基于 TOPSIS 模型的多属性决策分析

创作时间:

作者:

@小白创作中心

基于 TOPSIS 模型的多属性决策分析

引用

CSDN

https://blog.csdn.net/weidl001/article/details/142239199

目录
引言
TOPSIS 模型的基本原理
表格总结：TOPSIS 模型的主要步骤
TOPSIS 模型的 MATLAB 实现
TOPSIS 模型的应用场景
表格总结：TOPSIS 模型的应用领域
结论

引言

TOPSIS（Technique for Order of Preference by Similarity to Ideal Solution）是一种常用的多属性决策分析方法，特别适用于解决具有多目标优化问题的情景。该方法通过寻找各备选方案中与理想解最接近的方案，并尽可能远离负理想解，从而帮助决策者选择最佳方案。TOPSIS 模型能够在各个领域广泛应用，如供应链管理、风险评估、项目选择、产品优化等。本文将详细阐述 TOPSIS 模型的原理、步骤，并通过 MATLAB 代码实例进行实现与应用分析。

TOPSIS 模型的基本原理

TOPSIS 模型的核心概念是“理想解”和“负理想解”。理想解代表各属性的最优值，而负理想解则代表各属性的最劣值。通过计算备选方案与这两个解的距离，确定方案的相对优劣。主要步骤如下：

规范化矩阵：将各属性值进行规范化处理，消除量纲对决策的影响。
加权规范化矩阵：为各个属性赋予权重，构建加权规范化矩阵。
计算理想解和负理想解：分别找到加权规范化矩阵中各属性的最优值和最劣值，确定理想解和负理想解。
计算距离：计算每个方案与理想解和负理想解的距离。
计算相对贴近度：根据方案与理想解和负理想解的距离，计算每个方案的相对贴近度。
方案排序：根据相对贴近度进行方案的优劣排序。

表格总结：TOPSIS 模型的主要步骤

步骤	描述
步骤1：规范化矩阵	对原始数据进行归一化，消除各指标之间的量纲差异。
步骤2：加权规范化矩阵	为各指标赋权，构建加权规范化矩阵。
步骤3：理想解与负理想解	找出各指标的理想解（最优值）和负理想解（最劣值）。
步骤4：计算距离	分别计算每个方案与理想解和负理想解之间的距离。
步骤5：计算贴近度	根据方案与理想解和负理想解的距离，计算其相对贴近度。
步骤6：方案排序	根据相对贴近度对方案进行排序，贴近度越大表示方案越优。

TOPSIS 模型的 MATLAB 实现

下面是使用 MATLAB 实现 TOPSIS 模型的代码示例，该代码实现了对一组方案的评价，并按其优劣程度进行排序。

% 数据输入
x = [
    21584 76.7 7.3 1.01 78.3 97.5 2.0;
    24372 86.3 7.4 0.80 91.1 98.0 2.0;
    22041 81.8 7.3 0.62 91.1 97.3 3.2;
    21115 84.5 6.9 0.60 90.2 97.7 2.9;
    24633 90.3 6.9 0.25 95.5 97.9 3.6]; % 备选方案的属性矩阵
[n,m] = size(x); % 矩阵的大小

% 转换低优指标为高优指标
x(:,3) = (1 ./ x(:,3)) * 100;
x(:,4) = (1 ./ x(:,4)) * 100;
x(:,7) = (1 ./ x(:,7)) * 100;

% 规范化矩阵
zh = sum(x.^2);
x_norm = x ./ sqrt(zh);

% 找出理想解与负理想解
ideal_solution = max(x_norm);   % 理想解
negative_solution = min(x_norm); % 负理想解

% 计算每个方案与理想解和负理想解的距离
d1 = sqrt(sum((x_norm - ideal_solution).^2, 2)); % 与理想解的距离
d2 = sqrt(sum((x_norm - negative_solution).^2, 2)); % 与负理想解的距离

% 计算相对贴近度
c = d1 ./ (d1 + d2);

% 输出方案排序
[~, ranking] = sort(c, 'descend');
disp('方案的排序结果为：');
disp(ranking);

代码解释：

规范化矩阵：通过归一化操作将数据进行标准化，消除不同指标之间的单位差异。
理想解与负理想解：通过 max 和 min 函数分别计算理想解和负理想解。
距离计算：通过欧几里得距离公式计算每个方案与理想解和负理想解的距离。
方案排序：根据相对贴近度 c 进行排序，数值越大表示方案越优。

TOPSIS 模型的应用场景

TOPSIS 模型因其简单有效的算法逻辑，被广泛应用于多个领域的多目标决策问题中，以下是几个典型的应用场景：

供应链管理：在供应商选择和评价中，TOPSIS 模型通过考虑多个评价指标（如价格、交货时间、质量等），帮助企业找到最优的供应商。
项目选择与投资：TOPSIS 模型常用于评估不同投资项目的潜在收益和风险，从而帮助投资者做出最优选择。
产品优化：在产品设计和优化过程中，TOPSIS 模型能够根据客户需求的不同属性权重，帮助工程师选择最优设计方案。
绩效评价：在企业员工或部门绩效评价中，TOPSIS 模型能够基于多个评价指标（如工作效率、团队合作、创新能力等）综合进行排名。

表格总结：TOPSIS 模型的应用领域

应用领域	描述
供应链管理	帮助企业在多目标条件下选择最优供应商。
项目选择	在投资项目中权衡收益与风险，找到最优投资选择。
产品优化	在产品设计过程中，根据客户需求选择最优方案。
绩效评价	通过多个绩效指标的评价，综合对员工或部门进行排名。

结论

TOPSIS 模型是一种有效的多目标决策工具，尤其适用于需要在多个评价指标下进行选择的场景。通过将不同方案与理想解和负理想解进行比较，TOPSIS 能够在复杂的多属性决策问题中为决策者提供清晰的选择依据。结合 MATLAB 的编程工具，可以轻松实现该模型的自动化分析与应用。TOPSIS 模型的改进与扩展仍然是多目标优化领域中的重要研究方向。