数学建模评价体系模型_数学建模30种经典模型「建议收藏」

数学建模评价体系模型_数学建模30种经典模型「建议收藏」提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一、TOPSIS的应用场景二、TOPSIS法的模型建立1.对原始决策矩阵正向化2.决策矩阵标准化3.计算得分并归一化三、

一、TOPSIS的应用场景

Topsis法,全称为Technique for Order Preference by Similarity to an Ideal Solution,中文常翻译为优劣解距离法,该方法能够根据现有的数据,对个体进行评价排序。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。

下图中假设只有两个评价指标,因此是二维坐标。
在这里插入图片描述
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
  • 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。

二、TOPSIS法的模型建立

主要步骤:

  1. 原始决策矩阵正向化
  2. 决策矩阵标准化
  3. 计算得分并归一化

1.对原始决策矩阵正向化

构造决策矩阵 A = ( a i j ) m × n A=\left(a_{i j}\right)_{m \times n} A=(aij)m×n,每一列是一个评价指标,每一行是一条待评价样本。

有的数据是越大越好,有的数据是靠近某个值越好,有的是在一个区间中最好,这种不同的方向和区间让分析变得混乱,为了简化分析我们将数据进行正向化处理,都让他越大越好。

最常见的四种指标:

在这里插入图片描述
所谓的将原始矩阵正向化,就是要将所有的指标类型统一转化为
极大型指标。

  • 极小型指标转化为极大型指标:
    使用公式
    max ⁡ − x \max -x maxx
    如果所有的元素均为正数,那么也可以使用 1 x \dfrac{1}{x} x1
  • 中间型指标转化为极大型指标:
    x ˉ i = 1 − ∣ x i − x best  ∣ max ⁡ ( ∣ X − x best  ∣ ) \bar{x}_{i}=1-\frac{\left|x_{i}-x_{\text {best }}\right|}{\max \left(\left|X-x_{\text {best }}\right|\right)} xˉi=1max(Xxbest )xixbest 
  • 区间型指标转化为极大型指标:
    M = max ⁡ { a − min ⁡ { x i } , max ⁡ { x i } − b } , x ~ i = { 1 − a − x i M , x i < a 1 , a ≤ x i ≤ b 1 − x i − b M , , x i > b M=\max \left\{a-\min \left\{x_{i}\right\}, \max \left\{x_{i}\right\}-b\right\}, \tilde{x}_{i}= \begin{cases}1-\frac{a-x_{i}}{M}, & x_{i}<a \\ 1 & , a \leq x_{i} \leq b \\ 1-\frac{x_{i}-b}{M}, & , x_{i}>b\end{cases} M=max{
    amin{
    xi}
    ,max{
    xi}
    b}
    ,x~i=
    1Maxi,11Mxib,xi<a,axib,xi>b

    其中[a, b]是最佳区间。

2.决策矩阵标准化

标准化的目的是消除不同指标量纲的影响,常用方法有max-min标准化和Z-score标准化,本文介绍Z-score标准化。

假设有 n n n个要评价的对象, m m m个要评价指标(已经正向化)构成的正向化矩阵如下:
X = [ x 11 x 12 ⋯ x 1 m x 21 x 22 ⋯ x 2 m ⋮ ⋮ ⋱ ⋮ x n 1 x n 2 ⋯ x n m ] X=\left[\begin{array}{cccc} x_{11} & x_{12} & \cdots & x_{1 m} \\ x_{21} & x_{22} & \cdots & x_{2 m} \\ \vdots & \vdots & \ddots & \vdots \\ x_{n 1} & x_{n 2} & \cdots & x_{n m} \end{array}\right] X=x11x21xn1x12x22xn2x1mx2mxnm
,记对其进行标准化的矩阵为Z,Z中的每一个元素通过如下公式计算:
z i j = x i j / ∑ i = 1 n x i j 2 z_{i j}=x_{i j} / \sqrt{\sum_{i=1}^{n} x_{i j}^{2}} zij=xij/i=1nxij2

例:下表是5位同学身体相关参数,请用TOPSIS法来对同学身体情况进行一个综合的评价。
在这里插入图片描述

正向化后矩阵:在这里插入图片描述

得到标准化后的矩阵:
在这里插入图片描述

3.计算得分并归一化

假设有 n n n个要评价的对象, m m m个要评价指标构成的标准化矩阵如下:
Z = [ z 11 z 12 ⋯ z 1 m z 21 z 22 ⋯ z 2 m ⋮ ⋮ ⋱ ⋮ z n 1 z n 2 ⋯ z n m ] Z=\left[\begin{array}{cccc} z_{11} & z_{12} & \cdots & z_{1 m} \\ z_{21} & z_{22} & \cdots & z_{2 m} \\ \vdots & \vdots & \ddots & \vdots \\ z_{n 1} & z_{n 2} & \cdots & z_{n m} \end{array}\right] Z=z11z21zn1z12z22zn2z1mz2mznm
定义最大值
Z + = ( Z 1 + , Z 2 + , ⋯   , Z m + ) = ( max ⁡ { z 11 , z 21 , ⋯   , z n 1 } , max ⁡ { z 12 , z 22 , ⋯   , z m 2 } , ⋯   , max ⁡ { z 1 m , z 2 m , ⋯   , z m m } ) \begin{array}{rlr} Z^{+} & =\left(Z_{1}^{+}, Z_{2}^{+}, \cdots, Z_{m}^{+}\right) \\ & =\left(\max \left\{z_{11}, z_{21}, \cdots, z_{n 1}\right\}, \max \left\{z_{12}, z_{22}, \cdots, z_{m 2}\right\}, \cdots, \max \left\{z_{1 m}, z_{2 m}, \cdots, z_{m m}\right\}\right) \end{array} Z+=(Z1+,Z2+,,Zm+)=(max{
z11,z21,,zn1}
,max{
z12,z22,,zm2}
,,max{
z1m,z2m,,zmm}
)

定义最小值
Z − = ( Z 1 − , Z 2 − , ⋯   , Z m − ) = ( min ⁡ { z 11 , z 21 , ⋯   , z n 1 } , min ⁡ { z 12 , z 22 , ⋯   , z n 2 } , ⋯   , min ⁡ { z 1 m , z 2 m , ⋯   , z n m } ) \begin{aligned} Z^{-} &=\left(Z_{1}^{-}, Z_{2}^{-}, \cdots, Z_{m}^{-}\right) \\ &=\left(\min \left\{z_{11}, z_{21}, \cdots, z_{n 1}\right\}, \min \left\{z_{12}, z_{22}, \cdots, z_{n 2}\right\}, \cdots, \min \left\{z_{1 m}, z_{2 m}, \cdots, z_{n m}\right\}\right) \end{aligned} Z=(Z1,Z2,,Zm)=(min{
z11,z21,,zn1}
,min{
z12,z22,,zn2}
,,min{
z1m,z2m,,znm}
)

定义第 i i i个评价对象与最大值的距离 D i + = ∑ j = 1 m ( Z j + − z i j ) 2 D_{i}^{+}=\sqrt{\sum_{j=1}^{m}\left(Z_{j}^{+}-z_{i j}\right)^{2}} Di+=j=1m(Zj+zij)2

定义第 i i i个评价对象与最小值的距离 D i − = ∑ j = 1 m ( Z j − − z i j ) 2 D_{i}^{-}=\sqrt{\sum_{j=1}^{m}\left(Z_{j}^{-}-z_{i j}\right)^{2}} Di=j=1m(Zjzij)2

那么我们就可以计算得出第 i i i个评价对象未归一化的得分: S i = D i − D i + + D i − S_{i}=\frac{D_{i}^{-}}{D_{i}^{+}+D_{i}^{-}} Si=Di++DiDi

很明显 0 ≤ S i ≤ 1 0 \leq S_{i} \leq 1 0Si1,且 S i S_i Si越大 D i + D_i^+ Di+越小,即越接近最大值。

最后我们可以将得分归一化: S ~ i = S i / ∑ i = 1 m S i \tilde{S}_{i}=S_{i} / \sum\limits_{i=1}^{m} S_{i} S~i=Si/i=1mSi,可以得知 ∑ i = 1 m S ~ i = 1 \sum\limits_{i=1}^{m} \tilde{S}_{i} = 1 i=1mS~i=1

建模完毕。

三、TOPSIS与(组合)赋权法结合

假设有 n n n个要评价的对象, m m m个要评价指标构成的标准化矩阵如下:
Z = [ z 11 z 12 ⋯ z 1 m z 21 z 22 ⋯ z 2 m ⋮ ⋮ ⋱ ⋮ z n 1 z n 2 ⋯ z n m ] Z=\left[\begin{array}{cccc} z_{11} & z_{12} & \cdots & z_{1 m} \\ z_{21} & z_{22} & \cdots & z_{2 m} \\ \vdots & \vdots & \ddots & \vdots \\ z_{n 1} & z_{n 2} & \cdots & z_{n m} \end{array}\right] Z=z11z21zn1z12z22zn2z1mz2mznm
可以使用层次分析法或者熵权法给这 m m m个评价指标赋权
D i + = ∑ j = 1 m ω j ( Z j + − z i j ) 2 D_{i}^{+}=\sqrt{\sum_{j=1}^{m} \omega_{j}\left(Z_{j}^{+}-z_{i j}\right)^{2}} Di+=j=1mωj(Zj+zij)2

D i − = ∑ j = 1 m ω j ( Z j − − z i j ) 2 D_{i}^{-}=\sqrt{\sum_{j=1}^{m} \omega_{j}\left(Z_{j}^{-}-z_{i j}\right)^{2}} Di=j=1mωj(Zjzij)2

代码

基于熵权法对上例进行求解(matlab)。

%基于熵权法对于TOPSIS的修正
clear;clc;
load X.mat;
%获取行数列数
r = size(X,1);
c = size(X,2);
%首先,把我们的原始指标矩阵正向化
%第二列中间型--->极大型
middle = input("请输入最佳的中间值:");
M = max(abs(X(:,2)-middle));
for i=1:r
      X(i,2) = 1-abs(X(i,2)-middle)/M;
end
%第三列极小型--->极大型
max_value = max(X(:,3)); 
X(:,3) = abs(X(:,3)-max_value);
%第四列区间型--->极大型
a = input("请输入区间的下界:");
b = input("请输入区间的下界:");
M = max(a-min(X(:,4)),max(X(:,4))-b);
for i=1:r
       if (X(i,4)<a)
            X(i,4) = 1-(a-X(i,4))/M;
       elseif (X(i,4)<=b&&X(i,4)>=a)
           X(i,4) = 1;
       else
           X(i,4) = 1-(X(i,4)-b)/M;
       end
end
disp("正向化后的矩阵为:");
disp(X);
%然后对正向化后的矩阵进行熵权法赋权重
tempX = X;   %代替X进行计算的辅助变量,避免X受到影响而发生改变
%测试:tempX = [1,2,3;-1,0,-6;5,-3,2];
%标准化矩阵,消除负数项,并且把数值控制在0-1区间
min = min(tempX);
max = max(tempX);
min = repmat(min,size(tempX,1),1);
max = repmat(max,size(tempX,1),1);
tempX = (tempX-min)./(max-min);
%求出矩阵的概率矩阵,即能取到该值的概率
sumX = repmat(sum(tempX),size(tempX,1),1);
pX = tempX./sumX;
%求出信息熵矩阵,信息熵越大,能获得的信息就越少
temp = pX.*mylog(pX);
n = size(tempX,1);
sum1 = sum(temp);
eX =  sum1.*(-1/log(n));
%求出信息效用值
dX = 1-eX;
%求出每个指标的熵权
wX = dX./(sum(dX));
%打印输出
disp("每个指标依次的熵权为:");
disp(wX);

今天的文章数学建模评价体系模型_数学建模30种经典模型「建议收藏」分享到此就结束了,感谢您的阅读。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/70020.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注