数学建模 | 您所在的位置:网站首页 › 场景建模过程 › 数学建模 |
文章目录
一、TOPSIS的应用场景二、TOPSIS法的模型建立1.对原始决策矩阵正向化2.决策矩阵标准化3.计算得分并归一化
三、TOPSIS与(组合)赋权法结合代码
一、TOPSIS的应用场景
Topsis法,全称为Technique for Order Preference by Similarity to an Ideal Solution,中文常翻译为优劣解距离法,该方法能够根据现有的数据,对个体进行评价排序。根据有限个评价对象与理想化目标的接近程度进行排序的方法,是在现有的对象中进行相对优劣的评价。 下图中假设只有两个评价指标,因此是二维坐标。 主要步骤: 原始决策矩阵正向化决策矩阵标准化计算得分并归一化 1.对原始决策矩阵正向化构造决策矩阵 A = ( a i j ) m × n A=\left(a_{i j}\right)_{m \times n} A=(aij)m×n,每一列是一个评价指标,每一行是一条待评价样本。 有的数据是越大越好,有的数据是靠近某个值越好,有的是在一个区间中最好,这种不同的方向和区间让分析变得混乱,为了简化分析我们将数据进行正向化处理,都让他越大越好。 最常见的四种指标:
标准化的目的是消除不同指标量纲的影响,常用方法有max-min标准化和Z-score标准化,本文介绍Z-score标准化。 假设有
n
n
n个要评价的对象,
m
m
m个要评价指标(已经正向化)构成的正向化矩阵如下:
X
=
[
x
11
x
12
⋯
x
1
m
x
21
x
22
⋯
x
2
m
⋮
⋮
⋱
⋮
x
n
1
x
n
2
⋯
x
n
m
]
X=\left[\begin{array}{cccc} x_{11} & x_{12} & \cdots & x_{1 m} \\ x_{21} & x_{22} & \cdots & x_{2 m} \\ \vdots & \vdots & \ddots & \vdots \\ x_{n 1} & x_{n 2} & \cdots & x_{n m} \end{array}\right]
X=⎣⎢⎢⎢⎡x11x21⋮xn1x12x22⋮xn2⋯⋯⋱⋯x1mx2m⋮xnm⎦⎥⎥⎥⎤ ,记对其进行标准化的矩阵为Z,Z中的每一个元素通过如下公式计算:
z
i
j
=
x
i
j
/
∑
i
=
1
n
x
i
j
2
z_{i j}=x_{i j} / \sqrt{\sum_{i=1}^{n} x_{i j}^{2}}
zij=xij/i=1∑nxij2
例:下表是5位同学身体相关参数,请用TOPSIS法来对同学身体情况进行一个综合的评价。 正向化后矩阵: 得到标准化后的矩阵: 假设有 n n n个要评价的对象, m m m个要评价指标构成的标准化矩阵如下: Z = [ z 11 z 12 ⋯ z 1 m z 21 z 22 ⋯ z 2 m ⋮ ⋮ ⋱ ⋮ z n 1 z n 2 ⋯ z n m ] Z=\left[\begin{array}{cccc} z_{11} & z_{12} & \cdots & z_{1 m} \\ z_{21} & z_{22} & \cdots & z_{2 m} \\ \vdots & \vdots & \ddots & \vdots \\ z_{n 1} & z_{n 2} & \cdots & z_{n m} \end{array}\right] Z=⎣⎢⎢⎢⎡z11z21⋮zn1z12z22⋮zn2⋯⋯⋱⋯z1mz2m⋮znm⎦⎥⎥⎥⎤ 定义最大值 Z + = ( Z 1 + , Z 2 + , ⋯ , Z m + ) = ( max { z 11 , z 21 , ⋯ , z n 1 } , max { z 12 , z 22 , ⋯ , z m 2 } , ⋯ , max { z 1 m , z 2 m , ⋯ , z m m } ) \begin{array}{rlr} Z^{+} & =\left(Z_{1}^{+}, Z_{2}^{+}, \cdots, Z_{m}^{+}\right) \\ & =\left(\max \left\{z_{11}, z_{21}, \cdots, z_{n 1}\right\}, \max \left\{z_{12}, z_{22}, \cdots, z_{m 2}\right\}, \cdots, \max \left\{z_{1 m}, z_{2 m}, \cdots, z_{m m}\right\}\right) \end{array} Z+=(Z1+,Z2+,⋯,Zm+)=(max{z11,z21,⋯,zn1},max{z12,z22,⋯,zm2},⋯,max{z1m,z2m,⋯,zmm}) 定义最小值 Z − = ( Z 1 − , Z 2 − , ⋯ , Z m − ) = ( min { z 11 , z 21 , ⋯ , z n 1 } , min { z 12 , z 22 , ⋯ , z n 2 } , ⋯ , min { z 1 m , z 2 m , ⋯ , z n m } ) \begin{aligned} Z^{-} &=\left(Z_{1}^{-}, Z_{2}^{-}, \cdots, Z_{m}^{-}\right) \\ &=\left(\min \left\{z_{11}, z_{21}, \cdots, z_{n 1}\right\}, \min \left\{z_{12}, z_{22}, \cdots, z_{n 2}\right\}, \cdots, \min \left\{z_{1 m}, z_{2 m}, \cdots, z_{n m}\right\}\right) \end{aligned} Z−=(Z1−,Z2−,⋯,Zm−)=(min{z11,z21,⋯,zn1},min{z12,z22,⋯,zn2},⋯,min{z1m,z2m,⋯,znm}) 定义第 i i i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}\left(Z_{j}^{+}-z_{i j}\right)^{2}} Di+=∑j=1m(Zj+−zij)2 定义第 i i i个评价对象与最小值的距离 D i − = ∑ j = 1 m ( Z j − − z i j ) 2 D_{i}^{-}=\sqrt{\sum_{j=1}^{m}\left(Z_{j}^{-}-z_{i j}\right)^{2}} Di−=∑j=1m(Zj−−zij)2 那么我们就可以计算得出第 i i i个评价对象未归一化的得分: S i = D i − D i + + D i − S_{i}=\frac{D_{i}^{-}}{D_{i}^{+}+D_{i}^{-}} Si=Di++Di−Di− 很明显 0 ≤ S i ≤ 1 0 \leq S_{i} \leq 1 0≤Si≤1,且 S i S_i Si越大 D i + D_i^+ Di+越小,即越接近最大值。 最后我们可以将得分归一化: S ~ i = S i / ∑ i = 1 m S i \tilde{S}_{i}=S_{i} / \sum\limits_{i=1}^{m} S_{i} S~i=Si/i=1∑mSi,可以得知 ∑ i = 1 m S ~ i = 1 \sum\limits_{i=1}^{m} \tilde{S}_{i} = 1 i=1∑mS~i=1 建模完毕。 三、TOPSIS与(组合)赋权法结合假设有 n n n个要评价的对象, m m m个要评价指标构成的标准化矩阵如下: Z = [ z 11 z 12 ⋯ z 1 m z 21 z 22 ⋯ z 2 m ⋮ ⋮ ⋱ ⋮ z n 1 z n 2 ⋯ z n m ] Z=\left[\begin{array}{cccc} z_{11} & z_{12} & \cdots & z_{1 m} \\ z_{21} & z_{22} & \cdots & z_{2 m} \\ \vdots & \vdots & \ddots & \vdots \\ z_{n 1} & z_{n 2} & \cdots & z_{n m} \end{array}\right] Z=⎣⎢⎢⎢⎡z11z21⋮zn1z12z22⋮zn2⋯⋯⋱⋯z1mz2m⋮znm⎦⎥⎥⎥⎤ 可以使用层次分析法或者熵权法给这 m m m个评价指标赋权 D i + = ∑ j = 1 m ω j ( Z j + − z i j ) 2 D_{i}^{+}=\sqrt{\sum_{j=1}^{m} \omega_{j}\left(Z_{j}^{+}-z_{i j}\right)^{2}} Di+=j=1∑mωj(Zj+−zij)2 D i − = ∑ j = 1 m ω j ( Z j − − z i j ) 2 D_{i}^{-}=\sqrt{\sum_{j=1}^{m} \omega_{j}\left(Z_{j}^{-}-z_{i j}\right)^{2}} Di−=j=1∑mωj(Zj−−zij)2 代码基于熵权法对上例进行求解(matlab)。 %基于熵权法对于TOPSIS的修正 clear;clc; load X.mat; %获取行数列数 r = size(X,1); c = size(X,2); %首先,把我们的原始指标矩阵正向化 %第二列中间型--->极大型 middle = input("请输入最佳的中间值:"); M = max(abs(X(:,2)-middle)); for i=1:r X(i,2) = 1-abs(X(i,2)-middle)/M; end %第三列极小型--->极大型 max_value = max(X(:,3)); X(:,3) = abs(X(:,3)-max_value); %第四列区间型--->极大型 a = input("请输入区间的下界:"); b = input("请输入区间的下界:"); M = max(a-min(X(:,4)),max(X(:,4))-b); for i=1:r if (X(i,4) |
CopyRight 2018-2019 实验室设备网 版权所有 |