是一种有效的多指标评价方法。这种方法。通过构造评价问题的正理想解和负理想解, 即各指标的最优解和最劣解,通过计算每个方案到理想方案的相对贴近度,即靠近正理想解和远离负理想解的程度,来对方案进行排序,从而选出最优方案。

计算步骤

TOPSIS 法的具体算法步骤如下:

  1. 用向量规划化的方法求得规范决策矩阵。设多属性决策问题的决策矩阵 A = ( a i j ) m × n \boldsymbol{A}=\left(a_{i j}\right)_{m \times n} A=(aij)m×n​, 规范化决策矩阵 B = ( b i j ) m × n \boldsymbol{B}=\left(b_{i j}\right)_{m \times n} B=(bij)m×n​​, 其中

b i j = a i j / ∑ i = 1 m a i j 2 , i = 1 , 2 , ⋯   , m ; j = 1 , 2 , ⋯   , n ∘ b_{i j}=a_{i j} / \sqrt{\sum_{i=1}^{m} a_{i j}^{2}}, i=1,2, \cdots, m ; j=1,2, \cdots, n_{\circ} bij=aij/i=1maij2 ,i=1,2,,m;j=1,2,,n
2. 构造加权规范阵 C = ( c i j ) m × n \boldsymbol{C}=\left(c_{i j}\right)_{m \times n} C=(cij)m×n​​ 。设由决策人给定各属性的权重向量为 w = [ w 1 , w 2 , ⋯   , w n ] T \boldsymbol{w}=\left[w_{1},w_{2}, \cdots, w_{n}\right]^{\mathrm{T}} w=[w1,w2,,wn]T​​, 则

c i j = w j ⋅ b i j , i = 1 , 2 , ⋯   , m ; j = 1 , 2 , ⋯   , n ∘ c_{i j}=w_{j} \cdot b_{i j}, i=1,2, \cdots, m ; j=1,2, \cdots, n_{\circ} cij=wjbij,i=1,2,,m;j=1,2,,n
3. 确定正理想解 C ∗ \boldsymbol{C}^{*} C​​ 和负理想解 C 0 \boldsymbol{C}^{0} C0​​ 。设正理想解 C ∗ \boldsymbol{C}^{*} C​​ 的第 j \mathrm{j} j​​ 个属性值为 c j ∗ c_{j}^{*} cj​​,负理想 解 C 0 \boldsymbol{C}^{0} C0​​ 第 j j j​​ 个属性值为 c j 0 c_{j}^{0} cj0​​, 则

​ 正理想解 :
c j ∗ = { max ⁡ i c i j , j  为效益型属性,  min ⁡ i c i j , j  为成本型属性,  j = 1 , 2 , ⋯   , n c_{j}^{*}=\left\{\begin{array}{l}\max _{i} c_{i j}, j \text { 为效益型属性, } \\ \min _{i} c_{i j}, j \text { 为成本型属性, }\end{array} j=1,2, \cdots, n\right. cj={maxicij,j 为效益型属性minicij,j 为成本型属性j=1,2,,n

​ 负理想解 :
c j 0 = { min ⁡ i c i j , j  为效益型属性,  max ⁡ c i j , j  为成本型属性,  j = 1 , 2 , ⋯   , n c_{j}^{0}=\left\{\begin{array}{l}\min _{i} c_{i j}, j \text { 为效益型属性, } \\ \max c_{i j}, j \text { 为成本型属性, }\end{array} j=1,2, \cdots, n\right. cj0={minicij,j 为效益型属性maxcij,j 为成本型属性j=1,2,,n

  1. 计算各方案到正理想解与负理想解的距离。

备选方案 d i \boldsymbol{d}_{i} di到正理想解的距离为

s i ∗ = ∑ j = 1 n ( c i j − c j ∗ ) 2 , i = 1 , 2 , ⋯   , m ; s_{i}^{*}=\sqrt{\sum_{j=1}^{n}\left(c_{i j}-c_{j}^{*}\right)^{2}}, i=1,2, \cdots, m ; si=j=1n(cijcj)2 ,i=1,2,,m;
​ 备选方案 d i \boldsymbol{d}_{i} di 到负理想解的距离为
s i 0 = ∑ j = 1 n ( c i j − c j 0 ) 2 , i = 1 , 2 , ⋯   , m ∘ s_{i}^{0}=\sqrt{\sum_{j=1}^{n}\left(c_{i j}-c_{j}^{0}\right)^{2}}, i=1,2, \cdots, m_{\circ} si0=j=1n(cijcj0)2 ,i=1,2,,m
5. 计算各方案的排序指标值(即综合评价指数), 即

f i ∗ = s i 0 / ( s i 0 + s i ∗ ) , i = 1 , 2 , ⋯   , m ∘ f_{i}^{*}=s_{i}^{0} /\left(s_{i}^{0}+s_{i}^{*}\right), i=1,2, \cdots, m_{\circ} fi=si0/(si0+si),i=1,2,,m
6. 按 f i ∗ f_{i}^{*} fi​​ 由大到小排列方案的优劣次序。

示例:

例:科研团队实力评估

为了客观地评价我校各科研团队实力水平,经校领导研究决定组织一次对学校各科研团队的实力评估。为了取得经验,先选了5 个团队,收集有关资料信息进行试评估,下表是给出的部分数据。

承担项目跨学科数量 x 1 x_1 x1 平均科研经费 x 2 x_2 x2 2018年承担项目数量 x 3 x_3 x3
1 3 375 3
2 6 400 5
3 8 280 3
4 2 425 2
5 1 500 4

第一步:数据预处理

数据的预处理又称属性值的规范化。属性值具有多种类型,包括效益型、成本型和区间型等。这三种属性,效益型属性越 大越好,成本型属性越小越好,区间型属性是在某个区间最佳。 在进行决策时,一般要进行属性值的规范化,主要有如下三个作用:

  • 属性值有多种类型,上述三种属性放在同一个表中不便于直接从数值大小判断方案的优劣,因此需要对数据进行预处理,使得表中任一属性下性能越优的方案变换后的属性值越大。

  • 非量纲化,多属性决策与评估的困难之一是属性间的不可公度性,即在属性值表中的每一列数具有不同的单位(量纲)。即使对同一属性,采用不同的计量单位,表中的数值也就不同。 在用各种多属性决策方法进行分析评价时,需要排除量纲的选用对决策或评估结果的影响,这就是非量纲化。

  • 归一化,属性值表中不同指标的属性值的数值大小差别很大,为了直观,更为了便于采用各种多属性决策与评估方法进行评价,需要把属性值表中的数值 归一化,即把表中数值均变换到 [ 0 , 1 ] [0,1] [0,1] 区间上。

此外,还可在属性规范时用非线性变换或其他办法,来解决或部分解决某些目标的达 到程度与属性值之间的非线性关系,以及目标间的不完全补偿性。常用的属性规范化方法有以下几种。

  1. **线性变换。**原始的决策矩阵为 A = ( a i j ) m × n \boldsymbol{A}=\left(a_{i j}\right)_{m \times n} A=(aij)m×n ​, 变换后的决策矩阵记为 B = ( b i j ) m × n , i = 1 , ⋯   , m ; j = 1 , ⋯   , n ∘ \boldsymbol{B}=\left(b_{i j}\right)_{m \times n}, i=1, \cdots, m ; j=1, \cdots, n_{\circ} B=(bij)m×n,i=1,,m;j=1,,n​ 设 a j m a x a_{j}^{\mathrm{max}} ajmax​ 是决策矩阵第 j j j​ 列中的最大值, a j min ⁡ a_{j}^{\min } ajmin​ 是决策矩阵第 j j j​ 列中的最小值。若 x j x_{j} xj​​​ 为效益型属性,则

b i j = a i j / a j max ⁡ b_{i j}=a_{i j} / a_{j}^{\max } bij=aij/ajmax
采用上式进行属性规范化时,经过变换的最差属性值不一定为 0 ,最优属性值为 1 。 若 x j x_{j} xj 为成本型属性,则

b i j = 1 − a i j / a j max ⁡ b_{i j}=1-a_{i j} / a_{j}^{\max } bij=1aij/ajmax

  1. **标准 0 − 1 0-1 01 变换。**为了使每个属性变换后的最优值为 1 且最差值为 0 , 可以进行 标准 0 − 1 0-1 01 变换。对效益型属性 x j x_{j} xj, 令

b i j = a i j − a j min ⁡ a j max ⁡ − a j min ⁡  ,  b_{i j}=\frac{a_{i j}-a_{j}^{\min }}{a_{j}^{\max }-a_{j}^{\min }} \text { , } bij=ajmaxajminaijajmin , 
对成本型属性 x j x_{j} xj, 令

b i j = a j max ⁡ − a i j a j max ⁡ − a j min ⁡ b_{i j}=\frac{a_{j}^{\max }-a_{i j}}{a_{j}^{\max }-a_{j}^{\min }} bij=ajmaxajminajmaxaij
3. **区间型属性的变换。**有些属性既非效益型又非成本型,如生师比。显然这种属 性不能采用前面介绍的两种方法处理。 设给定的最优属性区间为 [ a j 0 , a j ∗ ] , a j ′ \left[a_{j}^{0}, a_{j}^{*}\right], a_{j}^{\prime} [aj0,aj],aj 为无法容忍下限, a j ′ ′ a_{j}^{\prime \prime} aj​ 为无法容忍上限,则

b i j = { 1 − ( a j 0 − a i j ) / ( a j 0 − a j ′ ) , a j ′ ⩽ a i j < a j 0 , 1 , a j 0 ⩽ a i j ⩽ a j ∗ , 1 − ( a i j − a j ∗ ) / ( a j ′ ′ − a j ∗ ) , a j ∗ < a i j ⩽ a j ′ ′ , 0 ,  其他。  b_{i j}= \begin{cases}1-\left(a_{j}^{0}-a_{i j}\right) /\left(a_{j}^{0}-a_{j}^{\prime}\right), & a_{j}^{\prime} \leqslant a_{i j}<a_{j}^{0}, \\ 1, & a_{j}^{0} \leqslant a_{i j} \leqslant a_{j}^{*}, \\ 1-\left(a_{i j}-a_{j}^{*}\right) /\left(a_{j}^{\prime \prime}-a_{j}^{*}\right), & a_{j}^{*}<a_{i j} \leqslant a_{j}^{\prime \prime}, \\ 0, & \text { 其他。 }\end{cases} bij=1(aj0aij)/(aj0aj),1,1(aijaj)/(ajaj),0,ajaij<aj0,aj0aijaj,aj<aijaj, 其他。 
变换后的属性值 b i j b_{i j} bij 与原属性值 a i j a_{i j} aij 之间的函数图形为一般梯形。当属性值最优区间的上 下限相等时,最优区间退化为一个点时, 函数图形退化为三角形。

  1. 向量规范化。 无论成本型属性还是效益型属性,向量规范化均用下式进行变换:

b i j = a i i / ∑ i = 1 m a i j 2 , i = 1 , ⋯   , m , j = 1 , ⋯   , n ∘ b_{i j}=a_{i i} / \sqrt{\sum_{i=1}^{m} a_{i j}^{2}}, i=1, \cdots, m, j=1, \cdots, n_{\circ} bij=aii/i=1maij2 ,i=1,,m,j=1,,n
它与前面介绍的几种变换不同,从变换后属性值的大小上无法分辨属性值的优劣。 它的最大特点是,规范化后,各方案的同一属性值的平方和为 1 , 因此常用于计算各 方案与某种虛拟方案(如理想点或负理想点)的欧几里得距离的场合。

  1. **标准化处理。**在实际问题中,不同变量的测量单位往往是不一样的。为了消除 变量的量纲效应,使每个变量都具有同等的表现力,数据分析中常对数据进行标准化处理,即

b i j = a i j − a ˉ j s j , i = 1 , 2 , ⋯   , m , j = 1 , 2 , ⋯   , n ,  式中:  a ˉ j = 1 m ∑ i = 1 m a i j , s j = 1 m − 1 ∑ i = 1 m ( a i j − a ˉ j ) 2 , j = 1 , 2 , ⋯   , n ∘ \begin{gathered} b_{i j}=\frac{a_{i j}-\bar{a}_{j}}{s_{j}}, i=1,2, \cdots, m, j=1,2, \cdots, n, \\ \text { 式中: } \bar{a}_{j}=\frac{1}{m} \sum_{i=1}^{m} a_{i j}, s_{j}=\sqrt{\frac{1}{m-1} \sum_{i=1}^{m}\left(a_{i j}-\bar{a}_{j}\right)^{2}}, j=1,2, \cdots, n_{\circ} \end{gathered} bij=sjaijaˉj,i=1,2,,m,j=1,2,,n, 式中aˉj=m1i=1maij,sj=m11i=1m(aijaˉj)2 ,j=1,2,,n

本例及一般TOPSIS解法采用向量规范化处理数据,规范化后结果如下表所示:

承担项目跨学科数量 x 1 x_1 x1 平均科研经费 x 2 x_2 x2 2018年承担项目数量 x 3 x_3 x3
1 0.2810 0.4168 0.3780
2 0.5620 0.4445 0.6299
3 0.7493 0.3112 0.3780
4 0.1873 0.4723 0.2520
5 0.0937 0.5557 0.5040

### 第二步:加权向量规范化

设权向量为  w = [ 0.2 , 0.5 , 0.3 ] \boldsymbol{w}=[ 0.2,0.5,0.3 ] w=[0.2,0.5,0.3]​​​​,得到加权后的向量规范属性矩阵见下表:

承担项目跨学科数量 x 1 x_1 x1 平均科研经费 x 2 x_2 x2 2018年承担项目数量 x 3 x_3 x3
1 0.0562 0.2084 0.1134
2 0.1124 0.2223 0.1890
3 0.1499 0.1556 0.1134
4 0.0375 0.2362 0.0756
5 0.0187 0.2778 0.1512

第三步: 计算正理想解和负理想解

正理想解 :

C ∗ = [ 0.1499 , 0.2778 , 0.1890 ] C^{*}=[0.1499,0.2778,0.1890] C=[0.1499,0.2778,0.1890]​​,

负理想解 :

C 0 = [ 0.0187 , 0.1556 , 0.0756 ] C^{0}=[0.0187,0.1556,0.0756] C0=[0.0187,0.1556,0.0756]

第四步: 计算各方案到达各理想解的距离

分别用下面两式求各方案到正理想解的距离 s i ∗ s_{i}^{*} si​​​ 和负理想解的 距离 s i 0 s_{i}^{0} si0​​​​​, 列于下表 。

备选方案 d i \boldsymbol{d}_{i} di到正理想解的距离为
s i ∗ = ∑ j = 1 n ( c i j − c j ∗ ) 2 , i = 1 , 2 , ⋯   , m ; s_{i}^{*}=\sqrt{\sum_{j=1}^{n}\left(c_{i j}-c_{j}^{*}\right)^{2}}, i=1,2, \cdots, m ; si=j=1n(cijcj)2 ,i=1,2,,m;
备选方案 d i \boldsymbol{d}_{i} di 到负理想解的距离为
s i 0 = ∑ j = 1 n ( c i j − c j 0 ) 2 , i = 1 , 2 , ⋯   , m ∘ s_{i}^{0}=\sqrt{\sum_{j=1}^{n}\left(c_{i j}-c_{j}^{0}\right)^{2}}, i=1,2, \cdots, m_{\circ} si0=j=1n(cijcj0)2 ,i=1,2,,m

距离值及综合指标值:

$s_{i}^{*} $ s i 0 s_{i}^{0} si0 $ f_{i}^{*}$
1 0.1390 0.0750 0.3504
2 0.0670 0.1615 0.7067
3 0.1437 0.1365 0.4870
4 0.1650 0.0827 0.3339
5 0.1365 0.1437 0.5130

第五步: 计算排列指标值

根据上表 $ f_{i}^{*}$​​​ 指标排序,可得各方案​​从优到劣的次序为 4,1,3,5,2文章来源地址https://www.toymoban.com/news/detail-444675.html

排名 承担项目跨学科数量 x 1 x_1 x1 平均科研经费 x 2 x_2 x2 2018年承担项目数量 x 3 x_3 x3
4 3 375 3
1 6 400 5
3 8 280 3
5 2 425 2
2 1 500 4

MATLAB 实现代码

clc, clear
a=[3	375	 3
 6	400	 5
 8	280	 3
 2	425	 
 1	500	 4];
[m,n]=size(a);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for j=1:n
    b(:,j)=a(:,j)/norm(a(:,j));  %向量规划化
end
w=[0.2 0.5 0.3];
c=b.*repmat(w,m,1);      %求加权矩阵
Cstar=max(c);    %求正理想解
C0=min(c);       %求负理想解
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for i=1:m
    Sstar(i)=norm(c(i,:)-Cstar);  %求到正理想解的距离
    S0(i)=norm(c(i,:)-C0);      %求到负理想的距离
end
f=S0./(Sstar+S0);
[sf,ind]=sort(f,'descend')       %求排序结果

到了这里,关于综合评价理想解法(TOPSIS解法)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--Topsis评价方法的Python实现

    目录 1.算法流程简介 2.算法核心代码 3.算法效果展示  

    2024年02月09日
    浏览(42)
  • Matlab评价模型-TOPSIS法(优劣解距离法)

    1.1 概念 TOPSIS 法是一种常用的组内综合评价方法,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。基本过程为基于归一化后的原始数据矩阵,采用余弦法找出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

    2024年02月10日
    浏览(40)
  • 评价模型(一) 层次分析法(AHP),熵权法,TOPSIS分析 及其对应 PYTHON 实现代码和例题解释

    数学建模系列文章: 以下是个人在准备数模国赛时候的一些模型算法和代码整理,有空会不断更新内容: 评价模型(一)层次分析法(AHP),熵权法,TOPSIS分析 及其对应 PYTHON 实现代码和例题解释 评价模型(二)主成分分析、因子分析、二者对比及其对应 PYTHON 实现代码和例

    2024年02月08日
    浏览(56)
  • 综合评价方法

    综合评价指的是运用多个因素对事物进行综合评价的方法。用于评价的方法一般是主客观结合的,方法的选择需基于实际指标数据情况选定,最为关键的是指标的选取,以及指标权重的设置,这些需要基于广泛的调研和扎实的业务知识,不能说单纯的从数学上解决的。 1. 综合

    2024年02月03日
    浏览(83)
  • 【数学建模】-- 模糊综合评价

    模糊综合评价(Fuzzy Comprehensive Evaluation)是一种用于处理不确定性和模糊性信息的决策分析方法。它通常用于解决复杂的多指标决策问题,其中各指标之间可能存在交叉影响和模糊性的情况。模糊综合评价通过将不确定性和模糊性量化,将多个指标的信息综合起来,得出一个

    2024年02月10日
    浏览(53)
  • 模糊综合评价

    模糊性 常常是信息浓缩所致,目的是为了提高交换的概率,所以不是毫无用处,而是积极的特性。 模糊 是指客观事物差异的中间过渡中的“不分明性”或“亦此亦彼性”。 模糊数学 是用来处理涉及模糊概念的问题,尝试使用某种方法将模糊的概念量化,方便进行处理计算

    2024年02月07日
    浏览(38)
  • 数学建模--综合评价方法

    提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加 例如:第一章 Python 机器学习入门之pandas的使用 提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮助文档 评价方法大体上可分为两类,其主要区别在确定权重的方法上。一类是主观赋权

    2024年02月10日
    浏览(43)
  • 综合评价与决策方法

    1、理想解法:有效的多指标评价方法; 2、模糊综合评判法:多指标or say多目标决策问题,解决模糊性和人的经验性; 3、数据包络分析:比较不同决策的相对有效用,多指标输入多指标输出系统; 4、灰色关联度分析:样本规律性和数量要求不高,一定程度排除决策者主管任

    2024年02月15日
    浏览(79)
  • 熵值法综合评价分析流程

    熵值法综合评价分析流程 当前有一份数据,是各品牌车各个维度的得分情况,现在想要使用熵值法进行综合评价,得到各品牌车的综合得分,从而进行车型优劣对比,为消费者提供购车依据。 数据如下(数据虚构,无实际意义): 使用熵值法进行分析,需要对数据进行处理

    2024年02月02日
    浏览(36)
  • 数学建模:模糊综合评价分析

    🔆 文章首发于我的个人博客:欢迎大佬们来逛逛 构成综合评价类问题的五个要素: 被评价对象 评价指标 权重系数 综合评价模型 评价者 综合评价的一般步骤: 确定综合评价的目的(分类?排序?实现程度) 建立评价指标体系 对指标数据进行 预处理 :一致化和无量纲化

    2024年02月09日
    浏览(59)

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