現(xiàn)與工程應(yīng)用)
1. 項(xiàng)目概述從決策難題到量化評(píng)價(jià)在科研、工程乃至商業(yè)分析中我們常常面臨一個(gè)經(jīng)典難題面對(duì)一組各有所長(zhǎng)的方案或?qū)ο笕绾慰茖W(xué)、客觀地評(píng)選出最優(yōu)者比如評(píng)選優(yōu)秀員工業(yè)績(jī)、考勤、團(tuán)隊(duì)協(xié)作等多指標(biāo)、選擇供應(yīng)商價(jià)格、質(zhì)量、交貨期、服務(wù)、評(píng)估投資項(xiàng)目風(fēng)險(xiǎn)、收益、周期。當(dāng)指標(biāo)有好有壞如利潤(rùn)越高越好成本越低越好且量綱不一如萬(wàn)元、天、百分比時(shí)憑感覺(jué)或簡(jiǎn)單加權(quán)平均很容易失之偏頗。Topsis法即“逼近理想解排序法”就是為解決這類多屬性決策問(wèn)題而生的經(jīng)典數(shù)學(xué)模型。它的核心思想非常直觀且符合人類決策直覺(jué)找出所有方案中的“理想最優(yōu)解”和“理想最劣解”然后計(jì)算每個(gè)方案與這兩個(gè)“極端”的距離。一個(gè)方案越好它理應(yīng)離“理想最優(yōu)解”越近同時(shí)離“理想最劣解”越遠(yuǎn)。最終通過(guò)一個(gè)相對(duì)貼近度來(lái)對(duì)所有方案進(jìn)行排序。而Matlab作為工程計(jì)算和算法原型驗(yàn)證的利器其強(qiáng)大的矩陣運(yùn)算能力和豐富的內(nèi)置函數(shù)使得實(shí)現(xiàn)Topsis模型變得異常高效和清晰。你不再需要手動(dòng)處理繁瑣的向量計(jì)算幾行代碼就能完成從數(shù)據(jù)預(yù)處理到結(jié)果輸出的全過(guò)程。對(duì)于學(xué)生完成數(shù)學(xué)建模競(jìng)賽、科研人員處理實(shí)驗(yàn)數(shù)據(jù)、分析師進(jìn)行業(yè)務(wù)評(píng)估來(lái)說(shuō)掌握基于Matlab的Topsis實(shí)現(xiàn)意味著擁有一套可靠、可復(fù)現(xiàn)、可擴(kuò)展的量化決策工具。本文將從一個(gè)實(shí)踐者的角度手把手帶你拆解Topsis的每一步原理并用Matlab實(shí)現(xiàn)一個(gè)功能完整、考慮周全的模型。我們不僅會(huì)寫(xiě)出能跑通的代碼更會(huì)深入探討其中容易踩坑的細(xì)節(jié)比如權(quán)重如何確定、規(guī)范化方法如何選擇、結(jié)果如何解讀與驗(yàn)證。無(wú)論你是初次接觸評(píng)價(jià)模型還是想優(yōu)化已有的Matlab代碼相信都能找到實(shí)用的干貨。2. Topsis模型核心原理與數(shù)學(xué)拆解理解原理是正確應(yīng)用和編程的前提。Topsis的流程可以精煉為六個(gè)步驟每一步都有其數(shù)學(xué)含義和實(shí)現(xiàn)考量。2.1 構(gòu)建初始決策矩陣這是所有工作的起點(diǎn)。假設(shè)我們有m個(gè)待評(píng)價(jià)方案或?qū)ο竺總€(gè)方案用n個(gè)評(píng)價(jià)指標(biāo)來(lái)衡量。那么我們就可以構(gòu)建一個(gè)m行×n列的決策矩陣X。指標(biāo)1 指標(biāo)2 ... 指標(biāo)n 方案1 x11 x12 ... x1n 方案2 x21 x22 ... x2n ... ... ... ... ... 方案m xm1 xm2 ... xmn其中xij表示第i個(gè)方案在第j個(gè)指標(biāo)上的原始數(shù)值。這些數(shù)據(jù)可能來(lái)自統(tǒng)計(jì)報(bào)表、實(shí)驗(yàn)測(cè)量或問(wèn)卷調(diào)查。注意務(wù)必確保所有指標(biāo)方向一致。通常約定所有指標(biāo)均為“效益型”越大越好如利潤(rùn)率、滿意度。若存在“成本型”指標(biāo)越小越好如缺陷率、耗時(shí)必須在第一步進(jìn)行“正向化”處理。常見(jiàn)方法是用倒數(shù)或取負(fù)數(shù)但更穩(wěn)健的方法是在后續(xù)的規(guī)范化步驟后對(duì)向量進(jìn)行取反。2.2 決策矩陣規(guī)范化由于各指標(biāo)物理意義和量綱不同直接比較或計(jì)算距離沒(méi)有意義。規(guī)范化的目的就是消除量綱將絕對(duì)數(shù)值轉(zhuǎn)化為相對(duì)比例使所有指標(biāo)處于同一數(shù)量級(jí)。最常用的方法是“向量規(guī)范化”也稱為“歐幾里得范數(shù)歸一化”。對(duì)于決策矩陣X中的每一列即每一個(gè)指標(biāo)我們計(jì)算zij xij / sqrt( sum( xij^2 ) )其中求和i從1到m。這樣處理后的矩陣記為Z其每個(gè)元素zij滿足同一列指標(biāo)所有元素的平方和為1。這種方法能保留原始數(shù)據(jù)中各方案間的相對(duì)差異。實(shí)操心得很多初學(xué)者在這里會(huì)混淆“歸一化”Normalization如縮放到[0,1]和這里使用的“規(guī)范化”Standardization 或 Vector Normalization。Topsis經(jīng)典算法通常采用向量規(guī)范化因?yàn)樗从谟?jì)算歐氏距離的數(shù)學(xué)背景。在Matlab中我們可以用矩陣運(yùn)算一次性完成避免低效的循環(huán)。2.3 構(gòu)建加權(quán)規(guī)范化矩陣不同的指標(biāo)在決策者心中的重要性不同。我們需要引入權(quán)重向量W [w1, w2, ..., wn]滿足wj 0且sum(wj) 1。將規(guī)范化矩陣Z的每一列分別乘以其對(duì)應(yīng)的權(quán)重得到加權(quán)規(guī)范化矩陣VV Z * diag(W)即vij zij * wj。權(quán)重W的確定本身就是一個(gè)關(guān)鍵問(wèn)題。常見(jiàn)方法有主觀賦權(quán)法如德?tīng)柗品?、層次分析法AHP。依賴專家經(jīng)驗(yàn)適用于指標(biāo)重要性差異明顯且易于判斷的領(lǐng)域?？陀^賦權(quán)法如熵權(quán)法。根據(jù)各指標(biāo)數(shù)據(jù)本身的離散程度信息熵來(lái)計(jì)算權(quán)重?cái)?shù)據(jù)差異越大該指標(biāo)權(quán)重越高。這種方法完全基于數(shù)據(jù)避免了主觀性在數(shù)學(xué)建模中尤為常用。我們將在后續(xù)實(shí)現(xiàn)中集成熵權(quán)法。2.4 確定理想解與負(fù)理想解這是Topsis的思想核心。我們分別在加權(quán)規(guī)范化矩陣V的每一列即每個(gè)加權(quán)后的指標(biāo)中尋找最優(yōu)值和最劣值從而構(gòu)成兩個(gè)虛擬的“理想方案”。理想最優(yōu)解正理想解V由每個(gè)指標(biāo)在所有方案中的最大值構(gòu)成。V [ max(v11, v21,..., vm1), max(v12, v22,..., vm2), ..., max(v1n, v2n,..., vmn) ]對(duì)于效益型指標(biāo)取最大值如果之前處理過(guò)成本型指標(biāo)確保此時(shí)所有指標(biāo)已轉(zhuǎn)化為效益型所以統(tǒng)一取最大值。理想最劣解負(fù)理想解V-由每個(gè)指標(biāo)在所有方案中的最小值構(gòu)成。V- [ min(v11, v21,..., vm1), min(v12, v22,..., vm2), ..., min(v1n, v2n,..., vmn) ]這兩個(gè)解通常不在已有的方案集中是“理想中”的最好和最差情況。2.5 計(jì)算各方案到理想解的距離分別計(jì)算每個(gè)方案對(duì)應(yīng)矩陣V的每一行向量Vi到正理想解V和負(fù)理想解V-的歐幾里得距離。到正理想解的距離S_iS_i sqrt( sum( (vij - Vj)^2 ) )求和j從1到n。到負(fù)理想解的距離S_i-S_i- sqrt( sum( (vij - V-j)^2 ) )求和j從1到n。距離S_i越小說(shuō)明該方案離“最好”越近距離S_i-越大說(shuō)明該方案離“最差”越遠(yuǎn)。一個(gè)完美的方案應(yīng)該同時(shí)滿足S_i最小和S_i-最大。2.6 計(jì)算相對(duì)貼近度并排序?yàn)榱司C合衡量“靠近最優(yōu)”和“遠(yuǎn)離最劣”這兩個(gè)維度我們引入相對(duì)貼近度C_iC_i S_i- / (S_i S_i-)由公式可知當(dāng)方案與正理想解重合時(shí)S_i 0則C_i 1。當(dāng)方案與負(fù)理想解重合時(shí)S_i- 0則C_i 0。因此C_i的取值范圍是[0, 1]。C_i值越大說(shuō)明該方案綜合表現(xiàn)越好。最后我們根據(jù)C_i值對(duì)所有方案進(jìn)行降序排列即可得到方案的優(yōu)劣順序。3. Matlab實(shí)現(xiàn)詳解從函數(shù)封裝到逐行解讀理解了原理我們開(kāi)始用Matlab將其實(shí)現(xiàn)。一個(gè)好的實(shí)現(xiàn)應(yīng)該是清晰、健壯、易用的。我們將編寫(xiě)一個(gè)名為T(mén)opsis的主函數(shù)并配套一個(gè)計(jì)算熵權(quán)的子函數(shù)。3.1 主函數(shù)框架與輸入輸出設(shè)計(jì)首先設(shè)計(jì)函數(shù)的輸入輸出接口。一個(gè)健壯的函數(shù)應(yīng)該能處理不同的輸入情況。function [score, rank, positive_ideal_distance, negative_ideal_distance] Topsis(data, weight, indicator_type) % TOPSIS 逼近理想解排序法 % 輸入 % data: m*n 矩陣m個(gè)方案n個(gè)指標(biāo)。行是方案列是指標(biāo)。 % weight: 1*n 向量各指標(biāo)的權(quán)重。可選默認(rèn)為熵權(quán)法計(jì)算。 % 如果傳入長(zhǎng)度必須為n且元素和為1。 % indicator_type: 1*n 向量指定每個(gè)指標(biāo)的類型。 % 1 表示效益型越大越好-1 表示成本型越小越好。 % 可選默認(rèn)為全1即全部是效益型。 % 輸出 % score: m*1 向量各方案的綜合得分相對(duì)貼近度 C_i。 % rank: m*1 向量各方案的排名按score降序排列排名1為最優(yōu)。 % positive_ideal_distance: m*1 向量各方案到正理想解的距離 S_i。 % negative_ideal_distance: m*1 向量各方案到負(fù)理想解的距離 S_i-。 % % 示例 % data [100, 5, 3000; 90, 4, 2500; 95, 6, 2800]; % 3個(gè)方案3個(gè)指標(biāo) % indicator_type [1, 1, -1]; % 前兩個(gè)指標(biāo)越大越好第三個(gè)如成本越小越好 % [s, r, d_plus, d_minus] Topsis(data, [], indicator_type); [m, n] size(data); % m個(gè)方案n個(gè)指標(biāo) % 參數(shù)檢查與默認(rèn)值設(shè)置 if nargin 3 || isempty(indicator_type) indicator_type ones(1, n); % 默認(rèn)全為效益型 end if nargin 2 || isempty(weight) % 調(diào)用熵權(quán)法函數(shù)計(jì)算權(quán)重 weight EntropyWeight(data); disp(使用熵權(quán)法計(jì)算得到的權(quán)重); disp(weight); else % 檢查傳入的權(quán)重是否合法 if abs(sum(weight) - 1) 1e-10 error(權(quán)重向量之和必須為1。); end if length(weight) ~ n error(權(quán)重向量的長(zhǎng)度必須與指標(biāo)數(shù)n一致。); end end if length(indicator_type) ~ n error(指標(biāo)類型向量的長(zhǎng)度必須與指標(biāo)數(shù)n一致。); end代碼解讀函數(shù)頭定義了清晰的輸入輸出。使用nargin處理可選參數(shù)是Matlab函數(shù)的好習(xí)慣。對(duì)權(quán)重和指標(biāo)類型進(jìn)行了嚴(yán)格的長(zhǎng)度與和值校驗(yàn)?zāi)鼙苊庠S多因粗心導(dǎo)致的錯(cuò)誤。默認(rèn)使用熵權(quán)法提高了函數(shù)的自動(dòng)化程度。3.2 數(shù)據(jù)預(yù)處理正向化與規(guī)范化接下來(lái)在函數(shù)內(nèi)部繼續(xù)編寫(xiě)數(shù)據(jù)預(yù)處理步驟。% 1. 數(shù)據(jù)正向化將成本型指標(biāo)轉(zhuǎn)化為效益型 % 這里采用“倒數(shù)法”或“最大差值法”進(jìn)行正向化。對(duì)于已經(jīng)規(guī)范化的數(shù)據(jù)更常用的是在確定理想解時(shí)處理。 % 但為了邏輯清晰我們可以在規(guī)范化前先將成本型指標(biāo)數(shù)據(jù)“反轉(zhuǎn)”。 % 注意倒數(shù)法要求數(shù)據(jù)全為正數(shù)。這里采用更通用的“負(fù)向指標(biāo)取負(fù)”方法結(jié)合后續(xù)的“最小值為理想”邏輯。 % 實(shí)際上更常見(jiàn)的Topsis實(shí)現(xiàn)是在步驟4確定理想解時(shí)根據(jù)indicator_type分別取max或min。 % 為了教學(xué)清晰我們采用另一種等價(jià)方式先對(duì)成本型指標(biāo)列進(jìn)行“取反”處理使其在數(shù)學(xué)上變?yōu)樾б嫘汀?data_processed data; for j 1:n if indicator_type(j) -1 % 成本型指標(biāo) % 方法1取負(fù)數(shù)這樣原最小值變最大值。但要求指標(biāo)值為正。 % data_processed(:, j) -data(:, j); % 方法2更穩(wěn)健用該列最大值減去每個(gè)值使原最小值變?yōu)樾伦畲笾怠?% data_processed(:, j) max(data(:, j)) - data(:, j); % 方法3倒數(shù)法要求數(shù)據(jù)0。 data_processed(:, j) 1 ./ data(:, j); % 我們選擇方法2它不要求數(shù)據(jù)為正且線性變換保持?jǐn)?shù)據(jù)相對(duì)關(guān)系。 col_max max(data(:, j)); data_processed(:, j) col_max - data(:, j); % 注意如果col_max - data(:, j) 可能產(chǎn)生負(fù)值或零在某些場(chǎng)景下可能有問(wèn)題。 % 對(duì)于存在負(fù)值的指標(biāo)需要謹(jǐn)慎選擇正向化方法。競(jìng)賽中常用方法2或方法3。 end % 效益型指標(biāo)保持不變 end % 2. 數(shù)據(jù)規(guī)范化向量規(guī)范化 % 計(jì)算每一列的范數(shù)平方和的平方根 norm_col sqrt(sum(data_processed.^2, 1)); % 得到一個(gè)1*n的行向量 % 避免除以零 norm_col(norm_col 0) eps; % 規(guī)范化矩陣 Z Z data_processed ./ norm_col; % 利用Matlab的廣播機(jī)制每列除以對(duì)應(yīng)的范數(shù) % 3. 構(gòu)建加權(quán)規(guī)范化矩陣 V V Z .* weight; % 同樣利用廣播每列乘以對(duì)應(yīng)的權(quán)重避坑技巧正向化方法的選擇至關(guān)重要。max - data的方法簡(jiǎn)單通用但會(huì)改變數(shù)據(jù)的分布。如果指標(biāo)值中有負(fù)數(shù)此方法可能不合適。倒數(shù)法要求數(shù)據(jù)全為正且不能為零。在實(shí)際建模中需要根據(jù)數(shù)據(jù)特性說(shuō)明選擇的方法。規(guī)范化時(shí)norm_col可能為零例如某指標(biāo)所有方案取值完全相同除以零會(huì)導(dǎo)致NaN。添加eps這個(gè)極小值可以防止報(bào)錯(cuò)但更合理的做法是如果某指標(biāo)無(wú)差異應(yīng)考慮將其從評(píng)價(jià)體系中剔除。3.3 確定理想解與計(jì)算距離% 4. 確定理想解和負(fù)理想解 % 經(jīng)過(guò)正向化后所有指標(biāo)都已視為效益型越大越好 V_positive max(V, [], 1); % 正理想解取每列最大值 V_negative min(V, [], 1); % 負(fù)理想解取每列最小值 % 5. 計(jì)算各方案到理想解的距離 % 使用歐幾里得距離二范數(shù) % 計(jì)算每個(gè)方案行向量與正理想解向量的距離 positive_ideal_distance sqrt(sum((V - V_positive).^2, 2)); % 按行求和得到m*1向量 negative_ideal_distance sqrt(sum((V - V_negative).^2, 2)); % 按行求和得到m*1向量 % 6. 計(jì)算相對(duì)貼近度 score negative_ideal_distance ./ (positive_ideal_distance negative_ideal_distance); % 處理可能出現(xiàn)的除零情況當(dāng)某個(gè)方案同時(shí)是正理想解和負(fù)理想解時(shí)理論上不存在 score(isnan(score)) 0; % 將NaN得分置為0 % 7. 根據(jù)得分排序 [~, rank_index] sort(score, descend); % 降序排列得到索引 rank (1:m); rank(rank_index) rank; % 根據(jù)索引重新排列名次 % 另一種常見(jiàn)的返回方式是直接返回排序后的方案索引 % rank rank_index;代碼解讀max(V, [], 1)中[], 1的語(yǔ)法表示對(duì)每列取最大值返回一個(gè)行向量。計(jì)算距離時(shí)sum(..., 2)表示對(duì)每行求和這是計(jì)算行向量與某個(gè)固定向量距離的簡(jiǎn)潔寫(xiě)法。最后對(duì)得分排序sort函數(shù)返回排序后的值和索引我們利用索引來(lái)生成排名向量。處理NaN是一個(gè)重要的魯棒性考慮。3.4 熵權(quán)法計(jì)算權(quán)重的子函數(shù)實(shí)現(xiàn)熵權(quán)法是一種客觀賦權(quán)法它根據(jù)指標(biāo)的變異程度信息熵來(lái)確定權(quán)重。變異程度越大熵越小說(shuō)明該指標(biāo)對(duì)方案區(qū)分度的貢獻(xiàn)越大應(yīng)賦予更高權(quán)重。function weight EntropyWeight(data) % ENTROPYWEIGHT 熵權(quán)法計(jì)算指標(biāo)權(quán)重 % 輸入data - m*n 矩陣原始決策矩陣假定已均為效益型或已正向化 % 輸出weight - 1*n 向量各指標(biāo)的熵權(quán) [m, n] size(data); % 1. 數(shù)據(jù)標(biāo)準(zhǔn)化歸一化到[0,1]區(qū)間為計(jì)算概率做準(zhǔn)備 % 這里采用“比重法”標(biāo)準(zhǔn)化即每個(gè)值占其所在列總和的比例。 % 注意熵權(quán)法要求數(shù)據(jù)非負(fù)。如果存在負(fù)數(shù)需要進(jìn)行平移。 data_min min(data, [], 1); if any(data_min 0) % 如果某列有負(fù)數(shù)將該列所有數(shù)據(jù)平移至非負(fù) data data - data_min; % 這樣最小值變?yōu)? end data_sum sum(data, 1); data_sum(data_sum 0) eps; % 防止除零 P data ./ data_sum; % 得到概率矩陣P Pij xij / sum(xij) % 2. 計(jì)算第j個(gè)指標(biāo)的熵值 Ej % 根據(jù)信息熵公式Ej -k * sum(Pij * ln(Pij)) 其中 k 1/ln(m) k 1 / log(m); % 計(jì)算常數(shù)k % 由于Pij可能為0而0*ln(0)在數(shù)學(xué)上定義為0但在計(jì)算中會(huì)導(dǎo)致NaN。 % 我們需要處理P0的情況。 P_log P .* log(P); P_log(isnan(P_log)) 0; % 將0*log(0)的結(jié)果置為0 E -k * sum(P_log, 1); % 按列求和得到1*n的熵值向量 % 3. 計(jì)算差異系數(shù) Dj D 1 - E; % 差異系數(shù)熵越小差異系數(shù)越大指標(biāo)越重要 % 4. 計(jì)算權(quán)重 Wj weight D ./ sum(D); % 歸一化得到權(quán)重 end實(shí)操心得熵權(quán)法的核心在于計(jì)算概率Pij。這里使用的“比重法”要求數(shù)據(jù)非負(fù)。如果原始數(shù)據(jù)存在負(fù)數(shù)簡(jiǎn)單的平移data - min是常用方法但這會(huì)改變數(shù)據(jù)的分布形態(tài)可能影響權(quán)重。另一種思路是先用其他方法如Z-score標(biāo)準(zhǔn)化處理數(shù)據(jù)后再用比重法但這不是標(biāo)準(zhǔn)熵權(quán)法。此外處理Pij0時(shí)log(0)的問(wèn)題至關(guān)重要直接忽略賦值為0是通用做法。熵權(quán)法完全由數(shù)據(jù)驅(qū)動(dòng)如果某個(gè)指標(biāo)在所有方案上取值完全一樣其熵為1差異系數(shù)為0權(quán)重為0這是合理的因?yàn)樗鼪](méi)有提供任何區(qū)分信息。4. 完整案例演示與結(jié)果分析理論結(jié)合實(shí)踐我們用一個(gè)虛構(gòu)但貼近實(shí)際的例子來(lái)跑通整個(gè)流程。假設(shè)我們要評(píng)估4款智能手機(jī)A, B, C, D考慮3個(gè)指標(biāo)1. 性能跑分效益型越高越好2. 價(jià)格成本型越低越好3. 電池續(xù)航效益型越高越好。4.1 數(shù)據(jù)準(zhǔn)備與函數(shù)調(diào)用% 案例智能手機(jī)選購(gòu)決策 % 方案A, B, C, D 四款手機(jī) % 指標(biāo)1.性能(分), 2.價(jià)格(元), 3.續(xù)航(小時(shí)) % 注意價(jià)格是成本型指標(biāo) data [ 85000, 3999, 8; % 手機(jī)A 92000, 4699, 6.5; % 手機(jī)B 78000, 3299, 9; % 手機(jī)C 95000, 5199, 7 % 手機(jī)D ]; % 指標(biāo)類型性能-效益型(1)價(jià)格-成本型(-1)續(xù)航-效益型(1) indicator_type [1, -1, 1]; % 調(diào)用自定義的Topsis函數(shù)不傳入權(quán)重使用默認(rèn)的熵權(quán)法 [score, rank, d_plus, d_minus] Topsis(data, [], indicator_type); % 顯示結(jié)果 fprintf(%-6s %-10s %-12s %-12s %-8s %-8s\n, 方案, 得分(C), 排名, 距正理想(S), 距負(fù)理想(S-), 推薦度); for i 1:size(data, 1) fprintf(手機(jī)%c %8.6f %2d %10.6f %10.6f , char(Ai-1), score(i), rank(i), d_plus(i), d_minus(i)); if rank(i) 1 fprintf(推薦\n); else fprintf(\n); end end % 可視化得分條形圖 figure; bar(score); set(gca, XTickLabel, {A, B, C, D}); xlabel(智能手機(jī)型號(hào)); ylabel(TOPSIS綜合得分); title(基于TOPSIS模型的智能手機(jī)綜合評(píng)價(jià)); grid on;4.2 運(yùn)行結(jié)果解讀運(yùn)行上述代碼你可能會(huì)得到類似以下的結(jié)果具體數(shù)值因熵權(quán)計(jì)算略有浮動(dòng)使用熵權(quán)法計(jì)算得到的權(quán)重 指標(biāo)1權(quán)重: 0.xxxx 指標(biāo)2權(quán)重: 0.xxxx 指標(biāo)3權(quán)重: 0.xxxx 方案 得分(C) 排名 距正理想(S) 距負(fù)理想(S-) 推薦度 手機(jī)A 0.xxxxxx x x.xxxxxx x.xxxxxx 手機(jī)B 0.xxxxxx x x.xxxxxx x.xxxxxx 手機(jī)C 0.xxxxxx x x.xxxxxx x.xxxxxx 手機(jī)D 0.xxxxxx x x.xxxxxx x.xxxxxx注x代表具體計(jì)算出的數(shù)值結(jié)果分析步驟看權(quán)重首先觀察熵權(quán)法計(jì)算出的三個(gè)指標(biāo)的權(quán)重。這反映了數(shù)據(jù)本身的“發(fā)言權(quán)”。如果“價(jià)格”列的數(shù)據(jù)差異最大即有的手機(jī)很貴有的很便宜那么熵權(quán)法可能會(huì)給“價(jià)格”賦予較高的權(quán)重意味著在這個(gè)數(shù)據(jù)集中價(jià)格是區(qū)分手機(jī)的關(guān)鍵因素?？磁琶鹯ank向量直接給出了從優(yōu)到劣的排序排名1為最優(yōu)方案?？吹梅謘core是相對(duì)貼近度C_i。得分越接近1說(shuō)明該方案越接近理想最優(yōu)解。你可以比較得分差距判斷方案之間的優(yōu)劣是否明顯?？淳嚯xd_plus和d_minus提供了更細(xì)粒度的信息。例如排名第一的方案其d_plus很可能最小d_minus很可能最大。如果兩個(gè)方案得分接近可以進(jìn)一步查看距離來(lái)分析是離“最好”都差不多還是離“最差”都差不多結(jié)合業(yè)務(wù)最終決策不能只看數(shù)學(xué)結(jié)果。如果排名第一的手機(jī)超預(yù)算你可能需要結(jié)合d_plus和d_minus在排名第二、第三中找一個(gè)平衡點(diǎn)。注意事項(xiàng)熵權(quán)法的結(jié)果嚴(yán)重依賴于輸入數(shù)據(jù)的分布。如果某個(gè)指標(biāo)的數(shù)值量級(jí)遠(yuǎn)大于其他指標(biāo)例如性能跑分是萬(wàn)級(jí)價(jià)格是千級(jí)即使經(jīng)過(guò)向量規(guī)范化其原始變異程度也可能主導(dǎo)權(quán)重計(jì)算。因此在應(yīng)用熵權(quán)法前審視數(shù)據(jù)并進(jìn)行適當(dāng)?shù)臒o(wú)量綱化如本文使用的向量規(guī)范化是其一部分或標(biāo)準(zhǔn)化非常重要。有時(shí)主觀權(quán)重如你認(rèn)為續(xù)航比性能重要一倍更能體現(xiàn)決策者意圖這時(shí)就應(yīng)該將計(jì)算好的權(quán)重向量weight直接傳入函數(shù)。5. 關(guān)鍵問(wèn)題排查與進(jìn)階技巧在實(shí)際使用中你可能會(huì)遇到各種問(wèn)題。下面是一些常見(jiàn)情況及解決方案。5.1 結(jié)果不穩(wěn)定或不符合預(yù)期問(wèn)題描述稍微改動(dòng)數(shù)據(jù)排名就發(fā)生劇烈變化或者排名結(jié)果與常識(shí)判斷相差甚遠(yuǎn)。排查思路檢查指標(biāo)類型確認(rèn)indicator_type向量設(shè)置正確成本型指標(biāo)是否被正確標(biāo)識(shí)為-1。這是最常見(jiàn)的錯(cuò)誤。檢查正向化方法如果使用了自定義的正向化方法如倒數(shù)法確保數(shù)據(jù)滿足方法的前提條件如全為正數(shù)。對(duì)于存在零或負(fù)值的列max - data的方法更安全。審視權(quán)重如果使用熵權(quán)法打印出權(quán)重看看。是否出現(xiàn)了某個(gè)指標(biāo)權(quán)重接近1而其他權(quán)重接近0的情況這會(huì)導(dǎo)致模型退化為單指標(biāo)評(píng)價(jià)。這可能是因?yàn)樵撝笜?biāo)的數(shù)據(jù)變異程度如量級(jí)遠(yuǎn)大于其他指標(biāo)?？紤]是否需要在計(jì)算熵權(quán)前先對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化如Z-score來(lái)消除量綱影響而不僅僅是向量規(guī)范化。數(shù)據(jù)本身問(wèn)題是否存在極端異常值異常值會(huì)極大影響最大值、最小值和距離計(jì)算?？紤]在預(yù)處理階段進(jìn)行異常值處理如縮尾處理。距離公式經(jīng)典Topsis使用歐氏距離。在極少數(shù)情況下可以考慮使用曼哈頓距離或其他距離度量但這會(huì)改變模型的理論基礎(chǔ)需謹(jǐn)慎并在報(bào)告中說(shuō)明。5.2 熵權(quán)法計(jì)算出錯(cuò)或權(quán)重為NaN問(wèn)題描述運(yùn)行熵權(quán)法子函數(shù)時(shí)權(quán)重結(jié)果出現(xiàn)NaN。原因與解決除零錯(cuò)誤在計(jì)算概率Pij xij / sum(xij)時(shí)如果某一列所有值都是0則sum為0導(dǎo)致除法錯(cuò)誤。我們的代碼中已用eps處理。如果數(shù)據(jù)全零列有意義應(yīng)考慮刪除該指標(biāo)。log(0)錯(cuò)誤當(dāng)某個(gè)Pij為0時(shí)log(0)為負(fù)無(wú)窮導(dǎo)致NaN。代碼中通過(guò)P_log(isnan(P_log)) 0已處理。確保處理邏輯正確。數(shù)據(jù)平移問(wèn)題如果原始數(shù)據(jù)有負(fù)數(shù)我們進(jìn)行了data - min的平移。如果平移后某列全部為同一個(gè)非零常數(shù)計(jì)算熵時(shí)Pij全為1/m計(jì)算正常。如果平移后出現(xiàn)全零列則回到問(wèn)題1。5.3 如何融入主觀權(quán)重Topsis模型兼容主客觀權(quán)重。如果你有通過(guò)AHP層次分析法或?qū)＜掖蚍址ǖ玫降闹饔^權(quán)重W_subjective又想結(jié)合熵權(quán)法得到的客觀權(quán)重W_objective可以使用組合賦權(quán)法。一種簡(jiǎn)單線性組合是W_combined α * W_subjective (1-α) * W_objective其中α是主觀偏好系數(shù)0≤α≤1。α1表示完全主觀α0表示完全客觀。在Matlab中實(shí)現(xiàn)alpha 0.5; % 舉例主觀客觀各占一半 weight_subjective [0.4, 0.3, 0.3]; % 主觀權(quán)重需歸一化 weight_objective EntropyWeight(data); % 客觀權(quán)重 weight_combined alpha * weight_subjective (1-alpha) * weight_objective; weight_combined weight_combined / sum(weight_combined); % 再次歸一化確保和為1 [score, rank] Topsis(data, weight_combined, indicator_type);5.4 模型擴(kuò)展與變體考慮指標(biāo)相關(guān)性經(jīng)典Topsis假設(shè)指標(biāo)相互獨(dú)立。如果指標(biāo)間存在較強(qiáng)相關(guān)性如“CPU核心數(shù)”和“主頻”可能會(huì)重復(fù)計(jì)算某一方面的信息?？梢钥紤]先用主成分分析PCA對(duì)原始數(shù)據(jù)降維消除相關(guān)性再用Topsis對(duì)主成分進(jìn)行評(píng)價(jià)。模糊Topsis當(dāng)評(píng)價(jià)信息不是精確數(shù)值而是語(yǔ)言變量如“好”、“中”、“差”或模糊數(shù)時(shí)可以使用模糊集理論擴(kuò)展Topsis即模糊Topsis。動(dòng)態(tài)Topsis如果評(píng)價(jià)數(shù)據(jù)是在多個(gè)時(shí)間點(diǎn)上收集的可以引入時(shí)間權(quán)重計(jì)算每個(gè)方案在不同時(shí)間點(diǎn)的綜合得分再進(jìn)行集成得到動(dòng)態(tài)評(píng)價(jià)結(jié)果。5.5 代碼優(yōu)化與封裝建議向量化操作如你所見(jiàn)我們的實(shí)現(xiàn)大量使用了Matlab的矩陣運(yùn)算和廣播機(jī)制避免了顯式循環(huán)效率更高。輸入驗(yàn)證完整的工業(yè)級(jí)代碼應(yīng)該包含更嚴(yán)格的輸入驗(yàn)證例如檢查data是否為矩陣是否包含非數(shù)值元素等。結(jié)果可視化除了條形圖還可以繪制雷達(dá)圖來(lái)展示每個(gè)方案在各個(gè)加權(quán)后指標(biāo)上的位置以及與正負(fù)理想解的對(duì)比更加直觀。封裝為工具箱如果你經(jīng)常使用可以將Topsis和EntropyWeight函數(shù)打包到一個(gè)自定義工具箱.mltbx中方便在不同項(xiàng)目中調(diào)用。通過(guò)以上五個(gè)部分的詳細(xì)拆解我們從Topsis的數(shù)學(xué)原理、Matlab的逐行實(shí)現(xiàn)、完整案例演示到常見(jiàn)問(wèn)題排查和進(jìn)階技巧形成了一個(gè)完整的知識(shí)閉環(huán)。記住模型是工具理解其適用前提和局限性并結(jié)合實(shí)際問(wèn)題靈活調(diào)整才是用好Topsis的關(guān)鍵。在數(shù)學(xué)建模競(jìng)賽中清晰闡述你的數(shù)據(jù)處理步驟、權(quán)重確定方法以及模型結(jié)果的解讀往往比單純套用模型更能獲得高分。 基于Matlab的TOPSIS多屬性決策模型：原理、實(shí)現(xiàn)與工程應(yīng)用
1. 項(xiàng)目概述從決策難題到量化評(píng)價(jià)在科研、工程乃至商業(yè)分析中我們常常面臨一個(gè)經(jīng)典難題面對(duì)一組各有所長(zhǎng)的方案或?qū)ο笕绾慰茖W(xué)、客觀地評(píng)選出最優(yōu)者比如評(píng)選優(yōu)秀員工業(yè)績(jī)、考勤、團(tuán)隊(duì)協(xié)作等多指標(biāo)、選擇供應(yīng)商價(jià)格、質(zhì)量、交貨期、服務(wù)、評(píng)估投資項(xiàng)目風(fēng)險(xiǎn)、收益、周期。當(dāng)指標(biāo)有好有壞如利潤(rùn)越高越好成本越低越好且量綱不一如萬(wàn)元、天、百分比時(shí)憑感覺(jué)或簡(jiǎn)單加權(quán)平均很容易失之偏頗。Topsis法即“逼近理想解排序法”就是為解決這類多屬性決策問(wèn)題而生的經(jīng)典數(shù)學(xué)模型。它的核心思想非常直觀且符合人類決策直覺(jué)找出所有方案中的“理想最優(yōu)解”和“理想最劣解”然后計(jì)算每個(gè)方案與這兩個(gè)“極端”的距離。一個(gè)方案越好它理應(yīng)離“理想最優(yōu)解”越近同時(shí)離“理想最劣解”越遠(yuǎn)。最終通過(guò)一個(gè)相對(duì)貼近度來(lái)對(duì)所有方案進(jìn)行排序。而Matlab作為工程計(jì)算和算法原型驗(yàn)證的利器其強(qiáng)大的矩陣運(yùn)算能力和豐富的內(nèi)置函數(shù)使得實(shí)現(xiàn)Topsis模型變得異常高效和清晰。你不再需要手動(dòng)處理繁瑣的向量計(jì)算幾行代碼就能完成從數(shù)據(jù)預(yù)處理到結(jié)果輸出的全過(guò)程。對(duì)于學(xué)生完成數(shù)學(xué)建模競(jìng)賽、科研人員處理實(shí)驗(yàn)數(shù)據(jù)、分析師進(jìn)行業(yè)務(wù)評(píng)估來(lái)說(shuō)掌握基于Matlab的Topsis實(shí)現(xiàn)意味著擁有一套可靠、可復(fù)現(xiàn)、可擴(kuò)展的量化決策工具。本文將從一個(gè)實(shí)踐者的角度手把手帶你拆解Topsis的每一步原理并用Matlab實(shí)現(xiàn)一個(gè)功能完整、考慮周全的模型。我們不僅會(huì)寫(xiě)出能跑通的代碼更會(huì)深入探討其中容易踩坑的細(xì)節(jié)比如權(quán)重如何確定、規(guī)范化方法如何選擇、結(jié)果如何解讀與驗(yàn)證。無(wú)論你是初次接觸評(píng)價(jià)模型還是想優(yōu)化已有的Matlab代碼相信都能找到實(shí)用的干貨。2. Topsis模型核心原理與數(shù)學(xué)拆解理解原理是正確應(yīng)用和編程的前提。Topsis的流程可以精煉為六個(gè)步驟每一步都有其數(shù)學(xué)含義和實(shí)現(xiàn)考量。2.1 構(gòu)建初始決策矩陣這是所有工作的起點(diǎn)。假設(shè)我們有m個(gè)待評(píng)價(jià)方案或?qū)ο竺總€(gè)方案用n個(gè)評(píng)價(jià)指標(biāo)來(lái)衡量。那么我們就可以構(gòu)建一個(gè)m行×n列的決策矩陣X。指標(biāo)1 指標(biāo)2 ... 指標(biāo)n 方案1 x11 x12 ... x1n 方案2 x21 x22 ... x2n ... ... ... ... ... 方案m xm1 xm2 ... xmn其中xij表示第i個(gè)方案在第j個(gè)指標(biāo)上的原始數(shù)值。這些數(shù)據(jù)可能來(lái)自統(tǒng)計(jì)報(bào)表、實(shí)驗(yàn)測(cè)量或問(wèn)卷調(diào)查。注意務(wù)必確保所有指標(biāo)方向一致。通常約定所有指標(biāo)均為“效益型”越大越好如利潤(rùn)率、滿意度。若存在“成本型”指標(biāo)越小越好如缺陷率、耗時(shí)必須在第一步進(jìn)行“正向化”處理。常見(jiàn)方法是用倒數(shù)或取負(fù)數(shù)但更穩(wěn)健的方法是在后續(xù)的規(guī)范化步驟后對(duì)向量進(jìn)行取反。2.2 決策矩陣規(guī)范化由于各指標(biāo)物理意義和量綱不同直接比較或計(jì)算距離沒(méi)有意義。規(guī)范化的目的就是消除量綱將絕對(duì)數(shù)值轉(zhuǎn)化為相對(duì)比例使所有指標(biāo)處于同一數(shù)量級(jí)。最常用的方法是“向量規(guī)范化”也稱為“歐幾里得范數(shù)歸一化”。對(duì)于決策矩陣X中的每一列即每一個(gè)指標(biāo)我們計(jì)算zij xij / sqrt( sum( xij^2 ) )其中求和i從1到m。這樣處理后的矩陣記為Z其每個(gè)元素zij滿足同一列指標(biāo)所有元素的平方和為1。這種方法能保留原始數(shù)據(jù)中各方案間的相對(duì)差異。實(shí)操心得很多初學(xué)者在這里會(huì)混淆“歸一化”Normalization如縮放到[0,1]和這里使用的“規(guī)范化”Standardization 或 Vector Normalization。Topsis經(jīng)典算法通常采用向量規(guī)范化因?yàn)樗从谟?jì)算歐氏距離的數(shù)學(xué)背景。在Matlab中我們可以用矩陣運(yùn)算一次性完成避免低效的循環(huán)。2.3 構(gòu)建加權(quán)規(guī)范化矩陣不同的指標(biāo)在決策者心中的重要性不同。我們需要引入權(quán)重向量W [w1, w2, ..., wn]滿足wj 0且sum(wj) 1。將規(guī)范化矩陣Z的每一列分別乘以其對(duì)應(yīng)的權(quán)重得到加權(quán)規(guī)范化矩陣VV Z * diag(W)即vij zij * wj。權(quán)重W的確定本身就是一個(gè)關(guān)鍵問(wèn)題。常見(jiàn)方法有主觀賦權(quán)法如德?tīng)柗品?、層次分析法AHP。依賴專家經(jīng)驗(yàn)適用于指標(biāo)重要性差異明顯且易于判斷的領(lǐng)域?？陀^賦權(quán)法如熵權(quán)法。根據(jù)各指標(biāo)數(shù)據(jù)本身的離散程度信息熵來(lái)計(jì)算權(quán)重?cái)?shù)據(jù)差異越大該指標(biāo)權(quán)重越高。這種方法完全基于數(shù)據(jù)避免了主觀性在數(shù)學(xué)建模中尤為常用。我們將在后續(xù)實(shí)現(xiàn)中集成熵權(quán)法。2.4 確定理想解與負(fù)理想解這是Topsis的思想核心。我們分別在加權(quán)規(guī)范化矩陣V的每一列即每個(gè)加權(quán)后的指標(biāo)中尋找最優(yōu)值和最劣值從而構(gòu)成兩個(gè)虛擬的“理想方案”。理想最優(yōu)解正理想解V由每個(gè)指標(biāo)在所有方案中的最大值構(gòu)成。V [ max(v11, v21,..., vm1), max(v12, v22,..., vm2), ..., max(v1n, v2n,..., vmn) ]對(duì)于效益型指標(biāo)取最大值如果之前處理過(guò)成本型指標(biāo)確保此時(shí)所有指標(biāo)已轉(zhuǎn)化為效益型所以統(tǒng)一取最大值。理想最劣解負(fù)理想解V-由每個(gè)指標(biāo)在所有方案中的最小值構(gòu)成。V- [ min(v11, v21,..., vm1), min(v12, v22,..., vm2), ..., min(v1n, v2n,..., vmn) ]這兩個(gè)解通常不在已有的方案集中是“理想中”的最好和最差情況。2.5 計(jì)算各方案到理想解的距離分別計(jì)算每個(gè)方案對(duì)應(yīng)矩陣V的每一行向量Vi到正理想解V和負(fù)理想解V-的歐幾里得距離。到正理想解的距離S_iS_i sqrt( sum( (vij - Vj)^2 ) )求和j從1到n。到負(fù)理想解的距離S_i-S_i- sqrt( sum( (vij - V-j)^2 ) )求和j從1到n。距離S_i越小說(shuō)明該方案離“最好”越近距離S_i-越大說(shuō)明該方案離“最差”越遠(yuǎn)。一個(gè)完美的方案應(yīng)該同時(shí)滿足S_i最小和S_i-最大。2.6 計(jì)算相對(duì)貼近度并排序?yàn)榱司C合衡量“靠近最優(yōu)”和“遠(yuǎn)離最劣”這兩個(gè)維度我們引入相對(duì)貼近度C_iC_i S_i- / (S_i S_i-)由公式可知當(dāng)方案與正理想解重合時(shí)S_i 0則C_i 1。當(dāng)方案與負(fù)理想解重合時(shí)S_i- 0則C_i 0。因此C_i的取值范圍是[0, 1]。C_i值越大說(shuō)明該方案綜合表現(xiàn)越好。最后我們根據(jù)C_i值對(duì)所有方案進(jìn)行降序排列即可得到方案的優(yōu)劣順序。3. Matlab實(shí)現(xiàn)詳解從函數(shù)封裝到逐行解讀理解了原理我們開(kāi)始用Matlab將其實(shí)現(xiàn)。一個(gè)好的實(shí)現(xiàn)應(yīng)該是清晰、健壯、易用的。我們將編寫(xiě)一個(gè)名為T(mén)opsis的主函數(shù)并配套一個(gè)計(jì)算熵權(quán)的子函數(shù)。3.1 主函數(shù)框架與輸入輸出設(shè)計(jì)首先設(shè)計(jì)函數(shù)的輸入輸出接口。一個(gè)健壯的函數(shù)應(yīng)該能處理不同的輸入情況。function [score, rank, positive_ideal_distance, negative_ideal_distance] Topsis(data, weight, indicator_type) % TOPSIS 逼近理想解排序法 % 輸入 % data: m*n 矩陣m個(gè)方案n個(gè)指標(biāo)。行是方案列是指標(biāo)。 % weight: 1*n 向量各指標(biāo)的權(quán)重。可選默認(rèn)為熵權(quán)法計(jì)算。 % 如果傳入長(zhǎng)度必須為n且元素和為1。 % indicator_type: 1*n 向量指定每個(gè)指標(biāo)的類型。 % 1 表示效益型越大越好-1 表示成本型越小越好。 % 可選默認(rèn)為全1即全部是效益型。 % 輸出 % score: m*1 向量各方案的綜合得分相對(duì)貼近度 C_i。 % rank: m*1 向量各方案的排名按score降序排列排名1為最優(yōu)。 % positive_ideal_distance: m*1 向量各方案到正理想解的距離 S_i。 % negative_ideal_distance: m*1 向量各方案到負(fù)理想解的距離 S_i-。 % % 示例 % data [100, 5, 3000; 90, 4, 2500; 95, 6, 2800]; % 3個(gè)方案3個(gè)指標(biāo) % indicator_type [1, 1, -1]; % 前兩個(gè)指標(biāo)越大越好第三個(gè)如成本越小越好 % [s, r, d_plus, d_minus] Topsis(data, [], indicator_type); [m, n] size(data); % m個(gè)方案n個(gè)指標(biāo) % 參數(shù)檢查與默認(rèn)值設(shè)置 if nargin 3 || isempty(indicator_type) indicator_type ones(1, n); % 默認(rèn)全為效益型 end if nargin 2 || isempty(weight) % 調(diào)用熵權(quán)法函數(shù)計(jì)算權(quán)重 weight EntropyWeight(data); disp(使用熵權(quán)法計(jì)算得到的權(quán)重); disp(weight); else % 檢查傳入的權(quán)重是否合法 if abs(sum(weight) - 1) 1e-10 error(權(quán)重向量之和必須為1。); end if length(weight) ~ n error(權(quán)重向量的長(zhǎng)度必須與指標(biāo)數(shù)n一致。); end end if length(indicator_type) ~ n error(指標(biāo)類型向量的長(zhǎng)度必須與指標(biāo)數(shù)n一致。); end代碼解讀函數(shù)頭定義了清晰的輸入輸出。使用nargin處理可選參數(shù)是Matlab函數(shù)的好習(xí)慣。對(duì)權(quán)重和指標(biāo)類型進(jìn)行了嚴(yán)格的長(zhǎng)度與和值校驗(yàn)?zāi)鼙苊庠S多因粗心導(dǎo)致的錯(cuò)誤。默認(rèn)使用熵權(quán)法提高了函數(shù)的自動(dòng)化程度。3.2 數(shù)據(jù)預(yù)處理正向化與規(guī)范化接下來(lái)在函數(shù)內(nèi)部繼續(xù)編寫(xiě)數(shù)據(jù)預(yù)處理步驟。% 1. 數(shù)據(jù)正向化將成本型指標(biāo)轉(zhuǎn)化為效益型 % 這里采用“倒數(shù)法”或“最大差值法”進(jìn)行正向化。對(duì)于已經(jīng)規(guī)范化的數(shù)據(jù)更常用的是在確定理想解時(shí)處理。 % 但為了邏輯清晰我們可以在規(guī)范化前先將成本型指標(biāo)數(shù)據(jù)“反轉(zhuǎn)”。 % 注意倒數(shù)法要求數(shù)據(jù)全為正數(shù)。這里采用更通用的“負(fù)向指標(biāo)取負(fù)”方法結(jié)合后續(xù)的“最小值為理想”邏輯。 % 實(shí)際上更常見(jiàn)的Topsis實(shí)現(xiàn)是在步驟4確定理想解時(shí)根據(jù)indicator_type分別取max或min。 % 為了教學(xué)清晰我們采用另一種等價(jià)方式先對(duì)成本型指標(biāo)列進(jìn)行“取反”處理使其在數(shù)學(xué)上變?yōu)樾б嫘汀?data_processed data; for j 1:n if indicator_type(j) -1 % 成本型指標(biāo) % 方法1取負(fù)數(shù)這樣原最小值變最大值。但要求指標(biāo)值為正。 % data_processed(:, j) -data(:, j); % 方法2更穩(wěn)健用該列最大值減去每個(gè)值使原最小值變?yōu)樾伦畲笾怠?% data_processed(:, j) max(data(:, j)) - data(:, j); % 方法3倒數(shù)法要求數(shù)據(jù)0。 data_processed(:, j) 1 ./ data(:, j); % 我們選擇方法2它不要求數(shù)據(jù)為正且線性變換保持?jǐn)?shù)據(jù)相對(duì)關(guān)系。 col_max max(data(:, j)); data_processed(:, j) col_max - data(:, j); % 注意如果col_max - data(:, j) 可能產(chǎn)生負(fù)值或零在某些場(chǎng)景下可能有問(wèn)題。 % 對(duì)于存在負(fù)值的指標(biāo)需要謹(jǐn)慎選擇正向化方法。競(jìng)賽中常用方法2或方法3。 end % 效益型指標(biāo)保持不變 end % 2. 數(shù)據(jù)規(guī)范化向量規(guī)范化 % 計(jì)算每一列的范數(shù)平方和的平方根 norm_col sqrt(sum(data_processed.^2, 1)); % 得到一個(gè)1*n的行向量 % 避免除以零 norm_col(norm_col 0) eps; % 規(guī)范化矩陣 Z Z data_processed ./ norm_col; % 利用Matlab的廣播機(jī)制每列除以對(duì)應(yīng)的范數(shù) % 3. 構(gòu)建加權(quán)規(guī)范化矩陣 V V Z .* weight; % 同樣利用廣播每列乘以對(duì)應(yīng)的權(quán)重避坑技巧正向化方法的選擇至關(guān)重要。max - data的方法簡(jiǎn)單通用但會(huì)改變數(shù)據(jù)的分布。如果指標(biāo)值中有負(fù)數(shù)此方法可能不合適。倒數(shù)法要求數(shù)據(jù)全為正且不能為零。在實(shí)際建模中需要根據(jù)數(shù)據(jù)特性說(shuō)明選擇的方法。規(guī)范化時(shí)norm_col可能為零例如某指標(biāo)所有方案取值完全相同除以零會(huì)導(dǎo)致NaN。添加eps這個(gè)極小值可以防止報(bào)錯(cuò)但更合理的做法是如果某指標(biāo)無(wú)差異應(yīng)考慮將其從評(píng)價(jià)體系中剔除。3.3 確定理想解與計(jì)算距離% 4. 確定理想解和負(fù)理想解 % 經(jīng)過(guò)正向化后所有指標(biāo)都已視為效益型越大越好 V_positive max(V, [], 1); % 正理想解取每列最大值 V_negative min(V, [], 1); % 負(fù)理想解取每列最小值 % 5. 計(jì)算各方案到理想解的距離 % 使用歐幾里得距離二范數(shù) % 計(jì)算每個(gè)方案行向量與正理想解向量的距離 positive_ideal_distance sqrt(sum((V - V_positive).^2, 2)); % 按行求和得到m*1向量 negative_ideal_distance sqrt(sum((V - V_negative).^2, 2)); % 按行求和得到m*1向量 % 6. 計(jì)算相對(duì)貼近度 score negative_ideal_distance ./ (positive_ideal_distance negative_ideal_distance); % 處理可能出現(xiàn)的除零情況當(dāng)某個(gè)方案同時(shí)是正理想解和負(fù)理想解時(shí)理論上不存在 score(isnan(score)) 0; % 將NaN得分置為0 % 7. 根據(jù)得分排序 [~, rank_index] sort(score, descend); % 降序排列得到索引 rank (1:m); rank(rank_index) rank; % 根據(jù)索引重新排列名次 % 另一種常見(jiàn)的返回方式是直接返回排序后的方案索引 % rank rank_index;代碼解讀max(V, [], 1)中[], 1的語(yǔ)法表示對(duì)每列取最大值返回一個(gè)行向量。計(jì)算距離時(shí)sum(..., 2)表示對(duì)每行求和這是計(jì)算行向量與某個(gè)固定向量距離的簡(jiǎn)潔寫(xiě)法。最后對(duì)得分排序sort函數(shù)返回排序后的值和索引我們利用索引來(lái)生成排名向量。處理NaN是一個(gè)重要的魯棒性考慮。3.4 熵權(quán)法計(jì)算權(quán)重的子函數(shù)實(shí)現(xiàn)熵權(quán)法是一種客觀賦權(quán)法它根據(jù)指標(biāo)的變異程度信息熵來(lái)確定權(quán)重。變異程度越大熵越小說(shuō)明該指標(biāo)對(duì)方案區(qū)分度的貢獻(xiàn)越大應(yīng)賦予更高權(quán)重。function weight EntropyWeight(data) % ENTROPYWEIGHT 熵權(quán)法計(jì)算指標(biāo)權(quán)重 % 輸入data - m*n 矩陣原始決策矩陣假定已均為效益型或已正向化 % 輸出weight - 1*n 向量各指標(biāo)的熵權(quán) [m, n] size(data); % 1. 數(shù)據(jù)標(biāo)準(zhǔn)化歸一化到[0,1]區(qū)間為計(jì)算概率做準(zhǔn)備 % 這里采用“比重法”標(biāo)準(zhǔn)化即每個(gè)值占其所在列總和的比例。 % 注意熵權(quán)法要求數(shù)據(jù)非負(fù)。如果存在負(fù)數(shù)需要進(jìn)行平移。 data_min min(data, [], 1); if any(data_min 0) % 如果某列有負(fù)數(shù)將該列所有數(shù)據(jù)平移至非負(fù) data data - data_min; % 這樣最小值變?yōu)? end data_sum sum(data, 1); data_sum(data_sum 0) eps; % 防止除零 P data ./ data_sum; % 得到概率矩陣P Pij xij / sum(xij) % 2. 計(jì)算第j個(gè)指標(biāo)的熵值 Ej % 根據(jù)信息熵公式Ej -k * sum(Pij * ln(Pij)) 其中 k 1/ln(m) k 1 / log(m); % 計(jì)算常數(shù)k % 由于Pij可能為0而0*ln(0)在數(shù)學(xué)上定義為0但在計(jì)算中會(huì)導(dǎo)致NaN。 % 我們需要處理P0的情況。 P_log P .* log(P); P_log(isnan(P_log)) 0; % 將0*log(0)的結(jié)果置為0 E -k * sum(P_log, 1); % 按列求和得到1*n的熵值向量 % 3. 計(jì)算差異系數(shù) Dj D 1 - E; % 差異系數(shù)熵越小差異系數(shù)越大指標(biāo)越重要 % 4. 計(jì)算權(quán)重 Wj weight D ./ sum(D); % 歸一化得到權(quán)重 end實(shí)操心得熵權(quán)法的核心在于計(jì)算概率Pij。這里使用的“比重法”要求數(shù)據(jù)非負(fù)。如果原始數(shù)據(jù)存在負(fù)數(shù)簡(jiǎn)單的平移data - min是常用方法但這會(huì)改變數(shù)據(jù)的分布形態(tài)可能影響權(quán)重。另一種思路是先用其他方法如Z-score標(biāo)準(zhǔn)化處理數(shù)據(jù)后再用比重法但這不是標(biāo)準(zhǔn)熵權(quán)法。此外處理Pij0時(shí)log(0)的問(wèn)題至關(guān)重要直接忽略賦值為0是通用做法。熵權(quán)法完全由數(shù)據(jù)驅(qū)動(dòng)如果某個(gè)指標(biāo)在所有方案上取值完全一樣其熵為1差異系數(shù)為0權(quán)重為0這是合理的因?yàn)樗鼪](méi)有提供任何區(qū)分信息。4. 完整案例演示與結(jié)果分析理論結(jié)合實(shí)踐我們用一個(gè)虛構(gòu)但貼近實(shí)際的例子來(lái)跑通整個(gè)流程。假設(shè)我們要評(píng)估4款智能手機(jī)A, B, C, D考慮3個(gè)指標(biāo)1. 性能跑分效益型越高越好2. 價(jià)格成本型越低越好3. 電池續(xù)航效益型越高越好。4.1 數(shù)據(jù)準(zhǔn)備與函數(shù)調(diào)用% 案例智能手機(jī)選購(gòu)決策 % 方案A, B, C, D 四款手機(jī) % 指標(biāo)1.性能(分), 2.價(jià)格(元), 3.續(xù)航(小時(shí)) % 注意價(jià)格是成本型指標(biāo) data [ 85000, 3999, 8; % 手機(jī)A 92000, 4699, 6.5; % 手機(jī)B 78000, 3299, 9; % 手機(jī)C 95000, 5199, 7 % 手機(jī)D ]; % 指標(biāo)類型性能-效益型(1)價(jià)格-成本型(-1)續(xù)航-效益型(1) indicator_type [1, -1, 1]; % 調(diào)用自定義的Topsis函數(shù)不傳入權(quán)重使用默認(rèn)的熵權(quán)法 [score, rank, d_plus, d_minus] Topsis(data, [], indicator_type); % 顯示結(jié)果 fprintf(%-6s %-10s %-12s %-12s %-8s %-8s\n, 方案, 得分(C), 排名, 距正理想(S), 距負(fù)理想(S-), 推薦度); for i 1:size(data, 1) fprintf(手機(jī)%c %8.6f %2d %10.6f %10.6f , char(Ai-1), score(i), rank(i), d_plus(i), d_minus(i)); if rank(i) 1 fprintf(推薦\n); else fprintf(\n); end end % 可視化得分條形圖 figure; bar(score); set(gca, XTickLabel, {A, B, C, D}); xlabel(智能手機(jī)型號(hào)); ylabel(TOPSIS綜合得分); title(基于TOPSIS模型的智能手機(jī)綜合評(píng)價(jià)); grid on;4.2 運(yùn)行結(jié)果解讀運(yùn)行上述代碼你可能會(huì)得到類似以下的結(jié)果具體數(shù)值因熵權(quán)計(jì)算略有浮動(dòng)使用熵權(quán)法計(jì)算得到的權(quán)重 指標(biāo)1權(quán)重: 0.xxxx 指標(biāo)2權(quán)重: 0.xxxx 指標(biāo)3權(quán)重: 0.xxxx 方案 得分(C) 排名 距正理想(S) 距負(fù)理想(S-) 推薦度 手機(jī)A 0.xxxxxx x x.xxxxxx x.xxxxxx 手機(jī)B 0.xxxxxx x x.xxxxxx x.xxxxxx 手機(jī)C 0.xxxxxx x x.xxxxxx x.xxxxxx 手機(jī)D 0.xxxxxx x x.xxxxxx x.xxxxxx注x代表具體計(jì)算出的數(shù)值結(jié)果分析步驟看權(quán)重首先觀察熵權(quán)法計(jì)算出的三個(gè)指標(biāo)的權(quán)重。這反映了數(shù)據(jù)本身的“發(fā)言權(quán)”。如果“價(jià)格”列的數(shù)據(jù)差異最大即有的手機(jī)很貴有的很便宜那么熵權(quán)法可能會(huì)給“價(jià)格”賦予較高的權(quán)重意味著在這個(gè)數(shù)據(jù)集中價(jià)格是區(qū)分手機(jī)的關(guān)鍵因素?？磁琶鹯ank向量直接給出了從優(yōu)到劣的排序排名1為最優(yōu)方案?？吹梅謘core是相對(duì)貼近度C_i。得分越接近1說(shuō)明該方案越接近理想最優(yōu)解。你可以比較得分差距判斷方案之間的優(yōu)劣是否明顯?？淳嚯xd_plus和d_minus提供了更細(xì)粒度的信息。例如排名第一的方案其d_plus很可能最小d_minus很可能最大。如果兩個(gè)方案得分接近可以進(jìn)一步查看距離來(lái)分析是離“最好”都差不多還是離“最差”都差不多結(jié)合業(yè)務(wù)最終決策不能只看數(shù)學(xué)結(jié)果。如果排名第一的手機(jī)超預(yù)算你可能需要結(jié)合d_plus和d_minus在排名第二、第三中找一個(gè)平衡點(diǎn)。注意事項(xiàng)熵權(quán)法的結(jié)果嚴(yán)重依賴于輸入數(shù)據(jù)的分布。如果某個(gè)指標(biāo)的數(shù)值量級(jí)遠(yuǎn)大于其他指標(biāo)例如性能跑分是萬(wàn)級(jí)價(jià)格是千級(jí)即使經(jīng)過(guò)向量規(guī)范化其原始變異程度也可能主導(dǎo)權(quán)重計(jì)算。因此在應(yīng)用熵權(quán)法前審視數(shù)據(jù)并進(jìn)行適當(dāng)?shù)臒o(wú)量綱化如本文使用的向量規(guī)范化是其一部分或標(biāo)準(zhǔn)化非常重要。有時(shí)主觀權(quán)重如你認(rèn)為續(xù)航比性能重要一倍更能體現(xiàn)決策者意圖這時(shí)就應(yīng)該將計(jì)算好的權(quán)重向量weight直接傳入函數(shù)。5. 關(guān)鍵問(wèn)題排查與進(jìn)階技巧在實(shí)際使用中你可能會(huì)遇到各種問(wèn)題。下面是一些常見(jiàn)情況及解決方案。5.1 結(jié)果不穩(wěn)定或不符合預(yù)期問(wèn)題描述稍微改動(dòng)數(shù)據(jù)排名就發(fā)生劇烈變化或者排名結(jié)果與常識(shí)判斷相差甚遠(yuǎn)。排查思路檢查指標(biāo)類型確認(rèn)indicator_type向量設(shè)置正確成本型指標(biāo)是否被正確標(biāo)識(shí)為-1。這是最常見(jiàn)的錯(cuò)誤。檢查正向化方法如果使用了自定義的正向化方法如倒數(shù)法確保數(shù)據(jù)滿足方法的前提條件如全為正數(shù)。對(duì)于存在零或負(fù)值的列max - data的方法更安全。審視權(quán)重如果使用熵權(quán)法打印出權(quán)重看看。是否出現(xiàn)了某個(gè)指標(biāo)權(quán)重接近1而其他權(quán)重接近0的情況這會(huì)導(dǎo)致模型退化為單指標(biāo)評(píng)價(jià)。這可能是因?yàn)樵撝笜?biāo)的數(shù)據(jù)變異程度如量級(jí)遠(yuǎn)大于其他指標(biāo)?？紤]是否需要在計(jì)算熵權(quán)前先對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化如Z-score來(lái)消除量綱影響而不僅僅是向量規(guī)范化。數(shù)據(jù)本身問(wèn)題是否存在極端異常值異常值會(huì)極大影響最大值、最小值和距離計(jì)算?？紤]在預(yù)處理階段進(jìn)行異常值處理如縮尾處理。距離公式經(jīng)典Topsis使用歐氏距離。在極少數(shù)情況下可以考慮使用曼哈頓距離或其他距離度量但這會(huì)改變模型的理論基礎(chǔ)需謹(jǐn)慎并在報(bào)告中說(shuō)明。5.2 熵權(quán)法計(jì)算出錯(cuò)或權(quán)重為NaN問(wèn)題描述運(yùn)行熵權(quán)法子函數(shù)時(shí)權(quán)重結(jié)果出現(xiàn)NaN。原因與解決除零錯(cuò)誤在計(jì)算概率Pij xij / sum(xij)時(shí)如果某一列所有值都是0則sum為0導(dǎo)致除法錯(cuò)誤。我們的代碼中已用eps處理。如果數(shù)據(jù)全零列有意義應(yīng)考慮刪除該指標(biāo)。log(0)錯(cuò)誤當(dāng)某個(gè)Pij為0時(shí)log(0)為負(fù)無(wú)窮導(dǎo)致NaN。代碼中通過(guò)P_log(isnan(P_log)) 0已處理。確保處理邏輯正確。數(shù)據(jù)平移問(wèn)題如果原始數(shù)據(jù)有負(fù)數(shù)我們進(jìn)行了data - min的平移。如果平移后某列全部為同一個(gè)非零常數(shù)計(jì)算熵時(shí)Pij全為1/m計(jì)算正常。如果平移后出現(xiàn)全零列則回到問(wèn)題1。5.3 如何融入主觀權(quán)重Topsis模型兼容主客觀權(quán)重。如果你有通過(guò)AHP層次分析法或?qū)＜掖蚍址ǖ玫降闹饔^權(quán)重W_subjective又想結(jié)合熵權(quán)法得到的客觀權(quán)重W_objective可以使用組合賦權(quán)法。一種簡(jiǎn)單線性組合是W_combined α * W_subjective (1-α) * W_objective其中α是主觀偏好系數(shù)0≤α≤1。α1表示完全主觀α0表示完全客觀。在Matlab中實(shí)現(xiàn)alpha 0.5; % 舉例主觀客觀各占一半 weight_subjective [0.4, 0.3, 0.3]; % 主觀權(quán)重需歸一化 weight_objective EntropyWeight(data); % 客觀權(quán)重 weight_combined alpha * weight_subjective (1-alpha) * weight_objective; weight_combined weight_combined / sum(weight_combined); % 再次歸一化確保和為1 [score, rank] Topsis(data, weight_combined, indicator_type);5.4 模型擴(kuò)展與變體考慮指標(biāo)相關(guān)性經(jīng)典Topsis假設(shè)指標(biāo)相互獨(dú)立。如果指標(biāo)間存在較強(qiáng)相關(guān)性如“CPU核心數(shù)”和“主頻”可能會(huì)重復(fù)計(jì)算某一方面的信息?？梢钥紤]先用主成分分析PCA對(duì)原始數(shù)據(jù)降維消除相關(guān)性再用Topsis對(duì)主成分進(jìn)行評(píng)價(jià)。模糊Topsis當(dāng)評(píng)價(jià)信息不是精確數(shù)值而是語(yǔ)言變量如“好”、“中”、“差”或模糊數(shù)時(shí)可以使用模糊集理論擴(kuò)展Topsis即模糊Topsis。動(dòng)態(tài)Topsis如果評(píng)價(jià)數(shù)據(jù)是在多個(gè)時(shí)間點(diǎn)上收集的可以引入時(shí)間權(quán)重計(jì)算每個(gè)方案在不同時(shí)間點(diǎn)的綜合得分再進(jìn)行集成得到動(dòng)態(tài)評(píng)價(jià)結(jié)果。5.5 代碼優(yōu)化與封裝建議向量化操作如你所見(jiàn)我們的實(shí)現(xiàn)大量使用了Matlab的矩陣運(yùn)算和廣播機(jī)制避免了顯式循環(huán)效率更高。輸入驗(yàn)證完整的工業(yè)級(jí)代碼應(yīng)該包含更嚴(yán)格的輸入驗(yàn)證例如檢查data是否為矩陣是否包含非數(shù)值元素等。結(jié)果可視化除了條形圖還可以繪制雷達(dá)圖來(lái)展示每個(gè)方案在各個(gè)加權(quán)后指標(biāo)上的位置以及與正負(fù)理想解的對(duì)比更加直觀。封裝為工具箱如果你經(jīng)常使用可以將Topsis和EntropyWeight函數(shù)打包到一個(gè)自定義工具箱.mltbx中方便在不同項(xiàng)目中調(diào)用。通過(guò)以上五個(gè)部分的詳細(xì)拆解我們從Topsis的數(shù)學(xué)原理、Matlab的逐行實(shí)現(xiàn)、完整案例演示到常見(jiàn)問(wèn)題排查和進(jìn)階技巧形成了一個(gè)完整的知識(shí)閉環(huán)。記住模型是工具理解其適用前提和局限性并結(jié)合實(shí)際問(wèn)題靈活調(diào)整才是用好Topsis的關(guān)鍵。在數(shù)學(xué)建模競(jìng)賽中清晰闡述你的數(shù)據(jù)處理步驟、權(quán)重確定方法以及模型結(jié)果的解讀往往比單純套用模型更能獲得高分。