topsis法

更新时间:2023-03-01 19:32:19 阅读: 评论:0

topsis综合评价法是什么?

TOPSIS法是多目标决策分析中一种常用的有效方法,又称为优劣解距离法,具体介绍如下。

一、topsis综合评价法简介。

topsis法它根据有限个评价对象与理想化目标的接近程度进行排序的方法,是在现有的对象中进行相对优劣的评价。作为一种逼近于理想解的排序法,该方法只要求各效用函数具有单调递增(或递减)性就行,它是多目标决策分析中一种常用的有效方法,又称为优劣解距离法。

二、topsis综合评价法内容。

TOPSIS法其中理想解和负理想解是TOPSIS法的两个基本概念。所谓理想解是一设想的最优的解(方案),它的各个属性值都达到各备选方案中的最好的值;而负理想解是一设想的最劣的解(方案),它的各个属性值都达到各备选方案中的最坏的值。

方案排序的规则是把各备选方案与理想解和负理想解做比较,若其中有一个方案最接近理想解,而同时又远离负理想解,则该方案是备选方案中最好的方案。

三、topsis综合评价法原理。

topsis综合评价法的基本原理,是通过检测评价对象与最优解、最劣解的距离来进行排序,若评价对象最靠近最优解同时又最远离最劣解,则为最好;否则不为最优。其中最优解的各指标值都达到各评价指标的最优值。最劣解的各指标值都达到各评价指标的最差值。


TOPSIS法的简介

TOPSIS (Technique for Order Preference by Similarity to an Ideal Solution )法是C.L.Hwang和K.Yoon于1981年首次提出,TOPSIS法根据有限个评价对象与理想化目标的接近程度进行排序的方法,是在现有的对象中进行相对优劣的评价。TOPSIS法是一种逼近于理想解的排序法,该方法只要求各效用函数具有单调递增(或递减)性就行。TOPSIS法是多目标决策分析中一种常用的有效方法,又称为优劣解距离法。


如何搞定熵权topsis?

一、分析前准备

1.研究背景

TOPSIS法用于研究评价对象与‘理想解’的距离情况,结合‘理想解’(正理想解和负理想解),计算得到最终接近程度C值。熵权TOPSIS法核心在于TOPSIS,但在计算数据时,首先会利用熵值(熵权法)计算得到各评价指标的权重,并且将评价指标数据与权重相乘,得到新的数据,利用新数据进行TOPSIS法研究。

通俗地讲,熵权TOPSIS法是先使用熵权法得到新数据newdata(数据成熵权法计算得到的权重),然后利用新数据newdata进行TOPSIS法研究。

例如:当前有一个项目进行招标,共有4个承包商,分别是A,B,C,D厂。由于招标需要考虑多个因素,各个方案指标的优劣程度也并不统一。为了保证评价过程中的客观、公正性。因此,考虑通过熵权TOPSIS法,对各个方案进行综合评价,从而选出最优方案。

2.数据格式

熵权TOPSIS法用于研究指标与理想解的接近度情况。1个指标占用1列数据。1个研究对象为1行,但研究对象在分析时并不需要使用,SPSSAU默认会从上到下依次编号。

二、SPSSAU操作

(1)登录账号后进入SPSSAU页面,点击右上角“上传数据”,将处理好的数据进行“点击上传文件”上传即可。

(2)拖拽分析项

在“综合评价”模块中选择“熵权topsis”方法,将分析项拖拽到右侧分析框中,点击“开始分析”即可。

三、SPSSAU数据处理

1.数据正向化/逆向化处理

如果数据中有逆向指标(数字越大反而越不好的意思),此时需要使用‘SPSSAU数据处理->生成变量’的‘逆向化’功能处理。让数据变成正向指标(即数字越大越好的意思)。

‘逆向化’的数据计算公式为:(Max-X)/(Max-Min),明显可以看出,针对逆向指标进行‘逆向化’处理后,数据就会变成正向指标。

【SPSSAU】数据无量纲化处理 | 数据分析常见问题解答

2.数据标准化处理

针对数据进行标准化处理,目的在于解决量纲化问题。常见的标准化处理方法有:‘归一化’,‘区间化’,‘均值化’等。

(1)‘归一化’将所有数据压缩在0到1之间;

(2)‘区间化‘将所有数据压缩在自己设定的区间;

(3)‘均值化’= 当前值 / 平均值。

补充说明:

一般而言,如果数据全部都大于0,建议使用‘均值化’;如果数据中有负数或者0,建议做‘区间化’让数据限定在一个区间(SPSSAU默认1~2之间);当然也可以考虑‘归一化’,让数据全部介于0~1之间。

具体标准化的处理方式有很多种,具体结合文献和自身数据选择使用即可。不同的处理方式肯定会带来不同的结果,但结论一般不会有太大的偏倚。

(如果数据进行了正/逆向化处理就不需要再进行标准化处理。)

四、SPSSAU分析

背景:当前有6个国家经济技术开发区,分别在政务系统的4个指标上的评分值。数字越大表示指标越优。当前希望利用熵权TOPSIS法评价出6个开发区的政务系统排名情况。原始数据如下:

本案例数据中包括4个政务系统的评价指标,而且全部都是正向指标,因此不需要进行正向化或者逆向化处理。以及接着数据标准化解决量纲问题上,本例子使用‘均值化’处理方法。操作为SPSSAU数据处理->生成变量:

完成数据‘均值化’处理后,直接开始进行‘熵值TOPSIS法’分析,操作如下图:

1.熵值法计算权重结果汇总

上表格展示出4个政务系统指标的权重值,明显可以看出指标3的权重更大。但权重大小仅仅是过程值,熵值TOPSIS分析重心在于TOPSIS法计算出相对接近度。权重值与数据相乘,得到新数据newdata,这一过程是SPSSAU自动完成,利用newdata进行TOPSIS法计算。

2.TOPSIS评价计算结果

从上表可知,利用熵权法后加权生成的数据(算法自动完成)进行TOPSIS分析,针对4个指标(MC_政务系统指标1, MC_政务系统指标2, MC_政务系统指标3, MC_政务系统指标4),进行TOPSIS评价,同时评价对象为6个(样本量数量即为评价对象数量);

TOPSIS法首先找出评价指标的正负理想解值(A+和A-),接着计算出各评价对象分别与正负理想解的距离值D+和D-。根据D+和D-值,最终计算得出各评价对象与最优方案的接近程度(C值),并可针对C值进行排序。

最终从上表可知:评价对象4,即开发区4,它的相对接近度C值最高为0.9995,因而说明开发区4在政务系统上的表现最优;其次是开发区3,相对接近度C起来0.8141。开发区1的政务系统表现最差。

3.正负理想解

4.描述统计

分析数据完整并无缺失等,可通过上表格查看各分析项的平均值或标准差值等。从上表格可以看出四个分析项的样本量均为6,平均值均为1。

五、其他说明

1.如果分析数据中有负数或者0值如何办?

如果分析数据有负数或者0,这会导致无法进行熵值法计算,SPSSAU算法默认会进行‘非负平移’处理。SPSSAU非负平移功能是指,如果某列(某指标)数据出现小于等于0,则让该列数据同时加上一个‘平移值’(该值为某列数据最小值的绝对值+0.01),以便让数据全部都大于0,因而满足算法要求。

2. 面板数据如何进行熵值TOPSIS法?

熵值TOPSIS法的原理是先进行熵值法,然后再进行TOPSIS法。无论是面板或者非面板数据,均可正常进行熵值TOPSIS法研究,并不需要特别处理。(当然面板数据进行分析时,也可以先筛选出不同的年份,重复进行多次均可)。

六、总结

熵权TOPSIS法分别涉及熵权法和TOPSIS法;熵权法计算各评价指标的权重值,然后利用权重值乘原始数据,得到newdata。系统利用newdata进行TOPSIS法进行计算,最终得到各评价对象的接近程序C值,用于判断和衡量评价对象的优劣排序等。

今天的分享就到这里啦,更多干货请前往 SPSSAU 官网查看。

TOPSIS法的原理

其基本原理,是通过检测评价对象与最优解、最劣解的距离来进行排序,若评价对象最靠近最优解同时又最远离最劣解,则为最好;否则不为最优。其中最优解的各指标值都达到各评价指标的最优值。最劣解的各指标值都达到各评价指标的最差值。


医学统计学 rsr法和topsis法相比较有哪些优点

TOPSIS法可用于医疗机构整体评价或各项工作效益或质量的分析比较,如评价公共场所卫生监督质量、医院工作质量、计划免疫工作、餐厅环境、尘肺危害程度等。该法的优点: ①方法简单、结构合理、排序明确、应用灵活; ②充分利用原始数据信息,排序结果能定量反映不同评价对象的优劣程度,直观、可靠; ③对数据无严格要求(对数据分布类型、样本含量、指标多少无严格的限制,既适用于小样本资料,也适用于多单元评价和多指标的大系统,对连续性、动态性资料均适用) ,可直接用原始数据计算,在计算过程中没有减少变量个数; ④能消除不同量纲带来的影响,因而可同时引入不同量纲的评价指标进行综合评价。缺点: ①Ci 只能反映各评价对象内部的相对接近度,并不能反映与理想的最优方案的相对接近程度; ②灵敏度不高

秩和比法的特点: ①计算简单,对资料无特殊要求,易推广应用; ②参与计算的是秩次,可消除异常值的干扰,可解决指标值为零时在统计处理中的困惑; ③RSR值无量纲,综合能力强,可代替一些专用综合指数,可容纳一些专用统计量的信息(如n、s、CV ) ,一些百分位数或流行病学指标(如OR, RR,PAR等) ; ④该法集参数统计与非参数统计于一身,极具柔韧性,可与其他许多数理统计方法、数量方法相互沟通、移植、嫁接,如RSR可镶在运筹学、灰色系统与模糊数学之中。不足之处: ①由于指标值采用秩代换,会丧失一些信息,且要求m ×n矩阵中各元素不能缺少。②最终的RSR值,只能反映综合秩次的差距,不能反映顺位间差异程度大小




数学建模评价类——Topsis模型

数学建模中有一类非常常见的问题:选择最优方案,被称为评价类问题。例如:携程、美团和飞猪,三个旅游平台哪个更适合新手旅游选择?苏州、杭州、南京哪个更适合端午节出游?班里哪位同学获得奖学金等等。要做出选择,首先需要知道有哪些评价指标,继续以选择旅游地为例,可以通过知网搜索相关文章or组内头脑风暴or利用网络搜索引擎资源,得到大家选择旅游地的考虑标准:风景、人文、拥挤程度等。在每个评价指标维度给方案评分,设定总分为5。“上有天堂,下有苏杭”可以认为苏州杭州的风景很好,于是给他们5分风景分,人文上南京作为六朝古都历史底蕴浓厚给5分。这类评价问题里每个方案的得分数据都是自己根据资料给出的,更适合层次分析法。而是否获得奖学金,可以根据各科成绩来筛选,数据客观存在,就可以使用下文提到的topsis方法。

TOPSIS法(Technique for Order Preference by Similarity to Ideal Solution) 可翻译为逼近理想解排序法,国内常简称为优劣解距离法。TOPSIS 法是一种常用的利用 原始数据 进行综合评价的方法,其基本原理,是通过检测评价对象与 最优解、最劣解 的距离来进行排序,若评价对象最靠近最优解同时又最远离最劣解,则为最好;否则不为最优。其中最优解的各指标值都达到各评价指标的最优值。最劣解的各指标值都达到各评价指标的最差值。以奖学金为例,假定是否获得奖学金只与语文、数学、英语这三科的成绩相关,你的成绩是80,90,100,而最好的成绩是100,100,100,最差的成绩是50,60,50。则你和最优解的距离为  ;和最劣解的距离为 。

step1:指标正向化。

具体在评价时会遇到的指标可以分成四类,①极大型指标,也称为效益型指标,数值越大越好,包括成绩、收入等②极小型指标,也称为成本型指标,数值越小越好,包括开销、死伤人数等③中间型指标,数值有一个中间的最优点,如ph值越接近7越好,血压越接近理想血压(收缩压120 mmHg,舒张压80 mmHg)越好④区间型指标,数值在一个区间内最好。如城市最优人口规模在1000到1200万之间(数字仅用来举例,无实际意义)。

根据不同类型的指标需要按照不同的公式进行正向化处理,即把所有指标转化为极大型。

极小型转化最容易,直接用max-x即可,若变量x为正数,也可直接取倒数。如开销最大是3000,x变量对应的开销为1000,转化后的值应为3000-1000=2000,或者直接取倒数为1/1000。

中间型转化公式为 以ph值为例,最优解 为7。一组数据有7,8,9三个变量,则 , , 。所以 。取i=2,原始数据为8,转化后位1-(8-7)/2=1/2。

区间型转化较为复杂,若{ }为一组中间型指标序列,且最佳的区间为[a,b],那么正向化的公式如下:

以人体体温为例,原始数据为35.2,35.8,36.6,37.1,37.8,38.4。最优区间为36到37,则a=36,b=37,M=max(36-35.2,38.4-37)=1.4,代入上述公式即可得到转换后的数据。

step2:正向化矩阵标准化

假设有n个要评价的对象,m个正向化的评价指标,则可以构建正向化矩阵。 为第一个对象在第二个评价指标上正向化之后的得分。

将标准化矩阵记为Z,则其中的每一个元素都等于对应矩阵X中的元素取值除以所在列元素的平方和开根号,即 。

step3:计算得分并归一化

n个评价对象,m个评价指标的标准化矩阵如下:

定义最大值为每列元素最大值的集合

定义最小值为每列元素最小值的集合

则第i个评价对象与最大值的距离为j个指标分别与最大值计算距离之后的求和:

同理,第i个评价对象与最小值的距离为j个指标分别与最小值计算距离之后的求和:

那么,第i个评价对象未归一化的得分为 ,即z与最小值的距离除以z与最大值的距离和z与最小值的距离之和。因为距离都是非负的,很明显 取值在0和1之间, 越大, 越大,即越接近最优解。

归一化之后的得分为 ,此处应满足 。

归一化和标准化本质上都是为了消去量纲的影响,结果归一化之后更容易比较大小。

得到所有方案的得分之后,建议对排序后的分数进行可视化展示,可利用excel绘制柱形图。

按照上图所示,方案5的得分最高,所以应选择方案5。

上述过程为基本topsis模型,该模型默认所有指标的权重相同,可以利用层次分析法或熵权法确定指标权重,构建带权重的topsis模型。

资料来源:

以上资料来源于b站(up主:数学建模学习交流)https://www.bilibili.com/video/BV1gJ411k7X4from=arch&id=6343799996011307859。

感谢up主的整理,视频讲述很详细,适合新手入门哦~

本文发布于:2023-02-28 20:20:00,感谢您对本站的认可!

本文链接:https://www.wtabcd.cn/zhishi/a/167767033984590.html

版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。

本文word下载地址:topsis法.doc

本文 PDF 下载地址:topsis法.pdf

标签:topsis
相关文章
留言与评论(共有 0 条评论)
   
验证码:
推荐文章
排行榜
Copyright ©2019-2022 Comsenz Inc.Powered by © 实用文体写作网旗下知识大全大全栏目是一个全百科类宝库! 优秀范文|法律文书|专利查询|