Matlab评价模型-TOPSIS法(优劣解距离法)

这篇具有很好参考价值的文章主要介绍了Matlab评价模型-TOPSIS法(优劣解距离法)。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。

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

1.2 适用范围

评价对象得分,且各个指标值已知。(下图案例)
Matlab评价模型-TOPSIS法(优劣解距离法)

评价个体与评价指标之间的关系

知识点概括

Matlab评价模型-TOPSIS法(优劣解距离法)

TOPSIS法建模步骤

**1. 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。

  1. 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。
  2. 计算每个方案各自与最优解和最劣解的距离
  3. 根据最优解与最劣解计算得分并排序**
    Matlab评价模型-TOPSIS法(优劣解距离法)
原始矩阵正向化

Matlab评价模型-TOPSIS法(优劣解距离法)

极小型 to 极大型

Matlab评价模型-TOPSIS法(优劣解距离法)

中间型 to 极大型

Matlab评价模型-TOPSIS法(优劣解距离法)

区间型 to 极大型

Matlab评价模型-TOPSIS法(优劣解距离法)

正向化矩阵标准化

Matlab评价模型-TOPSIS法(优劣解距离法)

%% 对正向化后的矩阵进行标准化
%X为正向化矩阵 标准化矩阵Z
Z = X ./ repmat(sum(X.*X) .^ 0.5, n, 1);
disp('标准化矩阵 Z = ')
disp(Z)
计算各评价指标与最优及最劣向量之间的差距

Matlab评价模型-TOPSIS法(优劣解距离法)

评价对象与最优方案的接近程度

Matlab评价模型-TOPSIS法(优劣解距离法)

%% 计算与最大值的距离和最小值的距离,并算出得分  标准化矩阵Z
D_P = sum([(Z - repmat(max(Z),n,1)) .^ 2 ],2) .^ 0.5;   % D+ 与最大值的距离向量
D_N = sum([(Z - repmat(min(Z),n,1)) .^ 2 ],2) .^ 0.5;   % D- 与最小值的距离向量
S = D_N ./ (D_P+D_N);    % 未归一化的得分 
disp('最后的得分为:')
stand_S = S / sum(S)    %归一化得分
[sorted_S,index] = sort(stand_S ,'descend')
sort排序函数
% Matlab中给一维向量排序是使用sort函数:sort(A),排序是按升序进行的,其中A为待排序的向量;
% 若欲保留排列前的索引,则可用 [sA,index] = sort(A,'descend')
% 排序后,sA是排序好的向量,index是向量sA中对A的索引。
%   sA  =  8     3     2     1
% index =  4     3     1     2
Topsis与层次评价法AHP

1. Topsis法避免了数据的主观性,不需要目标函数,不用通过检验,而且能够很好的刻画多个影响指标的综合影响力度,并且对于数据分布及样本量、指标多少无严格限制,既适于小样本资料,也适于多评价单元、多指标的大系统,较为灵活、方便。但是该算法需要每个指标的数据,而对应的量化指标选取会有一定难度,同时不确定指标的选取个数为多少适宜,才能够去很好刻画指标的影响力度.
2. 层次分析法的判断矩阵是通过“专家”评分获取的,主观性强,且n不宜过大。
优劣解距离法的指标评分则是现成的,且对较大的m与n同样适用。相较于层次分析法两两比较而言,优劣解距离法不易于发生混淆。

案例

题目:评价下表中20条河流的水质情况
注:含氧量越高越好;PH值越接近7越好;细菌总数越少越好;植物性营养物量介于10‐20之间最佳,超
过20或低于10均不好。
Matlab评价模型-TOPSIS法(优劣解距离法)文章来源地址https://www.toymoban.com/news/detail-497920.html

clear;clc
%%  第一步:导入数据data
load data_water_quality.mat

%%  第二步:判断是否需要正向化
[n,m] = size(X);
disp(['共有' num2str(n) '个评价对象, ' num2str(m) '个评价指标']) 
Judge = input(['这' num2str(m) '个指标是否需要经过正向化处理,需要请输入1 ,不需要输入0:  ']);

if Judge == 1
    Position = input('请输入需要正向化处理的指标所在的列,例如第2、3、4三列需要处理,那么你需要输入[2,3,4]: '); %[2,3,4]
    disp('请输入需要处理的这些列的指标类型(1:极小型, 2:中间型, 3:区间型) ')
    Type = input('例如:第2列是极小型,第3列是区间型,第4列是中间型,就输入[1,3,2]:  '); 
    % 注意,Position和Type是两个同维度的行向量
    for i = 1 : size(Position,2)  %这里需要对这些列分别处理,因此我们需要知道一共要处理的次数,即循环的次数
        X(:,Position(i)) = Positivization(X(:,Position(i)),Type(i),Position(i));
    % Positivization是我们自己定义的函数,其作用是进行正向化,其一共接收三个参数
    % 第一个参数是要正向化处理的那一列向量 X(:,Position(i))   回顾上一讲的知识,X(:,n)表示取第n列的全部元素
    % 第二个参数是对应的这一列的指标类型(1:极小型, 2:中间型, 3:区间型)
    % 第三个参数是告诉函数我们正在处理的是原始矩阵中的哪一列
    % 该函数有一个返回值,它返回正向化之后的指标,我们可以将其直接赋值给我们原始要处理的那一列向量
    end
    disp('正向化后的矩阵 X =  ')
    disp(X)
end

%% 第三步:对正向化后的矩阵进行标准化
Z = X ./ repmat(sum(X.*X) .^ 0.5, n, 1);
disp('标准化矩阵 Z = ')
disp(Z)

%% 第四步:计算与最大值的距离和最小值的距离,并算出得分
D_P = sum([(Z - repmat(max(Z),n,1)) .^ 2 ],2) .^ 0.5;   % D+ 与最大值的距离向量
D_N = sum([(Z - repmat(min(Z),n,1)) .^ 2 ],2) .^ 0.5;   % D- 与最小值的距离向量
S = D_N ./ (D_P+D_N);    % 未归一化的得分
disp('最后的得分为:')
stand_S = S / sum(S)
[sorted_S,index] = sort(stand_S ,'descend')


%归一化结果分数  从大到小
sorted_S =
    0.0819
    0.0713
    0.0633
    0.0592
    0.0585
    0.0551
    0.0531
    0.0519
    0.0505
    0.0498
    0.0480
    0.0480
    0.0469
    0.0461
    0.0440
    0.0428
    0.0373
    0.0323
    0.0301
    0.0299

index =
    16
     3
     1
     5
    15
     7
    14
    20
    13
     9
     4
    10
    18
    11
     8
     6
    12
    19
     2
    17

到了这里,关于Matlab评价模型-TOPSIS法(优劣解距离法)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

  • 2023数学建模国赛常用算法-Topsis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15日
    浏览(33)
  • TOPSIS(优劣解距离法)【附Python实现代码及可视化代码】

    目录 一、指标正向化 1.极小型指标-极大型指标 2.中间型指标-极大型指标 3.区间型指标-极大型指标 二、标准化处理 三、计算得分并归一化(不带权重) 四、计算得分并归一化(带权重) 熵权法 1)判断输入的矩阵是否存在负数 2)计算第j项指标下第i个样本所占的比重,并将其看

    2023年04月20日
    浏览(39)
  • 综合评价算法 | Matlab实现基于TOPSIS法的综合评价算法

    效果一览 文章概述 综合评价算法 | Matlab实现基于TOPSIS法的综合评价算法 研究内容 C.L.Hwang 和 K.Yoon 于1981年首次提出 TOPSIS (Technique for Order Preference by Similarity to an Ideal Solution)。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

    2024年02月12日
    浏览(85)
  • 数学建模学习(4):TOPSIS 综合评价模型及编程实战

            需求:我们需要对各个银行进行评价,A-G为银行的各个指标,下面是银行的数据: 清空代码和变量的指令 层次分析法 每一行代表一个对象的指标评分 A为自己构造的输入判别矩阵 求特征值特征向量,找到最大特征值对应的特征向量  找到最大的特征值  找到最大

    2024年02月16日
    浏览(50)
  • 机器学习模型优劣评价指标:混淆矩阵,P-R曲线与平均精确度(附代码实现)

    文章参考:Mean Average Precision (mAP) Explained | Paperspace Blog 目录 一. Confusion Metrics混淆矩阵 二. Precision-Recall Curve, Average precision P-R曲线,平均精确度 三. 举例与代码实现 (1)从预测分数到类别标签(From Prediction Score to Class Label) (2)精确度-召回度曲线(Precision-Recall Curve) (3)平均

    2024年02月05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)
  • TOPSIS法(熵权法)(模型+MATLAB代码)

    TOPSIS可翻译为逼近理想解排序法,国内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距离 极大型指标(效益型指标)  :越高(大)越好 极小型指标(成本型指标)  :越少(小)越好 中间

    2024年02月21日
    浏览(43)
  • 数学建模之TOPSIS模型(含matlab代码)

      目录 一、方法和原理 1、理想解法  2、方法原理  二、TOPSIS法的具体算法 (1) 用向量规划化的方法求得规范决策矩阵 1、线性变换 2、0-1变换 3、区间型属性的变换 4、向量规范化 5、标准换处理  (2)构成加权规范阵C  (3)确定正理想解和负理想解  (4)计算各方案到正

    2024年02月07日
    浏览(37)
  • 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

    2024年02月04日
    浏览(46)
  • 综合评价之熵值法+TOPSIS

    (一)原理 熵指代一种混乱程度,定义事物越混乱,其熵值就越大,事物越整齐,其熵值就越大。熵值法就是采用熵这个概念来对指标进行赋权。熵值法认为一个若一个指标的数据都大差不差,没有什么区别,那么其数据包含的信息量是很少的,几乎不能帮助我们决策,因此

    2024年02月08日
    浏览(39)

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