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
t1987512813 小时前
基于MATLAB的指纹识别系统完整实现
开发语言·matlab
gihigo199813 小时前
基于MATLAB的IEEE 14节点系统牛顿-拉夫逊潮流算法实现
开发语言·算法·matlab
云纳星辰怀自在13 小时前
MATLAB: m脚本-fixdt数据类型数据范围
matlab·m脚本·fixdt
一叶知秋h15 小时前
matlab实现PID参数功能的简单仿真_gif
matlab·gif·pid
技术净胜20 小时前
MATLAB 基因表达数据处理与可视化全流程案例
开发语言·matlab
数学建模导师1 天前
2025亚太杯11月国际赛数学建模选题建议及思路来啦!(论文写作模板+优秀获奖论文)
数学建模
机器学习之心1 天前
SSA-SVMD麻雀算法优化逐次变分模态分解(15种不同的适应度)MATLAB代码
matlab·ssa-svmd·麻雀算法优化逐次变分模态分解
三维空间1 天前
在MATLAB中对基因表达数据进行数据预处理
matlab
88号技师1 天前
2025年9月一区SCI-孤行尺蠖觅食优化算法Solitary Inchworm Foraging-附Matlab免费代码
开发语言·算法·数学建模·matlab·优化算法
RaLi和夕1 天前
Matlab求传递函数的零极点及增益并绘制零极点图 2
matlab