数学建模--Topsis

一、Topsis 基本概念

Topsis（Technique for Order Preference by Similarity to Ideal Solution即逼近理想解排序法，是一种常用的多属性决策分析方法。它通过构建评价问题的正理想解和负理想解，计算各方案与这两个理想解的距离，进而根据相对贴近度对方案进行排序，以此选出最优方案。

二、Topsis 核心思想

Topsis 的核心思想是最优方案应同时距离正理想解最近、距离负理想解最远。正理想解是在各属性上都达到最好水平的虚拟方案，负理想解则是在各属性上都处于最差水平的虚拟方案。通过衡量各实际方案与这两个理想解的接近程度，来判断方案的优劣。

三、Topsis 具体步骤

（一）构建原始决策矩阵
设评价对象有 m 个方案，n 个评价指标，原始决策矩阵为$X=(x_{ij}{)}_{m\times n}$，其中$x_{ij}$表示第 i 个方案在第 j 个指标上的取值。
（二）数据标准化处理
由于不同指标的量纲和数量级可能不同，为了消除其影响，需要对原始数据进行标准化处理。常用的标准化方法有极差标准化和均值 - 标准差标准化等。
对于效益型指标（指标值越大越好），标准化公式为：$z_{ij}=\frac{x_{ij}-{\min }_j{x}_{ij}}{{\max }_j{x}_{ij}-{\min }_j{x}_{ij}}$

对于成本型指标（指标值越小越好），标准化公式为：$z_{ij}=\frac{{\max }_j{x}_{ij}-x_{ij}}{{\max }_j{x}_{ij}-{\min }_j{x}_{ij}}$

标准化后得到标准化矩阵(Z=(z_{ij}){m\times n}\。
（三）确定权重
根据各评价指标的重要程度，赋予相应的权重$w_j)（(j = 1,2,\cdots,n$，且满足${\sum }_{j=1}^n{w}_j=1$。权重的确定方法有主观赋权法（如层次分析法）和客观赋权法（如熵值法）等。
（四）构建加权标准化矩阵
将标准化矩阵中的每个元素乘以对应的权重，得到加权标准化矩阵(V=(v{ij}){m\times n})，其中(v{ij}=z_{ij}\times w_j)。
（五）确定正理想解和负理想解
正理想解(V^+)：每个指标取加权标准化矩阵中该指标的最大值，即vj+=max⁡{v1j,v2j,⋯ ,vmj}v_j^+=\max\{v_{1j},v_{2j},\cdots,v_{mj}\}vj+​=max{v1j​,v2j​,⋯,vmj​}
负理想解(V^-)：每个指标取加权标准化矩阵中该指标的最小值，即vj−=min⁡{v1j,v2j,⋯ ,vmj}v_j^-=\min\{v_{1j},v_{2j},\cdots,v_{mj}\}vj−​=min{v1j​,v2j​,⋯,vmj​}
（六）计算各方案与正、负理想解的距离
通常采用欧氏距离来计算，公式如下：
第 i 个方案与正理想解的距离$d_i^{+}=\sqrt{{\sum }_{j=1}^n(v_{ij}-v_j^{+}{)}^2}$
第 i 个方案与负理想解的距离$d_i^{-}=\sqrt{{\sum }_{j=1}^n(v_{ij}-v_j^{-}{)}^2}$
（七）计算各方案的相对贴近度
相对贴近度(C_i)的计算公式为：$C_i=\frac{d_i^{-}}{d_i^{+}+d_i^{-}}$。$C_i$越接近 1，说明该方案越接近正理想解，方案越优
（八）根据相对贴近度对方案进行排序
按照相对贴近度从大到小的顺序对各方案进行排序，即可得到方案的优劣次序

四、优点与缺点

（一）优点
直观可靠
对数据分布和样本量没有严格限制，适用范围广
（二）缺点
指标权重的确定对评价结果影响较大，若权重确定不合理，可能导致评价结果有误
当指标较多时，计算量相对较大
只能对方案进行排序，不能直接判断方案是否达到了预期标准