数学建模笔记2-TOPSIS&熵权法

为什么要有TOPSIS？

C.L.Hwang 和 K.Yoon 于1981年首次提出 TOPSIS (Technique for Order Preference by Similarity to an Ideal Solution)，可翻译为逼近理想解排序法。

TOPSIS 法是一种常用的综合评价方法，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。基本过程为先将原始数据矩阵统一指标类型（一般正向化处理）得到正向化的矩阵，再对正向化的矩阵进行标准化处理以消除各指标量纲的影响，并找到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离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。该方法对数据分布及样本含量没有严格限制，数据计算简单易行。

层次分析法的局限

1.评价的决策层不能太多，否则就会使一致矩阵中的阶数n很大，判断矩阵和一致矩阵的差异就会很大

2.如果决策层中的指标的数据是已知的，我们可能无法充分利用

3.构造出的判断矩阵相对主观

模型原理

TOPSIS法是一种理想目标相似性的顺序选优技术,在多目标决策分析中是一种非常有效的方法。它通过归一化后(去量纲化) 的数据规范化矩阵，找出多个目标中最优目标和最劣目标(分别用理归想一解化和反理想解表示),分别计算各评价目标与理想解和反理想解的距离,获得各目标与理想解的贴近度,按理想解贴近度的大小排序,以此作为评价目标优劣的依据。贴近度取值在0~1之间,该值愈接近1.表示相应的评价目标越接近最优水平:反之,该值愈接近0,表示评价目标越接近最劣水平。

基本步骤

• 原始矩阵正向化（将所有的指标类型统一转化为极大性指标）
• 正向矩阵标准化（去除量港的影响，保证不同评价指标在同一数量级，同时数据大小排序不变）
• 计算得分并归一化

一个简单的例子

现在，你们班里面假如有四个人（为了方便李姐，就四个了哈），进行过一场考试之后，有了一个排名，通过这个排名，听好，是通过排名，来个这四位同学评个分，你认为合适吗？就像这样：

看上去没什么问题对吗，但是想一下下面这个极端的情况，也就是，当考分有了变化但是排名没有变化的时候，其评分依旧是保持不变的

也就是说，假如这四个人里面有一个是你，同样难度的卷子，第一次考试你考了那么多分，排名一个样子，第二次考试，分数进步了，但是排名没有变化，所以你的评分还是那么多。你的有些努力，被忽视了，有没有一种失落？

这就说明我们的评分机制出现了一些问题，我们这样行不行？

回顾一下咱们刚刚说的，那是一个和排名紧密相关的评分机制，那么为了避免忽视“一些努力”，我们把评分机制改成和分数相关的一种方式：