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
项目申报小狂人2 小时前
算法应用上新!自适应更新策略差分进化算法求解球形多飞行器路径规划问题,附完整MATLAB代码
开发语言·算法·matlab
您好啊数模君12 小时前
2025天府杯数学建模B题分析
数学建模·2025天府杯数学建模·2025天府杯数学建模b题
您好啊数模君2 天前
2025天府杯数学建模C题
数学建模·2025天府杯数学建模·2025天府杯数学建模c题
壹Y.2 天前
MATLAB 绘图速查笔记
笔记·matlab
Evand J3 天前
【MATLAB例程】滑动窗口均值滤波、中值滤波、最小值/最大值滤波对比。附代码下载链接
开发语言·matlab·均值算法
一株月见草哇3 天前
Matlab(4)
人工智能·算法·matlab
2401_823868224 天前
织构表面MATLAB仿真
人工智能·机器学习·matlab·信号处理
霖004 天前
高级项目——基于FPGA的串行FIR滤波器
人工智能·经验分享·matlab·fpga开发·信息与通信·信号处理
小白的高手之路4 天前
三、非线性规划
数学建模·matlab