数学建模-评价类问题-优劣解距离法(TOPSIS)

1-AI带你认识TOPSIS

📘 一、TOPSIS 方法简介

1. ​​基本定义:​

​TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)​​,中文通常称为:

  • • ​​优劣解距离法​

  • • ​​逼近理想解排序法​

  • • ​​理想点法​

它是一种​​经典的多指标综合评价方法​ ​,由 ​​C.L. Hwang 和 K. Yoon 于 1981 年提出​ ​,主要用于解决​​多方案、多指标的综合排序与优选问题​​。


2. ​​核心思想:​

​TOPSIS 的核心思想是:通过计算每个评价对象与"理想解"(最优方案)和"负理想解"(最劣方案)之间的距离,来对各个方案进行优劣排序;距离"理想解"越近、距离"负理想解"越远的方案,其综合评价结果越好。​

简单来说就是:

  • • 先找出所有对象中每个指标的​​最好值(正理想解)​ ​ 和 ​​最差值(负理想解)​

  • • 然后计算每个方案到这两个理想点的​​距离​

  • • 最后根据​​接近最优、远离最劣的程度​ ​进行排序,​​距离最优最近、最劣最远的方案最优​


🧩 二、TOPSIS 方法的基本步骤

下面是 TOPSIS 方法的标准操作流程(非常规范、清晰,适合建模与论文使用):


步骤 1:构建原始决策矩阵

假设有 ​​m 个评价对象(如方案、城市、企业等)​ ​,​​n 个评价指标​​,构建初始数据矩阵:

复制代码
X=​x11​x21​⋮xm1​​x12​x22​⋮xm2​​⋯⋯⋱⋯​x1n​x2n​⋮xmn​​​

其中 xij​表示第 i个对象在第 j个指标上的原始取值。


步骤 2:数据标准化处理

由于不同指标可能具有不同的量纲(单位)、数量级,需要对原始数据进行​​标准化(归一化)处理​​,消除量纲影响,常用方法为:

(1)向量归一化(常用):
复制代码
yij​=∑i=1m​xij2​​xij​​
或者(2)极差标准化(区分正向/负向指标):
  • • ​​正向指标(越大越好)​​:

    复制代码
    yij​=max(xj​)−min(xj​)xij​−min(xj​)​
  • • ​​负向指标(越小越好)​​:

    复制代码
    yij​=max(xj​)−min(xj​)max(xj​)−xij​​

标准化后得到矩阵 Y=(yij​)m×n​,其中各元素 yij​∈[0,1]


步骤 3:确定加权标准化矩阵(可选)

如果各指标的重要性不同,可以引入权重 wj​(如通过 AHP、熵权法等方法获得),构造​​加权标准化决策矩阵​​:

复制代码
V=(vij​)m×n​,vij​=wj​⋅yij​

其中 wj​是第 j 个指标的权重,且满足 ∑j=1n​wj​=1

✅ 在实际应用中,TOPSIS 往往会结合主观或客观权重方法使用,使评价更加科学合理。


步骤 4:确定正理想解和负理想解

  • • ​​正理想解(最优解)​ ​ V+:每个指标取​​最优值​

    • • 对于 ​​正向指标​​:取最大值

    • • 对于 ​​负向指标​​:取最小值

  • • ​​负理想解(最劣解)​ ​ V−:每个指标取​​最劣值​

    • • 对于 ​​正向指标​​:取最小值

    • • 对于 ​​负向指标​​:取最大值

具体为:

复制代码
vj+​=max(v1j​,v2j​,...,vmj​)或min(v1j​,...,vmj​)(根据指标类型)
复制代码
vj−​=min(v1j​,v2j​,...,vmj​)或max(v1j​,...,vmj​)(根据指标类型)

步骤 5:计算各方案到正、负理想解的距离

  • • ​​到正理想解的距离(欧氏距离)​​:

    复制代码
    Di+​=j=1∑n​(vij​−vj+​)2​
  • • ​​到负理想解的距离(欧氏距离)​​:

    复制代码
    Di−​=j=1∑n​(vij​−vj−​)2​

其中 Di+​越小越好,Di−​越大越好。


步骤 6:计算相对贴近度(综合得分)

复制代码
Ci​=Di+​+Di−​Di−​​,0≤Ci​≤1
  • • ​​Ci​越接近 1​ ​,说明该方案越接近最优解、远离最劣解,​​评价结果越好​

  • • ​​Ci​越接近 0​​,说明该方案越差


步骤 7:排序与决策

  • • 按照 Ci​值从​​大到小​​排序

  • • ​​Ci​最大的方案即为最优方案​


✅ 三、TOPSIS 方法的优点与缺点

✅ 优点:

    1. ​直观易懂​​:基于"距离理想解"的思想,逻辑清晰,易于理解与解释
    1. ​适用性广​​:适用于多指标、多方案的综合评价与排序问题
    1. ​综合正负两方面信息​​:同时考虑最优和最劣情况,评价更全面
    1. ​结果明确​​:能给出清晰的方案优劣排序,便于决策
    1. ​可结合权重​​:常与 AHP、熵权法等结合,使用主观或客观权重,提高科学性

❌ 缺点:

    1. ​对数据标准化方法敏感​​:不同的标准化方式可能影响结果
    1. ​依赖权重设置​​:权重的合理性直接影响排序结果
    1. ​仅基于距离度量​​:未考虑指标之间的相关性等更复杂信息

📚 四、TOPSIS 的应用场景举例

  • • ​​方案优选类问题​​:如选择最优投资方案、供应商、旅游地、城市规划方案等

  • • ​​绩效评价类问题​​:如企业绩效、政府绩效、学校排名、医院服务评价等

  • • ​​综合评价类问题​​:如城市竞争力、环境质量、能源效率、技术创新能力等

  • • ​​多指标决策问题​​:几乎所有涉及多个指标、多个对象优选排序的问题


🧠 五、总结一句话:

​TOPSIS(优劣解距离法)是一种基于"距离理想解"思想的多指标综合评价方法,通过计算各评价对象与最优解和最劣解的距离,得到相对贴近度,从而进行排序与优选,是一种直观、科学、应用广泛的决策分析工具。​

2-理论知识

介绍

答案:不是

定义

步骤

1)正向化

极小型转极大型
中间型转极大型
区间型转极大型

2)标准化

3)优劣解距离法打分

优秀论文

课后习题

3-基于matlab实现优劣解距离法

相关推荐
点灯小铭5 小时前
基于MATLAB的车牌识别系统
开发语言·单片机·数码相机·matlab·毕业设计·课程设计
茜茜西西CeCe5 小时前
数字图像处理-图像的基本运算
图像处理·人工智能·计算机视觉·matlab·图像的基本运算
lingchen190620 小时前
MATLAB的数值计算(三)曲线拟合与插值
开发语言·matlab
星马梦缘1 天前
Matlab机器人工具箱使用5 轨迹规划
matlab·机器人·轨迹规划·空间插值
机器学习之心1 天前
MATLAB基于GM(灰色模型)与LSTM(长短期记忆网络)的组合预测方法
matlab·lstm
星马梦缘1 天前
Matlab机器人工具箱7 搬运动画展示
matlab·机器人·仿真·逆解
chao1898441 天前
基于MATLAB的线性判别分析(LDA)人脸识别实现
开发语言·matlab
机器学习之心2 天前
基于CNN的航空发动机剩余寿命预测 (MATLAB实现)
人工智能·matlab·cnn
wheeldown2 天前
【数学建模】数学建模 + 算法实战:精细网格搜索破解烟幕遮蔽时间优化难题
数学建模
战术摸鱼大师2 天前
电机控制(四)-级联PID控制器与参数整定(MATLAB&Simulink)
算法·matlab·运动控制·电机控制