评级模型之Topsis法—基于R

这篇具有很好参考价值的文章主要介绍了评级模型之Topsis法—基于R。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。

本文以应用为主,因此原理并不深究

步骤

Step1. 构造初始决策矩阵 \(D = (d_{ij})_{m \times n}\)
Step2. 按列(属性)对决策矩阵D归一化

\[d_{ij} = \frac{d_{ij}}{\sum\limits_{k=1}^mx_{kj}} \]

记归一化后的矩阵为 \(R = (r_{ij})_{m \times n}\).

Step3. 用信息熵法计算权重

\[\begin{aligned} & E_j = -k\sum\limits_{i=1}^mr_{ij}\ln{r_{ij}}, \quad k = \frac{1}{\ln m}\\ & F_j = 1 - E_j\\ & w_j = \frac{F_j}{\sum\limits_{j=1}^nF_j} \end{aligned} \]

Step4. 用Topsis法评价
Topsis 法是理解解的排序方法 (technique for order preference by similarity to ideal solution), 它借助于评价问题的正理想解和负理想解,对各评价对象进行排序。所谓正理想解是一个虚拟的最佳对象,其每个指标值都是对所有评价对象中的该指标的最好值;而负理想解是另一个虚拟的最差对象,其每个指标值都是所有评价对象中该指标的最差值。求出各评价对象与正理想解和负理想解的距离,并依次对各评价对象进行优劣排序。

  • 赋权
\[V = RW \]

其中 \(W = diag(w_1,w_2,\cdots,w_n)\).

  • 计算正理想解 \(V^+\) 和负理想解 \(V^-\).
\[V^+ = (v_1^+,v_2^+,\cdots,v_n^+) = (\max\limits_{1 \leq i \leq m}v_{i1},\max\limits_{1 \leq i \leq m}v_{i2},\cdots,\max\limits_{1 \leq i \leq m}v_{in})\\ V^- = (v_1^-,v_2^-,\cdots,v_n^-) = (\min\limits_{1 \leq i \leq m}v_{i1},\min\limits_{1 \leq i \leq m}v_{i2},\cdots,\min\limits_{1 \leq i \leq m}v_{in}) \]
  • 计算正负理想距离
\[S^+ = (s_1^+,s_2^+,\cdots,s_m^+) = \bigg(\sqrt{\sum\limits_{j=1}^n(v_{1j}-v_j^+)^2},\sqrt{\sum\limits_{j=1}^n(v_{2j}-v_j^+)^2},\cdots,\sqrt{\sum\limits_{j=1}^n(v_{mj}-v_j^+)^2}\bigg) \\ S^- = (s_1^-,s_2^-,\cdots,s_m^-) = \bigg(\sqrt{\sum\limits_{j=1}^n(v_{1j}-v_j^-)^2},\sqrt{\sum\limits_{j=1}^n(v_{2j}-v_j^-)^2},\cdots,\sqrt{\sum\limits_{j=1}^n(v_{mj}-v_j^+)^2}\bigg) \]
  • 计算各评价方案与正理想解的相对接近度 \(C^+\),即可得到评价得分.
\[C^+ = (c_1^+,c_2^+,\cdots,c_m^+) \]

其中 \(c_i^+ = \frac{s_j^-}{s_j^-+s_j^+}\).

实例

评价五所研究生院教学质量,收集有关数据资料如下

人均专著 \(x_1\) /(本/人) 生师比 \(x_2\) 科研经费 \(x_3\) / (万元/年) 逾期毕业率 \(x_4\) / %
1 0.1 5 5000 4.7
2 0.2 6 6000 5.6
3 0.4 7 7000 6.7
4 0.9 10 10000 2.3
5 1.2 2 400 1.8

基于信息熵法与 Topsis 法给出五所研究生院的评价

模型求解

Step1. 构造初始决策矩阵 \(D = (d_{ij})_{m \times n}\)
显然题意可以判断 \(x_1,x_3\) 位效益型属性,\(x_2,x_4\) 为消费型属性.

D <- matrix(c(0.1, 0.2, 0.4, 0.9, 1.2,
              1/5, 1/6, 1/7, 1/10, 1/2,
              5000, 6000, 7000, 10000, 400,
              1/4.7, 1/5.6, 1/6.7, 1/2.3, 1/1.8), nrow = 5)

Step2. 按列(属性)对决策矩阵D归一化

col_sum <- apply(D, 2, sum) # 2代表列
ColSum <- matrix(c(col_sum, col_sum, col_sum, col_sum, col_sum ), nrow = 5, byrow = T) # 按行填入
R <- D/ColSum
R
##      [,1]       [,2]       [,3]       [,4]
## [1,] 0.03571429 0.18025751 0.17605634 0.13897831
## [2,] 0.07142857 0.15021459 0.21126761 0.11664251
## [3,] 0.14285714 0.12875536 0.24647887 0.09749224
## [4,] 0.32142857 0.09012876 0.35211268 0.28399915
## [5,] 0.42857143 0.45064378 0.01408451 0.36288780

Step3. 用信息熵法计算权重

Entropy <- function(x) -sum(x*log(x))/log(5)
E <- apply(R, 2, Entropy)
F <- 1 - E
w <- F/sum(F)
w
## [1] 0.3670204 0.2179919 0.2510037 0.1639840

Step4. 用Topsis法评价

  • 赋权
W <- diag(w)
V <- R %*% W
  • 计算正理想解 \(V^+\) 和负理想解 \(V^-\).
v_max <- apply(V, 2, max)
v_min <- apply(V, 2, min)
  • 计算正负理想距离
V_MAX <- matrix(c(v_max, v_max, v_max, v_max, v_max), nr = 5, byrow = TRUE)
V_MIN <- matrix(c(v_min, v_min, v_min, v_min, v_min), nr = 5, byrow = TRUE)
fun <- function(x) sqrt(sum(x^2))
s_max <- apply(V-V_MAX, 1, fun)
s_min <- apply(V-V_MIN, 1, fun)
  • 计算各评价方案与正理想解的相对接近度 \(C^+\),即可得到评价得分.
C <- s_min/(s_max + s_min)
C
## [1] 0.2157095 0.2533230 0.3423939 0.6089369 0.6669153

因此五所研究院的得分为 \(0.2157095, 0.2533230, 0.3423939, 0.6089369, 0.6669153\).

故五所研究院的排名顺序 \(5 > 4 > 3 > 2 > 1\).文章来源地址https://www.toymoban.com/news/detail-807305.html

到了这里,关于评级模型之Topsis法—基于R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

  • “此应用专为旧版android打造,因此可能无法运行”,问题解决方案

    当用户在Android P系统上打开某些应用程序时,可能会弹出一个对话框,提示内容为:“此应用专为旧版Android打造,可能无法正常运行。请尝试检查更新或与开发者联系”。 随着Android平台的发展,每个新版本通常都会引入新的功能和API,同时逐渐弃用或改变一些旧版本的API。

    2024年02月05日
    浏览(61)
  • 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(45)
  • Ubuntu是一个以桌面应用为主的Linux操作系统

    完整的桌面系统 Ubuntu为您运营组织,学校,家庭或企业提供了所需的一切。预装了所有必要的应用程序,例如办公套件,浏览器,电子邮件和多媒体应用等等。Ubuntu软件中心提供了成千上万的游戏和应用程序。   开源 Ubuntu一直是免费下载,使用和分享。我们相信开源软件的

    2024年01月18日
    浏览(49)
  • Android设置主屏幕应用(桌面程序)。模拟器中将自己的app设为主屏幕应用

    一、在 AndroidManifest.xml 内 activity 的 intent-filter 标签内添加: 二、然后按模拟器的首页就会出现如下图片内容

    2024年02月09日
    浏览(57)
  • 【不带权重的TOPSIS模型详解】——数学建模

    部分资料取自于b站:数学建模学习交流清风老师 TOPSIS法可翻译为 逼近理想解排序法 ,国内常简称为 优劣解距离法 它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地差异。 举个例子: 数学成绩越高代表学习能力越强。跑

    2024年02月12日
    浏览(48)
  • 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(39)
  • 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(44)
  • 手机显示此应用专为旧版android打造,因此可能无法运行,点击应用后闪退的问题解决方案

    如果您在尝试安装并运行一个Android应用(APK文件)时遇到错误消息“此应用专为旧版Android打造, 因此可能无法运行”,或者应用在启动时立即崩溃,以下是一些您可以尝试的解决步骤: 图片来源:手机显示此应用专为旧版android打造,因此可能无法运行,点击应用后闪退的问题

    2024年01月21日
    浏览(80)
  • topsis算法模型和熵权法使用原理详解

    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

    2024年02月04日
    浏览(43)
  • 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)

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